Micellar-Enhanced Ultrafiltration to Remove Nickel Ions: A Response Surface Method and Artificial Neural Network Optimization
Notice bibliographique
Résumé
Nickel ions from aqueous solutions were removed by micellar-enhanced ultrafiltration (MEUF), using the surfactant sodium dodecyl sulfate (SDS) as a chelating agent. Process variables and indicators were modeled and optimized by a response surface methodology (RSM), using the Box–Behnken design (BBD). The generated quadratic models described the relationship between a performance indicator (nickel rejection rate or permeate flux) and process variables (pressure, nickel concentration, SDS concentration, and molecular weight cut-off (MWCO)). The analysis of variance (ANOVA) showed that both models are statistically significant. To remove 1 mM of nickel ions, the optimal condition for maximum nickel removal and flux were: pressure = 30 psi, CSDS = 10.05 mM, and MWCO = 10 kDa, resulting in a rejection rate of 98.16% and a flux of 119.20 L/h∙m2. Experimental verification indicates that the RSM model could adequately describe the performance indicators within the examined ranges of the process variables. An artificial neural network (ANN) modelling followed to predict the MEUF performance and validate the RSM results. The obtained ANN models showed good fitness to the experimental data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».