Adsorption of <scp>5G</scp> blue reactive dye using passion fruit pomace: Kinetics, <scp>ANN</scp> modelling, and process optimization
Notice bibliographique
Résumé
Abstract The present work reports on the use of artificial neural networks to predict the adsorption of 5G blue reactive dye (5GBRD) on yellow passion fruit pomace in a fixed‐bed process and the % dye removal optimization. The samples were characterized using a thermogravimetric analyzer and scanning electron microscopy. Batch adsorption experiments were conducted to analyze the impact of the initial concentration of 5GBRD, contact time, and solution pH and temperature. For the fixed‐bed adsorption experiments, the processing time (0–55 h), inlet flow rate (1–4 mL min −1 ), initial dye concentration (35–70 mg L −1 ), and bed height (15–23 cm) were evaluated. The predictive model was built using a multilayer perceptron machine learning (artificial neural network [ANN]) model, and the process optimization used the dividing rectangles (DIRECT) algorithm. The best ANN model architecture was 4–4–1 and the accuracy of testing data were as follows: coefficient of determination ~0.97, mean squared error ~0.004, mean average error ~0.04, and root mean square error ~0.06. The DIRECT optimization algorithm indicated that the maximum % dye removal is achieved at 43.8 h, 3.7 mL min −1 , 66 mg L −1 , and 19.3 cm. The ANN model and DIRECT optimization algorithm are valuable tools for practical applications in adsorption process modelling and optimization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».