222

Application of Artificial Neural Network in Modeling removal of heavy metals from water by phytoremediation

كارشناسي ارشد

شيمي، بيوتكنولوژي

تهران شمال

95

95/3/11

18/75

143ص

خوشحال، عباس

141-135ص

phyporemediation , havy metal , modeling

فلزات سنگين از جمله آلاينده‏هاي زيست محيطي هستند كه ارتباط انسان با بعضياز آنها از طريقآب ومواد غذايي مي‏تواند مسمويت‏هاي مزمنوبعضاً حاد ايجاد نمايند.از جمله آنان مي‏توان بهفلزاتي نظير سرب، كادميوم، جيوه، نيكل، روي، آلومينويم، آرسنيك، مس و آهن اشاره كرد. ازميانروشهاييكهبرايپالايشوپاكسازيمكانهايآلودهبهكارميرود،گياهپالاييبهعنوانيكگزينهمقرونبهصرفهوسازگاربامحيطزيستمطرحشدهاست. گياهپالاييبهگروهيازفنآوريهاكهازگياهانبرايكاهش،حذف،تجزيهوتثبيتسمومزيستمحيطيبويژهسمومدارايمنشاءآنتروپوژنيك (انسانپديدي) باهدفاحيايزمينوايجادشرايطقابلاستفادهدركاربردهايشخصيوعموميآناطلاقميگردد. اينفرآيندهاعمدتاًدراستفادهازگياهاندرتسريعتجزيهآلايندههايآليومعمولاًبههمراهميكروارگانيسمهايريشهياحذففلزاتسنگينوخطرناكازخاكياآبتمركزدارند. به منظور صرفه جويي اقتصادي و جلوگيري از تكرار آزمايشات مربوطه كه عموما هزينه بر مي باشند، از مدلسازي فرآيند هاي گياه پالايي مي توان به عنوان ابزاري مطمئن استفاده نمود.از ميان روش هاي مدلسازي، شبكه عصبي مصنوعي داراي دقت و كاربرد زيادي در فرآيند هاي بيوتكنولوژي ميباشد. در اين تحقيق، مدلسازي و بررسيجذبفلزات سنگين مس و سربازآببه روش گياه پالايي با استفاده از شبكه عصبي مصنوعيمورد بررسي قرار گرفته شده است. متغير هاي ورودي شامل pH، مقدار جاذب، زمان جذب و اندازه ذرات و متغير هاي خروجي غلظت مس و سرب جذب شده طي فرآيند مي باشند.از مجموع 30 داده موجود در اين زمينه، دو سوم آن جهت آموزش شبكه و يك سوم باقيمانده به منظور ارزيابي دقت مدلسازي انتخاب گرديد. در آموزش شبكه تابع انتقال مياني tansigو تابع انتقال خروجي purelinوتعداد نورون ها ( يك ) به عنوان بهترين پارامتر ها تعيين گرديد. ميزان خطاي آموزش شبكه 0.0409و خطاي ارزيابي دقت شبكه 0.8992بدست آمد

33661