كارايي شبكه عصبي مصنوعي در مدل سازي فرايند جذب يون سيانيد از محلول آبي توسط نانوجاذب ZnO@MOF-199

Evaluation Of Effectiveness Of The Artificial Neural Network For Modeling The Cyanide Ions Adsorption From Aqueous Solution Using Zno@MOF-199 Nanoadsorbent

سيانيد به عنوان محصول جانبي درپساب صنايع مختلفي وجود دارد كه تصفيه آن قبل از ورود به محيط زيست الزامي است. سيانيد را مي توان با روش هاي مختلف فيزيكي، شيميايي و بيولوژيكي از آب و پساب هاي صنعتي حذف كرد، اما اغلب اين روش ها هزينه بر هستند. هدف از اين مطالعه، بررسي كارايي شبكه عصبي مصنوعي ((ANN براي پيش بيني حذف يون سيانيد موجود در محلول هاي آبي توسط نانو جاذبZnO@MOF-199 است. از نتايج آزمايشگاهي بدست آمده از پارامترهاي مهم و تاثير گذار بر فرايند حذف سيانيد، شامل pH در محدوده (5 تا 9)، زمان تماس در محدوده (30-90 دقيقه) و دما در محدوده (25تا 45) درجه سانتي گراد براي مدل سازي شبكه هاي عصبي مصنوعي پسا انتشار خطا – لونبرگ ماركوارت (BP-LM) استفاده شد. در شبكه مذكور، پارامترهاي ورودي از قبيل pH ، دما، زمان تماس، وزن جاذب و حجم نمونه به عنوان داده هاي ورودي و راندمان حذف سيانيد به عنوان داده خروجي در نظر گرفته شد . براي مقايسه مدل هاي مختلف تدوين شده توسط شبكه عصبي مصنوعي از معيارهاي آماري ضريب همبستگي و مجموع ميانگين مربعات خطا استفاده شد. نتايج حاصل براي ضريب همبستگي و مجموع مربعات خطا با داشتن مقادير 0/985 و0/65، بيانگر پيش بيني موفق شبكه در مدل سازي و كارايي شبكه عصبي مصنوعي در پيش بيني حذف يون سيانيد از محلول مي باشد.

Cyanide is a by-product of various industrial chemical processes found in industrial effluents which must be treated before it is discharged into the environment. Industrial effluents containing cyanide is treated through different methods including physical, chemical and biological processes which are often too expensive.The aim of this study is to evaluate the application of Artificial Neural Network (ANN) in predicting the removal efficiency of cyanide ions from aqueous solutions by Zno@MOF-199 nano-adsorbent. The research data was collected based on laboratorial study of important parameters involved in the Levenberg-Marquardt Back-propagation Artificial Neural Network Model (BP-LM) for prediction of cyanide removal efficiency including pH range from 5 to 9, contact time of 30 to 90 minutes and temperature range from 25 to 45 ºC. Parameters such as pH, temperature, contact time, adsorbent weight and sample volume were considered as input and cyanide removal efficiency as output data. In the comparison of different models, statistical criteria of correlation coefficient and sum of squared errors (SSE) were applied. The obtained results, 0.985 for the correlation coefficient and 0.65 for the sum of squared errors, indicate a successful prediction of the network in modeling as well as the efficiency of neural network in predicting the removal efficiency of cyanide ions from the solution.