علیرضا سلیمانی

از دیدگاه کاربردی، یک مدل کارآمد جهت شبیه سازی اجرای یک فرآیند می تواند نقش مهمی در کنترل آن در شرایط عملکردی مطلوبش ایفا نماید. در پژوهش حاضر نتایج حاصل از تخریب ماده دایرکت رد 16 (DR16) توسط یک فرآیند فوتوشیمیایی ترکیبی در حضور پرسولفات (PS) به عنوان اکسنده فوتوشیمیایی و یون سریم (Ce(IV)) به عنوان اکسنده شیمیایی از طریق روش شبکه عصبی مصنوعی (ANN) مدل سازی گردیده است. به این منظور یک شبکه سه لایه ای متشکل از یک لایه ورودی، یک لایه پنهانی و یک لایه خروجی در نظر گرفته شد. pH محیط، نسبت اولیه مقدار هرکدام از اکسنده ها به DR16 و زمان واکنش به عنوان متغیر های ورودی به شبکه و میزان بازده تخریب DR16 به عنوان پاسخ خروجی از شبکه تعریف گردیدند. نوع الگوریتم های آموزشی و توابع انتقال، تعداد نرون های لایه پنهان و تعداد تکرار آموزش به عنوان پارامترهای بهینه سازی ساختار شبکه برای رسیدن به بهترین شبیه سازی فرآیند بودند. معیار کمترین میانگین مربعات خطا (MSE) جهت انتخاب بهترین مدل بکار رفت. نتایج نشان داد که شبکه ای با بکارگیری الگوریتم آموزشی Levenberg–Marquardt (trainlm) ، توابع انتقال tansig ، تعداد 7 عدد نرون پنهان و دویست تکرار دریادگیری توانست بهترین شبیه سازی داده های تجربی را اجرا نماید. همچنین بر اساس ماتریکس اوزان اتصالات نرون های شبکه، ترتیب اهمیت نسبی متغیرهای ورودی بر پاسخ خروجی شبکه به صورت time>[Ce]0/[DR16]0>[PS]0/[DR16]0>pH تعیین گردید.