جداسازي و پيش تغليظ مقادير ناچيز يون آهن با استفاده از مولكول نگاري پليمري و كاربرد شبكه عصبي مصنوعي در پيشگويي بازده استخراج آن

Separation and pre-concentration of trace quantities of iron ions using molecularly imprinted polymer and its application of artificial neural networks for predicting the extraction yield

در اين مطالعه، يك روش مدل سازي جديد روي شبكه عصبي مصنوعي سه لايه اي (ANN) براي پيشگويي بازده استخراج يونهاي آهن از نمونه هاي حقيقي توسط استخراج با مولكول نگاري پليمري بكار رفت. داده هاي ورودي مدل شبكه عصبي مصنوعي سه لايه اي ( pH، ( ANN زمان جذب و واجدب، مقدار ليگاند و حجم محلول و خروجي آن بازده استخراج بود. نتايج نشان داد كه شبكه با 3 نرون مخفي صحت زيادي در پيشگويي بازده استخراج يون هاي آهن در نمونه هاي حقيقي دارند. ميانگين خطاي مربعات و ضريب همبستگي بين داده هاي تجربي و پيشگويي هاي 0/0036 و 96428/ براي آموزش، 0/0020 و 96232/. براي ارزيابي و 0/0004 و 9962/. براي داده هاي آزمايش تعيين شد. حد تشخيص روش پيشنهادي 1-L μg. 3/1 بود. گستره خطي ديناميكي در محدوده 200 تا ug. L2 1000 بدست آمد. انحراف استاندارد نسبي (RSD) كمتر از 8/8% بود. روش براي بازيابي و تعيين آهن در چند نمونه حقيقي مختلف بكار گرفته شد.

In this study, a new modeling method based on three-layer artificial neural network (ANN) techniques has been employed to predict the extraction yield of iron from real samples by means of molecularly imprinted polymer. Input variables of the model were pH, absorption and desorption time, ligand amount and volume of solution while the output was extraction yield of iron ions. The mean squared error and correlation coefficient between the experimental data and the ANN predictions were determined as 0.0036 and 0.96428 for training, 0.0020 and 0.96232 for validation and 0.0004 and 0.9962 for testing data sets. The detection limit of the proposed method was 3.1 &mug. L-1. Dynamic linear range in the range of 200-1000 &mug. L-1 was obtained. The relative standard deviation was found to be below 8.8%. The method was applied to the recovery and determination of Fe in a few different real samples.