مدل سازی و بهینه سازی جذب متیلن بلو از محیط‌های آبی توسط پامیس براساس روش‌های rsm-ccd و ann-ga

زمینه و هدف: تخلیه حجم بالایی از فاضلاب‌های رنگی به منابع آب پذیرنده سبب نگرانی‌های گسترده ای در سرتاسر جهان شده است. هدف این مطالعه، بررسی کارایی جاذب پامیس در حذف متیلن بلو (mb) از محلول‌های آبی می باشد. همچین فرآیند جذب توسط روش‌های سطح پاسخطراحی مرکب مرکزی (rsm-ccd) و شبکه عصبی مصنوعی الگوریتم ژنتیک (ann-ga) مدل‌سازی و بهینه‌سازی شد.روش کار: پارامترهای ورودی به مطالعه شامل ph (3-11)، زمان تماس ( 10-50 دقیقه)، دوز جاذب (2/0-1 گرم در لیتر) و غلظت mb (20-100 میلی گرم در لیتر) بود. اثر این پارامترها بر کارایی پامیس در جذب mb توسط روش‌های rsm-ccd و ann-ga مدل سازی و بهینه سازی شد. جهت سنجش غلظت باقی مانده mb در محلول از دستگاه اسپکتروفتومتر در طول موج 620 نانومتر استفاده شد.یافته‌ها: نتایج نشان داد که روش rsm-ccd قابلیت توسعه مدل چند جمله درجه دوم با اعتبار بالا (9997/0 = r^2) برای فرآیند جذب دارد. بطور مشابه روش annga به خوبی با دیتا آزمایشگاهی برای توسعه مدل با اعتبار بالا (9978/0 = r^2) فیت شد. نتایج بهینه سازی فرآیند توسط روش‌های rsmccd و annga، بالاترین راندمان جذب را در 11 = ph، زمان = 50 دقیقه، دوز جاذب = 1 گرم در لیتر و غلظت mb = 20 میلی گرم در لیتر نشان داد. راندمان جذب با ph، زمان تماس و دوز جاذب ارتباط مستقیم و با غلظت آلاینده رابطه عکس نشان داد. اثر خطی متغیرهای غلظت آلاینده و دوز جاذب بیشترین تاثیر را بر کارایی جذب داشتند.نتیجه‌گیری: در این مطالعه مشاهده شد که پامیس بعنوان جاذب ارزان قیمت و در دسترس می تواند بعنوان گزینه مناسبی جهت جذب آلاینده‌های رنگی از محیط‌های آبی در نظر گرفته شود. همچنین می توان از دو روش rsm-ccd و ann-ga جهت مدل سازی و بهینه سازی فرآیند‌های جذب استفاده نمود.

Modeling and Optimization of Methylene Blue Adsorption from Aqueous Solution by Pumice Based on RSM-CCD and ANN-GA Methods

Background: The discharge of a large volume of colored wastewater into receiving water sources has caused widespread concern around the world. The aim of this study was to investigate the efficiency of pumice as an adsorbent in removing methylene blue (MB) from aqueous solution. The adsorption process was also modeled and optimized by the methods as follows: central composite designcentral composite design (RSMCCD) and artificial neural networkgenetic algorithm (ANNGA).Methods and Materials: The independent variables in the study were included pH (311), contact time (1050 minutes), adsorbent dose (0.12 g/L), and MB concentration (20100 mg/l). The effect of these parameters on the efficiency of pumice in MB uptake was modeled and optimized by RSMCCD and ANNGA methods. A spectrophotometer at 620 nm was used to measure the residual MB concentration in solution.Results: The results showed that the RSMCCD method has the ability to develop a quadratic polynomial model with high validity (R2 = 0.9997) for the adsorption process. Similarly, the ANNGA method fitted well with experimental data to develop a model with high validity (R2 = 0.9978). The results of optimization process by RSMCCD and ANNGA methods obtained the highest adsorption efficiency at pH = 11, contact time = 50 minutes, adsorbent dose = 1 g/L, and concentration MB = 20 mg/L. Adsorption efficiency shows a direct relationship with pH, contact time and adsorbent dose and inversely with contaminant concentration. The linear effect of pollutant concentration and adsorbent dose variables had the greatest effect on adsorption efficiency.Conclusion: In this study, it was observed that pumice as a cheap and available adsorbent can be considered as a suitable choice for absorbing dye pollutants from aqueous media. RSMCCD and ANNGA methods can also be used to model and optimize adsorption processes.