深度学习的人工神经网络框架,以优化使用生物质废弃物获得的碳质材料的3-二的吸附能力

科学领域:

• 环境化学环境化学
• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学

背景情况:

• 由有毒化学品造成的水污染对公众健康和环境构成重大风险.
• 教育举措对于提高认识和促进可持续实践至关重要.
• 需要技术解决方案来补充教育,以实现有效的环境修复.

研究的目的:

• 从农业废物中开发和优化一种低成本的吸附剂,用于去除3-二 (3-Nph).
• 研究新材料的吸附机制和动力学.
• 应用人工神经网络 (ANN) 和遗传算法进行流程优化和预测.

主要方法:

• 使用的碳酸性材料来源于海马托克西 (CM-HC) 和子.
• 使用SEM/EDS,BET,XRD和pHpzc进行了CM-HC的表征.
• 应用伪二阶 (PSO) 动力学和兰格穆尔异热模型.
• 雇佣的ANN用于深度学习和优化删除百分比.
• 经过验证的计算预测与实验结果.

主要成果:

• PSO动力学和Langmuir异热模型最好地描述了吸附过程.
• 在最佳条件下 (pH 6,300.15 K) 达到236.156 mg/g的最大吸附能力 (Q_m).
• ANN建模准确预测了去除效率,经过实验结果的验证,显示了98.77%的去除.
• 吸附是外热的,在较低的温度下更受欢迎.

结论:

• CM-HC是一种有效,可持续和低成本的吸附剂,用于去除3-Nph.
• 将人工智能与实验验证相结合,为环境修复提供了一个强大的方法.
• 这项研究将先进的计算方法集成到环境科学教育中.