机器学习和统计物理模拟使用Cynometra ramiflora水果生物质衍生的活性碳进行四环素吸附

科学领域:

• 环境科学 环境科学
• 材料科学 材料科学 材料科学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 水中环素 (TC) 污染是一个重大的环境问题.
• 开发有效和可持续的吸附剂来去除TC至关重要.
• 来自生物质的活性碳提供了一个有希望的,环保的解决方案.

研究的目的:

• 为了研究四环素对来自Cynometra ramiflora果生物质的活性炭的吸附.
• 使用机器学习技术来建模和预测吸附过程:自适应神经模糊推理系统 (ANFIS) 和人工神经网络 (ANN).
• 评估合成活性炭的吸附能力和机制.

主要方法:

• 从Cynometra ramiflora果实中合成和表征活性炭 (AC).
• 使用具有参数的ANFIS和ANN模型:pH,剂量,初始TC度,混合速度,时间和温度.
• 应用统计物理模型来阐明吸附机制.
• 确定优化的ANN (6-8-1) 和ANFIS (trimf输入,线性输出) 配置.

主要成果:

• 高相关系数 (R2>0.99) 和低RMSE值表明ANN和ANFIS准确的建模.
• 吸附机制是由单一能量的双层模型解释的,这表明了物理吸附.
• 吸附能量为21.06 kJ/mol,结合点相互作用 (n) 为0.42,表明并行TC分子结合.
• 估计的最大吸附能力 (Qsat) 为466.86mg/g,超过了之前报告的值.

结论:

• 来自Cynometra ramiflora水果的活性炭是一种高度有效的吸附剂,用于去除四环素.
• 机器学习模型 (ANN和ANFIS) 为吸附过程提供了准确可靠的预测.
• 这项研究强调了废水处理和污染物清除的可持续方法.