从废水中预测性地将 (II) 移除到纤维素纳米晶纳米复合材料上,使用深度机器学习

科学领域:

• 材料科学 材料科学 材料科学
• 环境科学 环境科学
• 纳米技术纳米技术

背景情况:

• 水溶液中的 (II) 污染对环境和健康构成风险.
• 开发可持续和高效的吸附剂对于重金属的去除至关重要.
• 纤维素纳米晶 (CNC) 为吸附剂开发提供了可生物降解的平台.

研究的目的:

• 为了合成和表征一种可生物降解的基于CNC的纳米复合材料来去除 (II).
• 在各种条件下研究CNC纳米复合材料的吸附性能.
• 评估机器学习模型用于预测吸附效率的适用性.

主要方法:

• 使用FTIR证实了CNC与EDTA的功能.
• 使用SEM分析了表面形态.
• 热稳定性通过TGA进行评估.
• 进行批量吸附实验以优化参数 (pH,接触时间,剂量,度).
• 吸附动力学和同热量是使用兰木尔模型,伪二阶模型和杜比宁-拉杜什凯维奇模型来建模的.
• 人工神经网络 (ANN) 和自适应神经模糊推理系统 (ANFIS) 模型被开发用于预测.

主要成果:

• 该CNC纳米复合材料表现出粗,多孔的表面和高达320°C的热稳定性.
• 在pH值为6,接触时间为120分钟,剂量为8g/100mL,初始度为150mg/L时,达到98.3%的最大 (II) 去除效率.
• 电影扩散是限制速度的步骤 (R2=0.983).
• 吸附遵循兰格穆尔等温模型 (R2=0.996) 和伪二阶动力学,表明化学吸附 (能量=9.375 kJ/mol).
• ANN和ANFIS模型显示出高的预测准确性 (R2=0.987和R2=0.995,分别).

结论:

• 该CNC纳米复合材料是一种高效,热稳定和可持续的吸附剂,用于 (II) 去除.
• 开发的吸附剂在水性介质中表现出色.
• 机器学习模型 (ANN,ANFIS) 为优化吸附过程提供可靠的预测.