بهينه سازي و پيش بيني فرآيند فتوكاتاليستي با پوشش نانو ذرات تيتانيا بر سطح بتن براي تصفيه آب حاوي فنل

Optimization and Prediction of Photocatalytic Process of Nano Titania Immobilized on Concrete Surface for Treating Phenolic Water

در اين تحقيق، بهينه سازي فرايند فتوكاتاليستي توسط روش تاگوچي و پيش بيني راندمان حذف سيستم توسط شبكه عصبي مصنوعي انجام شد. راكتور فتوكاتاليستي از نوع پوشش يافته بود كه انرژي مورد نياز براي تحريك نانوذرات تيتانيا و توليد راديكال هاي هيدروكسيل جهت تجزيه فنل موجود در آب با استفاده از لامپ هاي UV-A تامينتامين مي-شد. جهت بهينه سازي فرايند با استفاده از روش تاگوچي و آرايه استاندارد L16، تاثير پارامترهاي موثر شامل غلظت آلاينده ورودي (mg/L 500-50)، شدت تابش لامپ (60-8 وات)،pH محلول (12-4)، ميزان تيتانيا بر واحد سطح (g/m2 80-20) و فاصله لامپ تا صفحات بتني (cm 20-5) بررسي شد. نتايج نشان داد كه تاثير غلظت آلاينده ورودي و pH نسبت به ساير عوامل بيشتر بوده و شرايط بهينه بصورت غلظت آلاينده ورودي mg/L50، pH برابر 12، شدت تابش 60 وات، ميزان تيتانيا معادل g/m2 80 و فاصله لامپ از صفحات معادل cm 10 تعيين گرديد. پيش بيني فرايند با استفاده از شبكه عصبي مصنوعي نشان داد كه ساختار شبكه بصورت دو لايه پنهان و توابع انتقال گوسين در لايه پنهان اول، تانژانت هيپربوليك در لايه پنهان دوم و سيگموئيد در لايه پنهان خروجي و ساختار (1-4-6-5) بهترين جواب بوده و اختلاف ميان نتايج آزمايشگاه و مدل كمتر از 5 درصد مي باشد.

The optimizartion of photocatalytic process by Taguchi method and the prediction of removal efficnecy by artificial neural network were investigated in this research. Immobilized photocatalytic reactor was irradiated with TiO2 by UV-A lamps to produce hydroxyl radicals for degradation of phenolic synthetic wastesater. Taguchi method and L16 orthogonal array for experimental planning was used for determination of optimum conditions including initial phenol concentration (50-500 mg/L), UV lamps power (8-60 W), pH (4-12), TiO2 concentration (20-80 g/m2), and UV lamp distance from concrete surface (5-20 cm). The results showed that influent phenol concentration and solution pH had the highest effect on the removal efficiency. The optimum conditions were obtained for influent phenol concentration of 50 mg/L, pH of 12, UV lamp of 60 W, titania amount of 80 g/m2, and UV lamp distance to concrete surface of 10 cm. Prediction of photocatalytic process performance by artificial neural network showed that the best result was obtained at the structure of (5-6-4-1). Transfer functions for this model were Gaussian, Hyperbolic Tangent, and Sigmoid for hidden layer 1 and 2 and output layer, respectively. The difference between measured and predicted values of output nodes was less than 5%.