Iranian Journal of Health and Environment

fa کاربرد شبکه های عصبی مصنوعی در مدل سازی احیاء فتوکاتالیزوری Cr(VI) توسط نانوذرات تیتانیوم دی‌ اکسید: بهینه‌سازی ساختار شبکه عصبی مصنوعی Application of artificial neural networks in the modeling of photocatalytic reduction of Cr(VI) by titanium dioxide nanoparticles: optimization of artificial neural network structure تصفیه آب تصفیه آب پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Background and Objective: Chromium is present in two oxidation forms of Cr(III) and Cr(VI). Cr(III) is less toxic than Cr(VI). The aim of this article was to optimize an artificial neural network structure in modeling the photocatalytic reduction of Cr(VI) by TiO2-P25 nanoparticles. Materials and Methods: In this work, an artificial neural network (ANN) for the modeling photocatalytic reduction Cr(VI) by TiO2-P25 nanoparticles were used and its structure was optimized. The operating parameters were initial concentration of chromium, amount of photocatalyst, ultraviolet light irradiation time and pH. All the experiments were conducted in a batch photoreactor. The Cr(VI) concentration was measured with a UV/Vis spectrophotometer. ANN calculations were performed using Matlab 7 software and the ANN toolbox. Results: The results show that the optimization of the ANN structure and the use of an appropriate algorithm and transfer function could significantly improve performance. The proposed neural network in modeling the photoactivity of TiO2-P25 nanoparticles in reducing Cr(VI) was acceptable, based on a good correlation coefficient (0.9886) and a small mean square error (0.00018). All the input variables affected the reduction of Cr(VI), however the effect of pH with an impact factor of 34.15 % was more significant than the others. The results indicated that pH = 2 was the best pH for photocatalytic reduction of Cr(VI). Increasing photocatalyst dosage and irradiation time in the investigated range increased Cr(VI) photocatalytic reduction. Conclusion: Optimized structure of the ANN includes a three-layer feed-forward back propagation network with 4:10:1 topology and the most appropriate algorithm is a scaled conjugate gradient backpropagation algorithm.  </div> فتوکاتالیز ناهمگن, کروم شش ظرفیتی, نانوذرات تیتانیوم دی ‌ اکسید, شبکه عصبی مصنوعی, بهینه‌سازی ساختار Heterogeneous photocatalysis, Chromium (VI), Titanium dioxide nanoparticles, Artificial neural network, Structure optimization 183 196 http://ijhe.tums.ac.ir/browse.php?a_code=A-10-1330-1&slc_lang=fa&sid=1 M Sabonian مریم صابونیان maryam_saboonian@yahoo.com No Department of Chemistry, Faculty of Science, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه شیمی، دانشکده علوم پایه، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران MA Behnajady محمدعلی بهنژادی behnajady@gmail.com Yes Department of Chemistry, Faculty of Science, Tabriz Branch, Islamic Azad University, Tabriz, Iran گروه شیمی، دانشکده علوم پایه، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران