این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
شیمی و مهندسی شیمی ایران، جلد ۴۲، شماره ۲، صفحات ۲۶۱-۲۷۷
عنوان فارسی مدل‌سازی حذف سفیکسیم به روش فنتون با شبکه عصبی مصنوعی
چکیده فارسی مقاله هدف از این پژوهش‌، مدل‌سازی راندمان حذف سفیکسیم به روش فنتون و با استفاده از شبکه عصبی است. ﺷﺒﮑﻪﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺗﻮاﻧﺎیﯽ ﺑﺎﻻیی در ﭘﯿﺶﺑﯿﻨﯽ نتیجه‌های ﺗﺠﺮﺑﯽ دارد. در این مدل‌سازی مقدار هیدروژن پراکسید، کاتالیست  آهن، مدت زمان حذف سفیکسیم، غلظت اولیه سفیکسیم وpH  پارامترهای ورودیﻫﺎی ﺳﯿﺴﺘﻢ و درﺻﺪ حذف سفیکسیم به ﻋﻨﻮان ﺧﺮوﺟﯽ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪه است. ﺷﺎﺧﺺﻫﺎی ﻋﻤﻠﮑﺮد شامل: مجموع مربع‌های خطا (SSE)، جذر متوسط مربع‌های خطا (RMSE)، ضریب تعیین تعدیل شده () و ضریب تعیین   در تعیین تعداد نرون­ های بهینه میانی به‌کار رفته است. با توجه به نتیجه‌های به دست آمده، مدل شبکه عصبی توانست بازده جذب را با تابع انتقال تانژانت سیگموییدی در لایه پنهان و تابع انتقال محرک خطی در لایه خروجی پیش‌بینی کند.  همچنین نتیجه‌های مدل‌سازی شبکه عصبی با  اﻟﮕﻮریﺘﻢ ﻟﻮﻧﺒﺮگ-ﻣﺎرﮐﻮآرت نشان داد که شبکه­ با چیدمان  1-13-5 (5 نرون در لایه ورودی،13 نرون در لایه پنهان و 1 نرون در لایه خروجی) بهترین نتیجه را در پیش‌بینی خروجی­ و ﺣﺪاﻗﻞ ﺧﻄﺎ دارا می‌باشد. ضریب همبستگی ﻣﺪل ﻣﺮﺑﻮط ﺑﻪ ﻗﺴﻤﺖهای آﻣﻮزش، اﻋﺘﺒﺎرسنجی و ﺗﺴﺖ ﺑﻪ ﺗرتیب 99436/0، 99993/0 و 96901/0 به‌دست آمد که این نتیجه‌ها حاکی از دﻗﺖ زیاد روش ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ در ﭘﯿﺶﺑﯿﻨﯽ دادهﻫﺎی آزمایشگاهی حذف سفیکسیم از محلول آبی است. برای پیش‌بینی روند تغییرها از ابزار شبکه عصبی در نرم افزار MATLAB استفاده شده است.
کلیدواژه‌های فارسی مقاله فنتون، جذب سطحی، نانولوله کربنی، شبکه عصبی، بهینه‌سازی،
عنوان انگلیسی Modeling of Remove Cefixime by Fenton Method with Artificial Neural Network
چکیده انگلیسی مقاله The aim of this study was to model the removal efficiency of cefixime by the Fenton method using a neural network. This model predicts experimental results well. In this model, the amount of hydrogen peroxide, iron catalyst, cefixime removal time, initial concentration of cefixime, and pH are the input parameters. The output variable is the removal percentage of cefixime. Total error squares (SSE), mean the square root of error (RMSE), adjusted coefficient of determination (), and coefficient of determination   in determining the number of optimal neurons in the middle of the performance index. According to the obtained results, the neural network model was able to predict the absorption efficiency with the sigmoid tangent transfer function in the hidden layer and the linear stimulus transfer function in the output layer. Also, the results of modeling the neural network with org-art showed that the grid with a 1-13-5 arrangement (5 neurons in the input layer, 13 neurons in the hidden layer, and 1 neuron in the output layer) had the best result in predicting the output. The correlation coefficients of all the levels of training, validation, and test 0.3 were 0.99436, 0.9993, and 0.96901, respectively. To predict the trend of changes, neural network tools have been used in MATLAB software.
کلیدواژه‌های انگلیسی مقاله فنتون, جذب سطحی, نانولوله کربنی, شبکه عصبی, بهینه‌سازی
نویسندگان مقاله مهناز یاسمی |
گروه مهندسی شیمی، واحد ایوان غرب، دانشگاه آزاد اسلامی، ایوان غرب، ایران

زهرا معافی |
گروه مهندسی شیمی، واحد ایلام، دانشگاه آزاد اسلامی، ایلام، ایران

نشانی اینترنتی https://www.nsmsi.ir/article_249215_fc5ad390c6e3a046513d59fdb0b34d00.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات