fa استفاده از شبکه‌های عصبی مصنوعی (ANN) در مدلسازی جذب بیولوژیکی فلز کروم (VI) از محلول های آبی فاضلاب wastewater پژوهشي Research <p dir="RTL"><strong>زمینه و هدف:</strong> در این تحقیق میزان حذف فلز کروم شش ظرفیتی از محلول&shy; های آبی با استفاده از جاذب بیولوژیکی لجن دفعی فاضلاب&shy; های شهری مطالعه شد. همچنین کارایی شبکه&shy; های عصبی در پیش&shy;بینی جذب بیولوژیکی مورد بررسی قرار گرفت.</p> <p dir="RTL"><strong>روش بررسی:</strong> تاثیر پارامترهای غلظت اولیه، دز جاذب، <span dir="LTR">pH</span>، سرعت و&nbsp; زمان اختلاط در راکتور ناپیوسته بر جذب کروم بررسی و قسمتی از نتایج آزمایشگاهی توسط شبکه عصبی پس انتشار پیش خور مدلسازی شد و بخش دیگری از نتایج برای سنجش دقت مدل شبیه&shy; سازی شد. بهینه&shy; سازی تابع انتقال و تعداد نورون&shy; های لایه مخفی انجام شد.</p> <p dir="RTL"><strong>یافته‌ها:</strong> شرایط بهینه در غلظت اولیه<span dir="LTR">mg/L</span>&nbsp; 90‌، دز جاذب<span dir="LTR"> ,pH= 2 ,4g/L </span>سرعت اختلاط 200<span dir="LTR">rpm&nbsp;</span> و زمان اختلاط&nbsp; 120<span dir="LTR">min</span> حاصل شد و حداکثر میزان حذف 96% و حداکثر ظرفیت جذب <span dir="LTR"> </span>41/69<span dir="LTR">mg/g&nbsp;</span> بدست آمد. سینتیک جذب کروم با مدل شبه مرتبه دوم و ایزوترم جذب آن با مدل فروندلیچ تطابق دارد. در شبکه عصبی طراحی شده بهترین تابع انتقال در لایه &shy;های مخفی و خروجی تابع تانژانت سیگموئید و تعداد نورون بهینه برابر 13 عدد تعیین شد. خروجی مدل با بردار هدف همبستگی (0/984=<span dir="LTR">R</span>) مناسبی دارد<span dir="LTR">.</span> شبیه&shy; سازی انجام شده با مدل شبکه عصبی، تطابق مناسبی با نتایج آزمایشگاهی دارد.</p> <p dir="RTL"><strong>نتیجه</strong><strong><span dir="LTR">‌</span></strong><strong>گیری:</strong> لجن دفعی مورد استفاده در این تحقیق قادر به حذف کروم از محیط&shy; های آبی است. استفاده از شبکه عصبی پس &shy;انتشار، تابع آموزش<span dir="LTR">Levenberg-Marquardt </span>، تابع انتقال تانژانت سیگموئید در لایه&shy; های مخفی و خروجی و تعداد نورون های بین 1/6 تا 1/8 داده&shy; های ورودی، نتایج مناسبی برای پیش بینی فرایند جذب در پی خواهد داشت.</p> <p><strong>Background and Objectives</strong><span dir="RTL">:</span> In this work, biosorption of hexavalent chromium from aqueous solution with excess municipal sludge was studied. Moreover, the performance of neural networks to predict the biosorption rate was investigated.</p> <p><strong>Materials and Methods</strong><span dir="RTL">:</span> The effect of operational parameters including initial metal concentration, initial pH, agitation speed, adsorbent dosage, and agitation time on the biosorption of chromium was assessed in a batch system. A part of the experimental results was modeled using Feed-Forward Back propagation Neural Network (FFBP-ANN). Another part of the test results was simulated to assess the model accuracy. Transfer function in the hidden layers and output layers and the number of neurons in the hidden layers were optimized.</p> <p><strong>Results</strong><span dir="RTL">:</span> The maximum removal of chromium obtained from batch studies was more than 96% in 90 mg/L initial concentration, pH 2, agitation speed 200 rpm and adsorbent dosage 4 g/L. Maximum biosorption capacity was 41.69 mg/g. Biosorption data of Cr(VI) are described well by Freundlich isotherm model and adsorption kinetic followed pseudo-second order model. &nbsp;Tangent sigmoid function determined was the most appropriate transfer function in the hidden and output layer. The optimal number of neurons in hidden layers was 13. Predictions of model showed excellent correlation (R=0.984) with the target vector. Simulations performed by the developed neural network model showed good agreement with experimental results.</p> <p><strong>Conclusion</strong><span dir="RTL">:</span> Overall, it can be concluded that excess municipal sludge performs well for the removal of Cr ions from aqueous solution as a biological and low cost biosorbent. FFBP-ANN is an appropriate technique for modeling, estimating, and prediction of biosorption process If the Levenberg-Marquardt training function, tangent sigmoid transfer function in the hidden and output layers and the number of neurons is between 1.6 to 1.8 times the input data, proper predication results could be achieved.</p> جذب بیولوژیکی, فلز کروم, مدلسازی با شبکه عصبی, لجن دفعی, ایزوترم فروندلیچ biosorption, Chromium (VI), neural network modeling, Excess municipal sludge, Freundlich isotherm 433 446 http://ijhe.tums.ac.ir/browse.php?a_code=A-10-657-1&slc_lang=fa&sid=1 F Mohammadi فرزانه محمدی fm_1363@yahoo.com Yes Ph.D. student of environmental health engineering, school of health, Isfahan University of medical sciences دانشجوی دکتری مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی اصفهان S Rahimi سمیه رحیمی No Ph.D. student of environmental health engineering, school of health, Isfahan University of medical sciences دانشجوی دکتری مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی اصفهان Z Yavari زینب یاوری No Ph.D. student of environmental health engineering, school of health, Isfahan University of medical sciences دانشجوی دکتری مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی اصفهان