توسعه مدل هوشمند مبتنی بر شبکه عصبی مصنوعی به منظور پیش‌بینی میزان جداسازی یون وانادیم از محلول آبی توسط جاذب‌های هیبریدی کربن-آهن

در سال‌های اخیر جاذب‌های هیبریدی مختلف برای بهبود فرآیند جذب سطحی یون‌های آلاینده استفاده شده‌اند. در مطالعه حاضر، یک مدل هوشمند مبتنی بر شبکه عصبی مصنوعی برای پیش‌بینی میزان جداسازی یون وانادیم توسط جاذب هیبریدی کربن- آهن با موفقیت توسعه داده شده است. در مدل پیشنهادی، غلظت نانو ذرات آهن، زمان تماس و ph اولیه محلول به عنوان پارامترهای ورودی و درصد جداسازی وانادیم به عنوان متغیر هدف انتخاب شده است. پس از استخراج داده‌های تجربی از مراجع، توانایی شبکه توسعه یافته در پیش‌بینی میزان جداسازی وانادیم از محلول آبی با محاسبه معیارهای آماری مانند ضریب تخمین (r2) و میانگین مطلق خطای نسبی (aard) و مقایسه نتایج مدل با داده‌های آزمایشگاهی بررسی شده است. مقادیر r2 و aard برای مدل هوشمند پیشنهادی به ترتیب برابر 0.9870 و 2.68٪ به‌دست آمد که نشان دهنده توافق بسیار خوب بین پیش‌بینی‌های مدل و داده‌های تجربی است. همچنین، پارامترهای آماری به‌دست‌آمده موید دقت بسیار بالای مدل توسعه‌یافته در تخمین میزان جداسازی وانادیم توسط جاذب هیبریدی کربن فعال حاوی نانو ذرات آهن است.

developing an intelligent model based on artifical nural network to predict separation of vanadium ion from water solution by iron – carbon hybrid adsorbents

in recent years, various hybrid adsorbents have been applied to improve the performance of the pollutant ions adsorption. in the present study, an intelligent model based on artificial neural nework has been successfully developed to predict the separation of vanadium ions on to carbon – iron hybrid adsorbent. in the proposed smart model, concentration of iron nanoparticles, contact time and solution initial ph have been chosen as input parameters and vanadium removel percentage has been selected as target variable. after extracting experimental data from literature, the reliability and accuracy of the developed network has been investigated by calculation of statistical criteria such as coefficient of determination (r2) and average absolute relative deviation (aard) and comparison of modeling results with empirical data. the values of r2 and aard for proposed smart model were 0.9870 and 2.68%, respectively, which demonstrate the excelent agreements between model predictions and applied empirical data. the obtained statististical parameters reveal the high accuracy of developed intelligent model to estimate vanadium separation by hybrid adsorbent of activated carbon containing iron nanoparticles.