مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مدل سازی و بهینه سازی حذف رنگ (AR-18) با نانوفوتوکاتالیست (TiO2-Ag2O) به روش شبکه ی عصبی مصنوعی :

تعداد صفحات :۱۳

چکیده مقاله:

ضرورت حذف رنگ از پساب صنعت نساجی به عنوان یک مسیله ی مهم زیست محیطی قابل بررسی می باشد. در این مطالعه نتایج تجربی حذف رنگ AR-18 به کمک نانوفوتوکاتالیست TiO2-Ag2O، مدل سازی و بهینه سازی گردید. مقدار کاتالیست، pH، غلظت رنگ و میزان پراکسید هیدروژن، ورودی های سیستم و درصد حذف رنگ به عنوان خروجی در نظر گرفته شد. در این تحقیق شبکه های عصبی مصنوعی در پیش بینی نتایج تجربی، با توجه به توانایی بالای این روش مورد ارزیابی قرار گرفت. شاخص های عملکرد RMSE، R2adj، R2 و SSE در تعیین تعداد نرون های بهینه میانی مورد استفاده قرار گرفت. نتایج نشان داد که ساختار ۱-۷-۴ بهترین حالت با حداقل خطا نسبت به الگوریتم لونبرگ-مارکوآرت می باشد. تابع عملکرد (R) مدل سازی، مربوط به قسمت آموزش، تعیین اعتبار و تست به ترتیب ۰.۹۶۹، ۰.۹۹۶ و ۱ حاصل گردید. نتیجه ی حاصل نشان از دقت بالای روش شبکه ی عصبی مصنوعی در پیش بینی داده های تجربی دارد. در نهایت نتایج تجربی با روش شبکه عصبی مصنوعی (ANN) و روش پاسخ سطح (RSM) مقایسه گردید. شبکه عصبی مصنوعی در توافق بهتری با نتایج تجربی نسبت به روش پاسخ سطح گزارش گردید.