Zeitschrift für fortgeschrittene Chemieingenieurwesen

Abstrakt

Künstliche neuronale Netzwerkmodellierung zur Entfernung von Fe(III) aus wässrigen Lösungen unter Verwendung von Chitosan-Magnetit-Nanokompositen (CMNs)

Mini Namdeo, Rama Mehta, Mehta VK und Vijaya Agarwala

Ein zweischichtiges künstliches neuronales Netzwerk (KNN)-Modell wurde entwickelt, um die Sorptionseffizienz von Fe(II)-Partikeln aus einer Flüssigkeitslösung unter Verwendung von Chitosan-Magnetit-Nanokompositen (CMN) zu messen. Die Sorptionslösung wurde durch Auflösen einer vorab berechneten Menge FeCl3 in doppelt gereinigtem Wasser hergestellt, um eine endgültige Konzentration von 100 mgl−1 zu erhalten. Die Stammlösung wurde verdünnt, um Standardlösungen mit einer Konzentration im Bereich von 5 bis 30 mgl−1 zu erhalten, und ihr endgültiger pH-Wert wurde auf 4,5 geändert. 50 Milliliter einer FeCl3-Lösung mit der gewünschten Konzentration wurden in einen 125-ml-Erlenmeyerkolben gegeben, der 0,02 g CMN-Sorbens enthielt. Ein Zeitraum von 3 Stunden erwies sich als ausreichend, um die Stabilität zu erreichen. Das KNN-Modell sollte die Sorptionseffizienz von CMNs für Zielmetallpartikel durch Kombination der Rückflussdämpfung (BP) mit einer Standardabschnittsanalyse messen. Ein Sigmoidaxon wurde als Übertragungskapazität für die Informations- und Ausgabeschicht verwendet. Der Levenberg-Marquardt-Algorithmus (LMA) wurde angeschlossen und lieferte eine Basisschätzung des mittleren quadratischen Fehlers (MSE) für die Verarbeitung und Kreuzprüfung an der 6. Dezimalstelle.