Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Ứng dụng của mạng nơ-ron nhân tạo lai (ANN) và tối ưu hóa bầy đàn (PSO) trong mô hình hóa và tối ưu hóa quá trình loại bỏ chất adsorbent cyanide và phenol từ nước thải sử dụng vật liệu adsorbent từ phụ phẩm nông nghiệp
Tóm tắt
Trong nghiên cứu hiện tại, phần thải của cây chuối được sử dụng làm chất tiền thân, và muối đồng clorua được sử dụng làm tác nhân ngâm để chuẩn bị vật liệu hấp phụ nhằm loại bỏ cả cyanide và phenol từ nước thải tổng hợp. Ban đầu, phân tích nhiệt trọng lượng được sử dụng để xác định tốc độ cacbon hóa của vật liệu theo nhiệt độ, từ đó đánh giá nhiệt độ tối ưu (370 °C) và thời gian cacbon hóa (35 phút). Các mẫu hấp phụ khác nhau được chuẩn bị tiếp theo bằng cách thay đổi tỷ lệ trọng lượng giữa mô giả của cây chuối thải và muối đồng từ 1:1 đến 30:1. Tất cả các mẫu sau đó được thử nghiệm để loại bỏ cả hai chất ô nhiễm, và tỷ lệ (20:1) tương ứng với khả năng loại bỏ tối đa cả hai chất ô nhiễm được coi là tối ưu. Do đó, các nghiên cứu tiếp theo được thực hiện với vật liệu hấp phụ được chuẩn bị ở tỷ lệ, nhiệt độ và thời gian tối ưu, và vật liệu hấp phụ này được gọi là vật liệu hấp phụ chuối đã được ngâm đồng (CIABT). Phương pháp thay đổi một biến tại một thời điểm đã được áp dụng để tìm ra điều kiện hiệu quả nhất dựa trên khả năng loại bỏ tối đa chất ô nhiễm. Khả năng loại bỏ tối đa đạt được là 95,99 ± 1,03% và 97,33 ± 0,04% đối với cyanide (nồng độ ban đầu: 100 ppm) và phenol (nồng độ ban đầu: 450 ppm), lần lượt, ở thời gian tiếp xúc tối ưu 150 phút, kích thước hạt 90 μm, liều lượng vật liệu hấp phụ 10 g/L, pH 8.0 sử dụng CIABT ở 25 °C. Mô hình hóa và tối ưu hóa việc loại bỏ cả hai chất ô nhiễm được thực hiện bằng cách sử dụng mạng nơ-ron nhân tạo lai và tối ưu hóa bầy đàn, đạt được khả năng loại bỏ 91,4–99,99% và 86,43–99,99% đối với cyanide và phenol, tương ứng, từ nước thải mô phỏng.
Từ khóa
#cyanide #phenol #adsorbent #agro-waste #artificial neural network #particle swarm optimization #wastewater treatmentTài liệu tham khảo
Abbas NM, Abbas SF, Ibrahim AS (2014) Cyanide removal from wastewater by using banana peel. J Asian Sci Res 4(5):239–247
Abdullah N, Sulaiman F, Miskam MA, Taib RM (2014) Characterization of banana (Musaspp.) pseudo-stem and fruit-bunch-stem as a potential renewable energy resource. Int J Biol Vet Agric Food Eng 8:815–819
Agarwal B, Balomajumder C, Thakur PK (2013a) Simultaneous co-adsorptive removal of phenol and cyanide from binary solution using granular activated carbon. Chem Eng J 228:655–664. https://doi.org/10.1016/j.cej.2013.05.030
Agarwal B, Thakur PK, Balomajumder C (2013b) Use of iron-impregnated granular activated carbon for co-adsorptive removal of phenol and cyanide: insight into equilibrium and kinetics. Chem Eng Commun 200:1278–1292. https://doi.org/10.1080/00986445.2012.744749
Agarwal S, Pramanick S, Rahaman SA, Ghanta KC, Dutta S (2019) A cost-effective approach for abatement of cyanide using iron impregnated activated carbon: kinetic and equilibrium study. Appl Water Sci 9(4):74. https://doi.org/10.1007/s13201-019-0953-5
Chowdhury R, Ghosh S, Debnath B, Manna D (2018) Indian agro-wastes for 2G biorefineries: strategic decision on conversion processes. Sustain Energy Technol Policies. https://doi.org/10.1007/978-981-10-7188-1_16
Depci T, Onal Y, Prisbrey KA (2014) Apricot stone activated carbons adsorption of cyanide as revealed from computational chemistry analysis and experimental study. J Taiwan Inst Chem Eng 45(5):2511–2517. https://doi.org/10.1016/j.jtice.2014.05.015
Dwivedi N, Balomajumder C, Mondal P (2016) Comparative investigation on the removal of cyanide from aqueous solution using two different bioadsorbents. Water Resour Ind 15:28–40. https://doi.org/10.1016/j.wri.2016.06.002
Fernandes ER, Marangoni C, Medeiros S H, Souza O, Sellin N (2012) Slow pyrolysis of banana culture waste: leaves and pseudostem. In: 3rd international conference on industrial and hazardous waste management
Gebresemati M, Gabbiye N, Sahu O (2017) Sorption of cyanide from aqueous medium by coffee husk: response surface methodology. J Appl Res Technol 15(1):27–35. https://doi.org/10.1016/j.jart.2016.11.002
Kang C, Wang Y, Li R, Du Y, Zhang LJ, B, Zhou L, Du Y, (2000) A modified spectrophotometric method for the determination of trace amounts of phenol in water. Microchem J 64:161–171. https://doi.org/10.1016/S0026-265X(99)00022-3
Karri RR, Sahu JN (2018) Modeling and optimization by particle swarm embedded neural network for adsorption of zinc (II) by palm kernel shell based activated carbon from aqueous environment. J Environ Manag 206:178–191. https://doi.org/10.1016/j.jenvman.2017.10.026
Kulkarni JS, Tapare RW, Patil SV, Sawarkar MB (2013) Adsorption of phenol from wastewater in fluidized bed using coconut shell activated carbon. Procedia Eng 51:300–307. https://doi.org/10.1016/j.proeng.2013.01.040
Kumar R, Pal P (2012) Response surface-optimized Fenton’s pre-treatment for chemical precipitation of struvite and recycling of water through downstream nanofiltration. Chem Eng J 210:33–44. https://doi.org/10.1016/j.cej.2012.08.036
Kuyucak N, Akcil A (2013) Cyanide and removal options from effluents in gold mining and metallurgical processes. Miner Eng 50–51:13–29. https://doi.org/10.1016/j.mineng.2013.05.027
Lahiri SK, Ghanta KC (2010) Artificial neural network model with parameter tuning assisted by genetic algorithm technique: study of critical velocity of slurry flow in pipeline. Asia Pac J Chem Eng 5:763–777. https://doi.org/10.1002/apj.403
Mishra L, Paul KK, Jena S (2018) Characterization of coke oven wastewater. Earth Environ Sci 167:012011. https://doi.org/10.1088/1755-1315/167/1/012011
Mohsen A, Neda M, Masoud A (2015) Negative effects of cyanide on health and its removal options from industrial wastewater. Int J Epidemiol 2(1):44–49
Ochoa-Estopier LM, Jobson M, Smith R (2013) Operational optimization of crude oil distillation systems using artificial neural networks. Comput Chem Eng 59:178–185. https://doi.org/10.1016/j.compchemeng.2013.05.030
Pramanik S, Ahamed F, Ghanta KC, Dutta S (2019) Treatment of coke oven effluent using copper impregnated activated carbon: experiment and modelling. Indian Chem Eng. https://doi.org/10.1080/00194506.2019.1573707
Prata DM, Schwaab M, Lima EL, Pinto JC (2009) Nonlinear dynamic data reconciliation and parameter estimation through particle swarm optimization: application for an industrial polypropylene reactor. Chem Eng Sci 64(18):3953–3967. https://doi.org/10.1016/j.ces.2009.05.028
Rai A, Chakrabarty J, Dutta S (2020) Phycoremediation of pollutants from coke-oven wastewater using Tetraspora sp. NITD 18 and estimation of macromolecules from spent biomass. J Water Process Eng 1:2214–7144. https://doi.org/10.1016/j.jwpe.2020.101746
Sadhu K, Mukherjee A, Shukla SK, Adhikari K, Dutta S (2013) Adsorptive removal of phenol from coke-oven wastewater using Gondwana shale, India: experiment, modeling and optimization. Desalin Water Treat 52(34–36):6492–6504. https://doi.org/10.1080/19443994.2013.815581
Sarkar B, Sharma U, Adhikari K, Lahiri SK, Baltrėnaitė E, Baltrėnas P, Dutta S (2021) Application of artificial neural network and particle swarm optimization for modelling and optimization of biosorption of Lead(II) and Nickel(II) from wastewater using dead cyanobacterial biomass. J Indian Chem Soc 98(3):1–15
Sing N, Balomajumder C (2015) Removal of cyanide from aqueous media by adsorption using AL-activated carbon: parametric experiments, equilibrium, kinetics, and thermodynamic analysis. Int J Adv Technol Eng Sci 3(1):23–35
Singh N, Kumari A, Balomajumder C (2018) Modeling studies on mono and binary component biosorption of phenol and cyanide from aqueous solution onto activated carbon derived from saw dust. Saudi J Biol Sci. 25(7):1454–1467. https://doi.org/10.1016/j.sjbs.2016.01.007
Upendar G, Singh S, Chakrabarty J, Ghanta KC, Shahnawaz M, Lahiri SK, Dutta S (2020) Parametric study on CO sequestration using cyanobacterial consortium and production of macromolecules: experimentation, modelling and optimization. J Water Environ 35(2):500–513. https://doi.org/10.1111/wej.12646