<scp>RSM</scp> and <scp>ANN</scp> ‐based optimization of reactive extraction of propionic acid using tributyl phosphate with both conventional and natural diluents
Notice bibliographique
Résumé
Abstract Propionic acid (PA) has a wide application in various food and chemical industries. In the present work, the reactive extraction of PA from aqueous solutions is done with eco‐friendly natural diluent alsi oil and harmful conventional diluents butanol and benzene, and the tri‐n‐butyl phosphate (TBP) as extractant. Design of experiments was done for the physical and reactive extraction using Box–Behnken design with response surface methodology (RSM). The effect of different factors, such as temperature, initial PA concentration, diluents, extractant, and aqueous‐to‐organic phase ratio, was analyzed. In the physical extraction, the extraction efficiency achieved 75.57% for butanol, 29.91% for benzene, and 47.57% for alsi oil. In the reactive extraction method, the maximum extraction efficiency of 96.89%, 92.54%, and 92.37% for TBP‐butanol, TBP‐benzene, and TBP‐alsi systems, respectively, was achieved. For reactive extraction, optimal conditions were 308 K, 0.1 mol/L initial concentration, a 1:1 volume ratio, and 25% extractant composition predicted by the RSM method and the artificial neural network (ANN) optimization method. ANN shows a better regression parameter ( R 2 = 0.962) than RSM. The higher percentage of extraction efficiency was achieved with conventional diluent butanol; however, the harmless natural diluent alsi oil shows better results, which makes it an alternative to hazardous conventional solvents in the industrial extraction process. These results can help design efficient extraction methods for recovering the PA from the aqueous wastewater stream. The extraction efficiency was achieved as TBP‐butanol > TBP‐benzene > TBP‐alsi oil.
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) | 0,000 | 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 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 ».