Computational intelligence for empirical modelling and optimization of methylene blue adsorption phenomena utilizing an activated carbon‐supported [Co( <scp> NH <sub>3</sub> </scp> ) <sub>6</sub> ]Cl <sub>3</sub> complex
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The study focuses on the efficiency of hexaamminecobalt (III) chloride (HACo, [Co(NH3) 6 ]Cl 3 ) immobilized on activated carbon for removing methylene blue (MB) from water solutions. The primary objective of this study was to assess the sorption performance of HACo immobilized on activated carbon in removing MB from water solutions. Additionally, predictive models were developed to optimize the MB removal percentage. Lastly, the study aimed to determine the optimal conditions for achieving maximum MB removal. Samples were characterized using scanning electron microscopy. Batch sorption experiments were conducted to analyze the impact of MB concentration, adsorbent mass, pH, temperature, and contact time. Predictive models were built using multiple linear regression and neural network techniques, specifically artificial neural networks (ANN) and hybrid ANN–particle swarm optimization (ANN‐PSO). The PSO‐ANN model with a single hidden layer of eight neurons trained using the Levenberg–Marquardt algorithm demonstrated high accuracy in predicting MB removal percentage, with mean absolute percentage error (MAPE) = 0.083788, root mean square error (RMSE) = 0.11441, and R 2 = 0.99693. The MB adsorption process followed a mono‐layer with one energy model and a pseudo‐first‐order kinetic model. Optimization using the genetic algorithm revealed that the maximum MB removal percentage of 99.56% is achievable at an MB concentration of 9.36 mg/L, adsorbent mass of 15.72 mg, and temperature of 311.2 K. The study confirms the effectiveness of HACo immobilized on activated carbon for MB removal. The PSO‐ANN predictive model proved superior in accuracy compared to empirical models. Optimization results provide the optimal conditions for maximizing MB removal, offering valuable insights for practical applications.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle