۷۰۸

Modeling of the bio-sorption process of copper and manganese contaminants using artificial neural network and genetic algorithm methods

كارشناسي ارشد

مهندسي شيمي

تهران شمال

۱۳۹۷

۱۳۹۷/۴/۶

۱۷

۸۵ص.

محمديان گزاز، سميه

۸۴-۸۹ص.

Modeling , Artificial Neural Network (ANN) , Genetic Algorithm

همگام با گسترش فعاليت¬هاي صنعتي و ازدياد جمعيت، ورود فلزات سنگين به محيط¬هاي آبي به مقدار زيادي افزايش يافته است، اين آلاينده¬ها به دليل سميت و توانايي تجمع زيستي در جانداران مي¬توانند منجر به تاثيرات نامطلوب زيادي گردند، باكتري¬ها از جمله¬ ميكروارگانيسم¬هايي هستند كه به دليل سازگاري با طبيعت و نسبت سطح به حجم بالا براي جذب يون هاي فلزي از محيط مناسب هستند. لذا در اين تحقيق به مدل سازي حذف فلزات مس و منگنز باكمك شبكه عصبي مصنوعي است. شبكه عصبي مصنوعي (ANN) ايده‌اي است براي پردازش اطلاعات كه از سيستم عصبي زيستي الهام گرفته شده است و مانند مغز به پردازش اطلاعات مي‌پردازد. عنصر كليدي اين ايده ساختار جديد سيستم پردازش اطلاعات است. اين سيستم از شمار زيادي عناصر پردازشي فوق العاده به هم پيوسته بنام نرون تشكيل شده است كه براي حل يك مساله بطور هماهنگ با يكديگر عمل مي‌كنند. شبكه‌هاي عصبي مصنوعي نظير انسان با مثال ياد مي‌گيرند. آن‌ها براي وظيفه‌اي مشخص مانند شناسايي الگوها و دسته‌بندي اطلاعات در طول يك پروسه يادگيري تنظيم مي‌شوند. مدل سازي حذف فلزات مس و منگنز با روش شبكه هاي عصبي مصنوعي به عنوان يك روش مدلسازي موثر پرداخته شده است، در غلظت¬هاي ثابت از جاذب ميزان جذب هر دو يون مس و منگنز توسط باكتري با افزايش دما و تغييرات pH افزايش يافته است، لذا با ثابت در نظر گرفتن pH افزايش جذب با افزايش غلظت جاذب مشهود بود، طوري كه بيشترين جذب در غلظت 5/1 از جاذب و 6=pH در دماي Cₒ 50 اتفاق افتاد. با تحليل نتايج با استفاده از روش ANNنتايج فوق تائيد شد. به طوري كه مقادير پيش بيني مدل و مقادير تجربي، هم خواني مناسبي با هم نشان دادند و مي توان گفت نتايج آزمايشگاهي و مدلسازي بسيار به هم نزديك بوده و اختلاف اين دو نسبت به هم، انحراف كمي را نشان دادند.

47426