مدل سازي فرآيند اكسايش فوتو شيميايي تركيبي (UV/PS/Ce(IV به روش شبكه عصبي مصنوعي

Modelling of hybrid photochemical oxidation process of UV/PS/Ce(IV) via artificial neural network method

از ديدگاه كاربردي، يك مدل كارآمد جهت شبيه سازي اجراي يك فرآيند مي تواندنقش مهمي در كنترل آن در شرايط عملكردي مطلوب ايفا نمايد. در يژوه حاضر نتايخ حاصل از تخريب ماده دايركت رد 16 DR16 توسط يك فرآيند فوتوشيميايي تركيبي در حضور يرسولفات PS به عنوان اكسنده فوتوشيميايي و يون سريم (Ce(IV)) عنوان اكسنده شيميايي از طريق روش شبكه عصبي مصنوعي ANN مدلسازي گرديده است. به اين منظور يك شبكه سه لايه اي متشكل از يك لايه ورودي ، يك لايه پنهاني و يك لايه خروجي در نظر گرفته شد. pH محيط، نسبت اوليه مقدار هركدام از اكسنده ها به DR16 و زمان واكنش به عنوان متغيرهاي ورودي به شبكه و ميزان بازده تخريب DR16 به عنوان ياسخ خروجي ازشبكه تعريف گرديدند. نوع الگوريتم هاي آموزشي و توابع انتقال، تعداد نرون هاي لايه پنهان و تعداد تكرار آموزش به عنوان يارامترهاي بهينه سازي ساختار شبكه براي رسيدن به بهترين شبيه سازي فرآيند بودند. معيار كمترين ميانگين مربعات خطا MSE جهت انتخاب بهترين مدل بكار رفت. نتايخ نشان داد كه شبكه اي با بكارگيري الگوريتم اموزشي( Levenberg–Marquardt (trainlm توابع انتقال tansig تعداد 7 عدد نرون پنهان و دويست تكرار در يادگيري توانست بهترين شبيه سازي داده هاي تجربي را اجرا نمايد. همچنين بر اساس ماتريكس اوزان اتصالات نرون هاي شبكه ، ترتيب اهميت نسبي متغيرهاي ورودي بر ياسخ خروجي شبكه به صورتtime>[Ce]0/[DR16]0>[PS]0/[DR16]0>pH تعيين گرديد.

From applied point of view, an efficient model to simulate operation of a process can play important role in the control of process at its desired operation conditions. In the present research, the results of degradation of direct red 16 (DR16) by a hybrid photochemical process in presence of persulfate (PS) as photochemical oxidant and Ce(IV) as chemical oxidant has been modeled via artificial neural network (ANN) method. In this order a three layered network consist of one input, one hidden and one output layer was considered. pH of media, initial ratio of each oxidant dosage to the pollutant and the reaction time were as input variables, and degradation efficiency of the DR16 was as output variable. Type of learning algorithm and transfer functions, number of hidden layer neurons, iteration number of the network learning were applied as optimization parameters of the network structure for achieving to the best simulation of the process. The least mean square errors (MSE) criterion was used to choose the best model. The results showed a network using Levenberg-Marquardt (trainlm) learning algorithm, tansig transfer functions, 7 hidden neurons and 200 iterations in the calibration could perform best simulation of the experimental data. Also based on the weights matrix of the network neuron connections, the order of relative importance of the input variables on the output response was determined as time>[Ce]0/[DR16]0>[PS]0/[DR16]0>pH