زمینه و هدف: کروم در بسیاری از پساب‌های صنعتی به فرم‌های Cr(III) و Cr(VI)یافت میشود. سمیت Cr(III) به مراتب از Cr(VI) کمتر هست. در این مقاله هدف بهینه‌سازی ساختار شبکه عصبی مصنوعی در مدلسازی احیاء فتوکاتالیزوری Cr(VI) توسط نانوذرات TiO2-P25 است.
روش بررسی: در این کار شبکه عصبی مصنوعی (ANN) برای مدلسازی احیاء فتوکاتالیزوری Cr(VI) به Cr(III) توسط نانوذرات P25-TiO2 مورد استفاده قرار گرفته و ساختار آن بهینه‌سازی شده است. پارامترهای عملیاتی مورد مطالعه عبارتند از: غلظت اولیه کروم، غلظت فتوکاتالیزور، زمان تابش نور فرابنفش و pH. فرایند احیاء درون یک فتوراکتور ناپیوسته صورت گرفته و برای اندازه گیری غلظت (Cr(VI از دستگاه اسپکتروفتومتر UV/Vis استفاده شده است. محاسبات ANN با استفاده از نرم افزار Matlab 7 و جعبه ابزار ANN انجام شده است.
یافته ها: نتایج نشان می‌دهد که بهینه‌سازی ساختار ANN و استفاده از الگوریتم و توابع انتقال مناسب می‌تواند کارایی شبکه را بهبود بخشد. نتایج حاصله با توجه به ضریب همبستگی مناسب (0/9886) و خطای میانگین کوچک (0/00018) نشان می دهد که عملکرد شبکه عصبی پیشنهادی برای مدلسازی فعالیت نانوذرات P25-TiO2 در احیاء Cr(VI)، قابل قبول است. نتایج نشان می‌دهد که همه پارامترها بر روی احیاء فتوکاتالیزوری Cr(VI) تاثیر دارند، اما تاثیر pH با 34/15 درصد سهم بیشتر از پارامترهای دیگر است. بیشترین احیاء فتوکاتالیزوری Cr(VI) درpH برابر با 2 رخ می دهد و افزایش دو پارامتر مقدار فتوکاتالیزور و زمان تابش نور در محدوده مورد مطالعه سبب افزایش احیاء Cr(VI) می شوند.
نتیجه‌گیری: ساختار بهینه ANN عبارت است از یک شبکه سه لایه پیشخور پس انتشار با توپولوژی 4:10:1 و مناسب ترین الگوریتم، الگوریتم پس انتشار گرادیان مزدوج هست.
