مقایسه مدل‌سازی، بهینه‌سازی و پیش‌بینی پارامترهای مهم در جذب سفیکسیم بر روی ایروژل کربن مشتق از سل-ژل و اصلاح شده با نیکل با است
مقایسه مدل‌سازی، بهینه‌سازی و پیش‌بینی پارامترهای مهم در جذب سفیکسیم بر روی ایروژل کربن مشتق از سل-ژل و اصلاح شده با نیکل با استفاده از روش‌های ANN، RSM، GA و SOLVER
این مقاله با عنوان "مقایسه مدل‌سازی، بهینه‌سازی و پیش‌بینی پارامترهای مهم در جذب سفیکسیم بر روی ایروژل کربن مشتق از سل-ژل و اصلاح شده با نیکل با استفاده از روش‌های ANN، RSM، GA و SOLVER" در سال 2024 در مجله Chemosphere به زبان انگلیسی توسط حسین پور ، شیخ محمدی، رسول زاده ، سعدانی ، قاسمی، علیپور ، هادئی ، آقایی زارچ به چاپ رسیده است. چکیده فارسی مقاله به صورت زیر است:
امروزه هدف اصلی بسیاری از محققین استفاده از مواد با کارایی بالا، توجیه اقتصادی و صنعتی و نیز مواد قابل بازیافت در حذف آلاینده های آلی و خطرناک است. برای این منظور از آئروژل کربن مشتق از سل-ژل اصلاح شده با نیکل (SGCAN) برای حذف سفیکسیم از محلول های آبی استفاده شد. تأثیر پارامترهای مهم در جذب سفیکسیم بر روی SGCAN با استفاده از شبکه عصبی مصنوعی (ANN)، روش سطح پاسخ (RSM)، الگوریتم ژنتیک (GA)، و روش‌های SOLVER مدل‌سازی و بهینه‌سازی شد. برای این منظور از نرم افزار R استفاده شد. محدوده طراحی اجراها برای مدتی در محدوده 5 دقیقه تا 70 دقیقه، غلظت در محدوده 5 میلی گرم در لیتر تا 40 میلی گرم در لیتر، مقدار جاذب در محدوده 05/0 گرم در لیتر تا 0.15 گرم L-1 و pH در محدوده 2.0-11. نتایج نشان داد که مدل ANN به دلیل مقادیر کمتر میانگین مربعات خطا (MSE)، مجموع مربعات خطا (SSE) و مقادیر میانگین مربعات خطای ریشه (RMSE) و همچنین R2 بالاتر، مدل برتری نسبت به RSM است. همچنین با توجه به برتری ANN نسبت به مدل RSM، نتایج بهینه بر اساس GA محاسبه شد. بر اساس GA، بالاترین جذب سفیکسیم بر روی SGCAN در pH، 5.98 به دست آمد. زمان واکنش، 58.15 دقیقه; غلظت اولیه سفیکسیم، 15.26 میلی گرم L-1. و دوز جاذب، 0.11 گرم در لیتر. حداکثر ظرفیت جذب سفیکسیم بر روی SGCAN 52 میلی گرم در گرم تعیین شد. مشخص شد مدل شبه مرتبه دوم برازش بهتری با داده های ارائه شده دارد.
|
Title |
Comparison of modeling, optimization, and prediction of important parameters in the adsorption of cefixime onto sol-gel derived carbon aerogel and modified with nickel using ANN, RSM, GA, and SOLVER methods |
|
Author(s) |
Hosseinpoor S, Sheikhmohammadi A, Rasoulzadeh H, Saadani M, Ghasemi SM, Alipour MR, Hadei M, Aghaei Zarch SM. |
|
Published |
2024 Apr: |
|
Journal |
Chemosphere |
|
Abstract |
Today, the main goal of many researchers is the use of high-performance, economically and industrially justified materials, as well as recyclable materials in removing organic and dangerous pollutants. For this purpose, sol-gel derived carbon aerogel modified with nickel (SGCAN) was used to remove Cefixime from aqueous solutions. The influence of important parameters in the cefixime adsorption onto SGCAN was modeled and optimized using artificial neural network (ANN), response surface methodology (RSM), genetic algorithm (GA), and SOLVER methods. R software was applied for this purpose. The design range of the runs for a time was in the range of 5 min-70 min, concentration in the range of 5 mg L-1 to 40 mg L-1, amount of adsorbent in the range of 0.05 g L-1 to 0.15 g L-1, and pH in the range of 2.0-11. The results showed that the ANN model due to lower Mean Squared Error (MSE), Sum of Squared Errors (SSE), and Root Mean Squared Error (RMSE) values and also higher R2 is a superior model than RSM. Also, due to the superiority of ANN over the RSM model, the optimum results were calculated based on GA. Based on GA, the highest Cefixime adsorption onto SGCAN was obtained in pH, 5.98; reaction time, 58.15 min; initial Cefixime concentration, 15.26 mg L-1; and adsorbent dosage, 0.11 g L-1. The maximum adsorption capacity of Cefixime onto SGCAN was determined to be 52 mg g-1. It was found the pseudo-second-order model has a better fit with the presented data. |
|
Article Address |
10.1016/j.chemosphere.2024.141547 |
