Optimizing of Iron Bioleaching from a Contaminated Kaolin Clay by the Use of Artificial Neural Network

در اين كار ميزان استخراج آهن با فرايند فروشويي زيستي يك نمونه كايولن داراي ناخالصي بالاي آهن توسط Aspergillus niger بهينه سازي شد. بيش از 20 آزمايش براي مطالعه اثر pH اوليه، غلظت ساكارز و اسپور بر روي غلظت آهن، اسيد اگزاليك و سيتريك انجام شد. داده هاي بدست آمده از اين آزمايشات براي آموزش، تاييد و آزمايش يك شبكه عصبي دو لايه اي مورد استفاده قرار گرفت. براي جلوگيري از بيش برازش، الگوريتم انتظام بيزي و توقف زودتر با تكنيك پس انتشار بكار گرفته شد. بدليل جلوگيري از بيش برازش با استفاده از طراحي توپولوژي شبكه و انتخاب الگوريتم آموزش مناسب، تطابق خوبي بين داده هاي پيش بيني ميزان حل شدن آهن با داده هاي تجربي بدست آمد. نتايج نشان داد كه شرايط بهينه براي دستيابي به بيشترين ميزان خارج كردن آهن (حدود 65%) براي pH اوليه، غلظت ساكارز و اسپور بترتيب برابر با 6، 60 گرم بر ليتر و 107×5/3 اسپور بر ليتر مي باشند

In this research, bioleaching of Iron from highly contaminated kaolin sample with Aspergillus niger was optimized. In order to study the effect of initial pH, sucrose and spore concentration on Iron, oxalic and citric acid concentration, more than twenty experiments were performed. The resulted data were utilized to train, validate and test the two layer artificial neural network (ANN). In order to minimize the over fitting, Bayesian regularization and early stopping methods with back propagation technique were utilized as training algorithm of ANN. Good validation for prediction of Iron removal percentage was resulted due to the inhibition of over-fitting problems with selection of appropriate ANN topology and training algorithm. The results showed that optimized condition of initial pH, sucrose and spore concentration to achieve high Iron removal (about 65%) should be 6, 60 g/l and 3.5×107 spore/l, respectively.