مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی
Publish Year: 1396
Type: Conference paper
Language: Persian
View: 745
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
CCES03_026
Index date: 26 February 2018
مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی abstract
ضرورت حذف رنگ از پساب صنعت نساجی به عنوان یک مسیله ی مهم زیست محیطی قابل بررسی می باشد. در این مطالعه نتایج تجربی حذف رنگ AR-18 به کمک نانوفوتوکاتالیست TiO2-Ag2O، مدل سازی و بهینه سازی گردید. مقدار کاتالیست، pH، غلظت رنگ و میزان پراکسید هیدروژن، ورودی های سیستم و درصد حذف رنگ به عنوان خروجی در نظر گرفته شد. در این تحقیق شبکه های عصبی مصنوعی در پیش بینی نتایج تجربی، با توجه به توانایی بالای این روش مورد ارزیابی قرار گرفت. شاخص های عملکرد RMSE، R2adj، R2 و SSE در تعیین تعداد نرون های بهینه میانی مورد استفاده قرار گرفت. نتایج نشان داد که ساختار 1-7-4 بهترین حالت با حداقل خطا نسبت به الگوریتم لونبرگ-مارکوآرت می باشد. تابع عملکرد (R) مدل سازی، مربوط به قسمت آموزش، تعیین اعتبار و تست به ترتیب 0.969، 0.996 و 1 حاصل گردید. نتیجه ی حاصل نشان از دقت بالای روش شبکه ی عصبی مصنوعی در پیش بینی داده های تجربی دارد. در نهایت نتایج تجربی با روش شبکه عصبی مصنوعی (ANN) و روش پاسخ سطح (RSM) مقایسه گردید. شبکه عصبی مصنوعی در توافق بهتری با نتایج تجربی نسبت به روش پاسخ سطح گزارش گردید.
مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی Keywords:
مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی authors
اکبر محمدی دوست
گروه مهندسی شیمی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران.
حجت اله مرادی
کارشناس ارشد مهندسی شیمی، دانشگاه رازی کرمانشاه
میلاد مرادی
دانشجوی کارشناسی مهندس کامپیوتر (نرم افزار)، دانشگاه ایلام