مدل سازی و بهینه سازی حذف آلاینده های میکروبی از آب سطحی توسط فرایند انعقاد الکتریکی: رویکرد ترکیبی روش سطح پاسخ و شبکه عصبی مصنوعی

هدف از این مطالعه، مدل سازی و بهینه سازی فرایند انعقاد الکتریکی در حذف کلیفرم ها و باکتری های هتروتروف از آب سطحی با استفاده از روش سطح پاسخ (RSM) و شبکه عصبی مصنوعی (ANN) است. داده های تجربی از یک مطالعه ی پایلوت با استفاده از الکترودهای آلومینیوم و آهن استخراج و متغیرهای عملیاتی شامل دما، دور همزن، پتانسیل الکتریکی و زمان واکنش بررسی شدند. مدل سازی RSM با استفاده از رگرسیون خطی چندمتغیره و مدل سازی ANN با ساختار پرسپترون چندلایه (۴-۱۰-۱) و الگوریتم آموزش لونبرگ-مارکوارت در نرم افزار متلب (نسخه R۲۰۱۸a) انجام شد. نتایج نشان داد که برای الکترود آهن، مدل RSM با ضریب تبیین (R۲) برابر با ۰.۸۵۴۱ و جذر میانگین مربعات خطای (RMSE) برابر با ۰.۶۵۰۹، عملکرد بهتری نسبت به مدل ANN (با R۲ برابر با ۰.۷۸۰۶ و RMSE برابر با ۰.۰۸۶۸) داشت. برای الکترود آلومینیوم، هر دو مدل عملکرد ضعیف تری نشان دادند (R۲ حدود ۰.۴۲). تحلیل حساسیت با استفاده از شاخص الاستیسیته نشان داد که مهم ترین پارامترهای موثر به ترتیب زمان واکنش (با الاستیسیته برابر با ۰.۶۱۴ در مدل ANN آهن) و ولتاژ هستند. بهینه سازی با الگوریتم ژنتیک با در نظر گرفتن قیود استانداردهای سازمان جهانی بهداشت برای فلزات باقیمانده (آلومینیوم ۰.۲ و آهن ۰.۳ میلی گرم بر لیتر) نشان داد که دست یابی همزمان به راندمان حذف باکتری بالا و رعایت استانداردهای فلز باقیمانده امکان پذیر نیست و حداکثر راندمان قابل دستیابی برای آلومینیوم ۴۲% و برای آهن ۳۸% است. این مطالعه نشان می دهد که مدل های ترکیبی RSM و ANN می توانند ابزارهای موثری برای تحلیل و بهینه سازی فرایندهای تصفیه آب باشند.

کلیدواژه ها:

انعقاد الکتریکی ، روش سطح پاسخ (RSM) ، شبکه عصبی مصنوعی (ANN) ، بهینه سازی ، تحلیل حساسیت