کاربرد روش ANN-GA برای بهینهسازی و مدلسازی حذف فلزات سنگین توسط کامپوزیت پکتین- نانو Fe3O4
First Statement of Responsibility
آرزو محمودیاندریان
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
مهندسی شیمی
Date of Publication, Distribution, etc.
۱۴۰۱
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۷۴ص.
Accompanying Material
سی دی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
شیمی کاربردی
Date of degree
۱۴۰۱/۰۶/۱۵
SUMMARY OR ABSTRACT
Text of Note
در عصر پیشرفت مطالعات علمی، در همه زمینهها به علت هزینههای زیاد کاری و همچنین کمبود وقت و انرژی، نیاز به استفاده از مدلهای بهینهسازی براي استفاده سریعتر و قابلاعتمادتر از دادهها و اطلاعات فراهمشده، گسترشداده است. هدف اصلی این پژوهش، مدلسازی اثر پارامترها در حذف فلز سنگین کادمیوم با كاربرد شبکهی عصبی مصنوعی بود. شبکهی عصبی مجزا برای پیشبینی این تحقیق مدنظر قرارگرفت. نتیجههای مدلسازی با دقت بسیار خوب، خطای متوسط مطلق، خطای متوسط نسبی و خطای احتمالی بین دادههای واقعی و مقادیر پیشبینی شد. پس از مدلسازی، از الگوریتم ژنتیک بهمنظور یافتن شرایط عملیاتی بهینه مورداستفاده قرار گرفت. در این مطالعه برای بررسی پارامترهای تاثیرگذار در فرآیند حذف کادمیوم توسط روش جذب و با بکارگیری جاذب کامپوزیتی پکتین- نانو Fe3O4 از روش طراحی آزمون به روش RSM-CCD بهره گرفته می شود. در ادامه شرایط آزمون با مطالعات تجربی انجام گرفته شده و در نهایت ماتریس ورودی شامل طراحی آزمون و ماتریس خروجی شامل نتایج تجربی بدست آمده برای آموزش شبکه عصبی به کارگرفته شده است. ضریب همبستگی محاسبه شده در این شرایط برایValidation ، Test، Training مورد بررسی قرار گرفت. برای اطمینان از نتایج، تست کراس ولیدیشن با 7 قسمت انجام گرفته و نزدیک بودن مقادیر خطا موید صحت مدل سازی است. در نهایت تابع مدل سازی شده به عنوان تابع ورودی الگوریتم ژنتیک بکار گرفته شد. نزدیک بودن اعداد حاصل از آزمایشات تجربی و شبکه عصبی و الگوریتم ژنتیک نشان دهنده ی موفقیت پروژه حذف یون فلزی کادمیوم با استفاده از شبکه عصبی می باشد.
Text of Note
In the era of advancement of scientific studies, in all fields due to the high costs of work as well as the lack of time and energy, the need to use optimization models for faster and more reliable use of the provided data and information has expanded.The main goal of this research was to model the effect of parameters in the removal of heavy metal cadmium using artificial neural network. Separate neural network was considered for prediction in this research. The modeling results showed very good accuracy, absolute average error, relative average error and probable error between actual data and predicted values. After modeling, the genetic algorithm was used to find the optimal operating conditions.In this study, to investigate the influencing parameters in the process of cadmium removal by absorption method and using pectin-nano Fe3O4 composite adsorbent, RSM-CCD test design method is used. In the following, the test conditions were conducted with experimental studies, and finally, the input matrix including the test design and the output matrix including the experimental results obtained were used for neural network training. The correlation coefficient calculated in these conditions was examined for Validation, Test, and Training. To ensure the results, the cross-validation test was performed with 7 parts and the closeness of the error values confirms the correctness of the modeling. Finally, the modeled function was used as the input function of the genetic algorithm. The closeness of the numbers obtained from the experimental tests and the neural network and the genetic algorithm indicate the success of the cadmium metal ion removal project using the neural network
OTHER VARIANT TITLES
Variant Title
Application of ANN-GA method for optimization and modeling of heavy metal removal by pectin-nano Fe3O4 composite