مدل سازی فرایند جذب رنگزای اسیدی آبی 62 از محیط های آبی با ترکیب آلی فلزی حاوی آلومینیوم با استفاده از روش های شبکه عصبی مصنوعی، رگرسیون خطی و غیر خطی چندگانه

زمینه و هدف: مدل سازی جذب ترکیبات آلاینده از محیط های آبی با کمترین تعداد آزمایشات، یکی از دغدعه های محققین می باشد. در پژوهش حاضر هدف مدل سازی فرایند جذب رنگزای اسیدی آبی 62 با ترکیب آلی فلزی حاوی آلومینیوم (mil 53(al) nh2) می باشد.مواد و روش ها: در این پژوهش، mil 53(al) nh2 از ماده اولیه 2 آمینو ترفتالیک اسید و نیترات آلومینیوم سنتز شد. پس از بررسی پارامترهای موثر بر جذب رنگزا، از روش های شبکه عصبی مصنوعی(ann)، رگرسیون خطی چندگانه (mlr) و رگرسیون غیرخطی چندگانه (mnlr) برای پیش بینی میزان جذب رنگزا استفاده شده است. یافته ها: نتایج به دست آمده از آنالیز پراش اشعه ایکس (xrd)، میکروسکوپ الکترونی روبرشی گسیل میدانی (fe sem) و طیف سنج مادون قرمز تبدیل فوریه سنتز مناسب mil 53(al) nh2 را نشان داد. شرایط بهینه بصورت 2=ph، زمان60 دقیقه، میزان جاذب 0.02 گرم و دمای 25 درجه سانتیگراد می باشد. بر اساس نتایج ، در مقایسه بین سه روش استفاده شده، مدل شبکه عصبی از بالاترین دقت پیش بینى برخوردار است. خروجی ایجاد شده با استفاده از این مدل در قیاس با مدل های رگرسیون خطی و غیر خطی چندگانه، کمترین جذر میانگین مربعات خطا (rmse)و بیشترین مقدار ضریب همبستگی(cc) با داده های واقعی را دارا می باشد. نتیجه گیری: با توجه به نتایج می توان دریافت که mil 53(al) nh2 یک جاذب کارامد بوده و در ضمن با توجه به کارایى بالاى مدل شبکه عصبى مصنوعى مى توان از این مدل جهت حصول اطمینان از نتایج حذف رنگزا و کاهش هزینه بواسطه کاهش تعداد آزمایشات استفاده کرد.

modeling of adsorption process of acid blue 62 dye on metal organic framework containing aluminum using artificial neural network, multiple linear and nonlinear regression methods

background and purpose: the investigation of the adsorption of pollutantsfrom aquatic environments with the least number of experiments, is one ofthe concerns of researchers. in the present study, the aim is to model theadsorption process of acid dye 62 by a metal organic framework containingaluminum (mil 53(al) nh2).materials and methods: in this study, mil 53(al) nh2 was synthesized fromthe raw material of 2 amino terephthalic acid and aluminum nitrate. afterexamining the effective parameters on dye adsorption, artificial neuralnetwork (ann), multiple linear regression (mlr) and multiple nonlinearregression (mnlr) have been used to predict the amount of dye adsorption.results: the results of xrd, fe sem and ftir analyzes indicated theappropriate synthesis of mil 53(al) nh2. the optimal conditions are: ph=2,time 60 minutes, adsorbent dosage 0.02g and temperature 25°c. accordingto the results, in the comparison between the three used methods, the neuralnetwork model has the highest prediction accuracy. the output of this modelhas the lowest root mean square error (rmse) and the highest correlationcoefficient (cc) with true data in comparison with multiple linear and nonlinearregression models.conclusion: according to the results, it can be seen that the mil 53(al) nh2is an efficient compound and in addition, due to the high efficiency of theartificial neural network model, this model can be used to ensure the resultsof dye removal and reduce costs by reducing the number of experiments.