بررسي تصفيه فتوكاتاليستي پساب اسپنت كاستيك صنايع پتروشيمي با استفاده از روش هاي طراحي آزمايش و شبكه عصبي مصنوعي

Investigation of petrochemical industries spent caustic wastewater photocatalitic treatment using DOE & ANN methods

در اين مطالعه، از روش فتوكاتاليستي براي تصفيه پساب اسپنت كاستيك واحدهاي الفين صنايع پتروشيمي كه يكي از پساب هاي صنعتي با (TDS) بالاست، استفاده شده است. براي اين منظور با استفاده از فتوكاتاليست تجاري اكسيد روي به كار گرفته شده در يك فتوراكتور دوجداره و اندازه گيري پارامتر اكسيژن مورد نياز شيميايي (COD)، درصد كاهش اين پارامتر در فرآيند فتوكاتاليستي به كمك روش طراحي آزمايش باكس- بنكن و شبكه عصبي مصنوعي، مورد ارزيابي قرار گرفت. با توجه به محاسبات صورت گرفته مي توان نتيجه گرفت كه شبكه عصبي مصنوعي، روش مناسبتري نسبت به طراحي آزمايش در مدلسازي و پيش بيني مقدار حذف COD بوده است. اين نتايج نشان داد كه افزايش غلظت فتوكاتاليست در حالت pH خنثي، تا مقدار بهينه 1/8 گرم بر ليتر در شرايط بدون محدوديت و 2 گرم بر ليتر در شرايط با محدوديت، موجب افزايش حذف COD به ترتيب به ميزان 79 و 68 درصد گرديد.

In this study, photocatalytic treatment was used to treat spent caustic wastewater of olefin petrochemical plants which is one of industrial wastewater with high total dissolved solids (TDS). For this purpose, by using the synthetic photocatalyst of ZNO and measuring the parameter of the chemical oxygen demand (COD), this parameter decrease percentage in the Photocatalyst process has been evaluated by means of BoxBehnken (BBD) design of experiment (DOE) and the artificial neural network (ANN) in a double-cylindricalshell photo-reactor. According to the implemented calculations, it can be resulted that the artificial neural network is more suitable method than the experimental design in modeling and forecasting the amount of COD removal. Modeling of this research showed that increasing the concentration of photocatalyst in a state of neutral pH, lead to enhance the COD removal till the optimal amount of 1.8 g/L without restrictions and 2 g/L with restrictions in the rate of 79% and 68%, respectively.