ASPAD动态模拟和人工神经网络用于GGSWAC包装床列中的阿诺洛尔吸附
Kah Zheng Goh1, Anis Atikah Ahmad2,3, Mohd Azmier Ahmad4
1Faculty of Chemical Engineering & Technology, Universiti Malaysia Perlis (UniMAP), 02600, Arau, Perlis, Malaysia.
Environmental science and pollution research international
|December 1, 2023
概括
这项研究评估了阿斯吸附 (ASPAD) 和人工神经网络 (ANN) 模型,用于使用活性炭去除阿提诺洛尔 (ATN). Python ANN 模型准确地预测了吸附行为,性能优于 ASPAD 和 MATLAB 模型.
科学领域:
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
- 材料科学 材料科学 材料科学
背景情况:
- 废水处理需要有效地去除药物污染物,如阿提诺洛 (ATN).
- 来自生物质的活性炭,如气化Glyricidia sepium木活性炭 (GGSWAC),显示了吸附的希望.
- 动态模拟模型对于理解和优化固定床柱中的吸附过程至关重要.
研究的目的:
- 评估阿斯吸附 (ASPAD) 和人工神经网络 (ANN) 模型在模拟ATN吸附到GGSWAC上的性能.
- 调查操作参数 (床高度,ATN初始度,流量) 对ATN吸附动态的影响.
- 为了比较ANN模型 (MATLAB和Python) 与ASPAD对固定床吸附的预测准确度.
主要方法:
- 使用阿斯吸附 (ASPAD) 软件进行动态模拟.
- 在 MATLAB 和 Python 中开发和验证人工神经网络 (ANN) 模型.
- 在固定床柱中使用GGSWAC对ATN吸附的实验研究.
- 分析影响突破和耗尽时间以及吸附能力的因素.
主要成果:
- 床的高度增加和ATN初始度增加了吸附能力,而更高的流速保持了它.
- ASPAD准确地建模了疲劳点,但在突破时间预测中显示了显著的偏差 (6.52239.53%).
- 与 MATLAB ANN (R2 = 0.9691) 和 ASPAD.相比,Python ANN 模型 (R2 = 0.985) 显示出更高的预测准确度和适配性能.
- 最初的ATN度,床高度,影响性流量率和废水时间是影响吸附的关键因素.
结论:
- Python ANN 模型提供了一个高度准确和可靠的工具,用于预测固定床列中的 ATN 吸附动态.
- 操作参数显著影响使用GGSWAC去除ATN的效率.
- 这项研究为优化基于GGSWAC的废水处理系统的药物清除提供了有价值的见解.


