مقايسۀ مدل‌سازي روش‌هاي شبكۀ عصبي و RSM فرايند استخراج از صفحات مدارچاپي تلفن همراه به‌وسيلۀ افشرۀ ليمو

Neural Network Modeling of the Process of Extraction from Mobile Printed Circuit Boards by Lemon Juice Organic Acids

در اين پژوهش، مقايسۀ ميان روش‌هاي شبكۀ عصبي و سطح پاسخ در فرايند بيواسيد ليچينگ بر پايۀ استفاده از افشرۀ ليمو براي استخراج فلزات مس و روي از صفحات مدارچاپي تلفن همراه بررسي شده است. سه شاخصۀ مهم چگالي پسماند، غلظت هيدروژن پراكسيد و غلظت افشرۀ ليمو بررسي شد. براي بهينه‌سازي شاخصه‌هاي مؤثر از روش سطح پاسخ (RSM) استفاده شد. نتايج نشان داد كه براي ذراتي با اندازۀ 150 تا μm 180 در دماي ثابت20 درجه سلسيوس و زمان 4h در شرايط بهينه شامل چگالي پسماند(w/v) 1/4% غلظت هيدروژن پراكسيد(v/v) 12/2% و غلظت افشرۀ ليمو (v/v) 74%، بازده بازيابي فلزات مس و روي به‌ترتيب 89% و 73% است. هم‌چنين از شبكۀ عصبي مصنوعي براي پيش‌بيني ميزان استخراج فلزات مس و روي به‌عنوان تابعي از شاخصه‌هاي موردبررسي استفاده شد. براي اعتبارسنجي مدل، يك چهارم داده‌هاي آزمايشگاهي به‌عنوان داده‌هاي ارزيابي در نظر گرفته شد. نتايج مدل‌سازي شبكۀ عصبي دقت بالايي را به‌منظور پيش‌بيني متغير هدف نشان داد؛ به‌طوري‌كه مقادير خطاي MRE، MSE و R2 به‌ترتيب 9/485%، 15/254 و 0/9356 براي مدل پيش‌بيني كنندۀ استخراج مس و 1/854%، 1/094 و 0/9963 براي مدل پيش‌بيني كنندۀ استخراج روي به‌دست آمد.

In this study, the application of bio-acid leaching method based on the use of lemon juice to extract copper and zinc metals from mobile printed circuit boards has been investigated. Three important factors were investigated include lemon juice concentration, Solid / Liquid (S/L) ratio, and hydrogen peroxide (H2O2) concentration. Response surface methodology (RSM) was used to optimize the effective factors. The results showed that for particles with a size of 150 to 180 μm at a constant temperature of 20 ° C and time 4 h under optimal conditions including 1.41% (w/v) S/L ratio, 12.2% (v/v) H2O2 and 74% (v/v) lemon juice, copper and zinc recovery efficiencies are 89% and 73%, respectively. Moreover, the artificial neural network was used to predict the extraction of copper and zinc metals as a function of the studied factors. To validate the model, laboratory results were considered as evaluation data. The results of neural network modeling showed high accuracy to predict the target variable. The values of MRE, MSE, and R2 were 9.485, 15.254, and 0.9356% for the copper extraction model and 1.854%, 1.094, and 0.9963% for the zinc extraction model, respectively.