كاربرد شبكه هاي عصبي مصنوعي در مدل سازي احياء فتوكاتاليزوري Cr(VI) توسط نانوذرات تيتانيوم دي‌ اكسيد: بهينه‌سازي ساختار شبكه عصبي مصنوعي

Application of artificial neural networks in the modeling of photocatalytic reduction of Cr(VI) by titanium dioxide nanoparticles: optimization of artificial neural network structure

زمينه و هدف: كروم در بسياري از پساب‌هاي صنعتي به فرم‌هاي (Cr(III و (Cr(VI يافت مي­ شود. سميت (Cr(III به مراتب از (Cr(VI كمتر هست. در اين مقاله هدف بهينه‌سازي ساختار شبكه عصبي مصنوعي در مدل­سازي احياء فتوكاتاليزوري (Cr(VI توسط نانوذرات TiO2-P25 است. روش بررسي: در اين كار شبكه عصبي مصنوعي (ANN) براي مدل‌سازي احياء فتوكاتاليزوري (Cr(VI به (Cr(III توسط نانوذرات P25-TiO2 مورد استفاده قرار گرفته و ساختار آن بهينه‌سازي شده است. پارامترهاي عملياتي مورد مطالعه عبارتند از: غلظت اوليه كروم، غلظت فتوكاتاليزور، زمان تابش نور فرابنفش و pH. فرايند احياء درون يك فتوراكتور ناپيوسته صورت گرفته و براي اندازه­ گيري غلظت (Cr(VI از دستگاه اسپكتروفتومتر UV/Vis استفاده شده است. محاسبات ANN با استفاده از نرم­ افزار Matlab 7 و جعبه ابزار ANN انجام شده است. يافته­ ها: نتايج نشان مي‌دهد كه بهينه‌سازي ساختار ANN و استفاده از الگوريتم و توابع انتقال مناسب مي‌تواند كارايي شبكه را بهبود بخشد. نتايج حاصله با توجه به ضريب همبستگي مناسب (0/9886) و خطاي ميانگين كوچك (0/00018) نشان مي ­دهد كه عملكرد شبكه عصبي پيشنهادي براي مدل‌سازي فعاليت نانوذرات P25-TiO2 در احياء (Cr(VI، قابل قبول است. نتايج نشان مي‌دهد كه همه پارامترها بر روي احياء فتوكاتاليزوري (Cr(VI تاثير دارند، اما تاثير pH با 34/15 درصد سهم بيشتر از پارامترهاي ديگر است. بيشترين احياء فتوكاتاليزوري (Cr(VI درpH برابر با 2 رخ مي­ دهد و افزايش دو پارامتر مقدار فتوكاتاليزور و زمان تابش نور در محدوده مورد مطالعه سبب افزايش احياء (Cr(VI مي­ شوند. نتيجه‌گيري: ساختار بهينه ANN عبارت است از يك شبكه سه لايه پيش­خور پس­ انتشار با توپولوژي 4:10:1 و مناسب­ ترين الگوريتم، الگوريتم پس­ انتشار گراديان مزدوج هست.

Background and Objective: Chromium is present in two oxidation forms of Cr(III) and Cr(VI). Cr(III) is less toxic than Cr(VI). The aim of this article was to optimize an artificial neural network structure in modeling the photocatalytic reduction of Cr(VI) by TiO2-P25 nanoparticles. Materials and Methods: In this work, an artificial neural network (ANN) for the modeling photocatalytic reduction Cr(VI) by TiO2-P25 nanoparticles were used and its structure was optimized. The operating parameters were initial concentration of chromium, amount of photocatalyst, ultraviolet light irradiation time and pH. All the experiments were conducted in a batch photoreactor. The Cr(VI) concentration was measured with a UV/Vis spectrophotometer. ANN calculations were performed using Matlab 7 software and the ANN toolbox. Results: The results show that the optimization of the ANN structure and the use of an appropriate algorithm and transfer function could significantly improve performance. The proposed neural network in modeling the photoactivity of TiO2-P25 nanoparticles in reducing Cr(VI) was acceptable, based on a good correlation coefficient (0.9886) and a small mean square error (0.00018). All the input variables affected the reduction of Cr(VI), however the effect of pH with an impact factor of 34.15 % was more significant than the others. The results indicated that pH = 2 was the best pH for photocatalytic reduction of Cr(VI). Increasing photocatalyst dosage and irradiation time in the investigated range increased Cr(VI) photocatalytic reduction. Conclusion: Optimized structure of the ANN includes a three-layer feed-forward back propagation network with 4:10:1 topology and the most appropriate algorithm is a scaled conjugate gradient backpropagation algorithm.