كاربرد شبكه عصبي مصنوعي در پيشگويي بازده استخراج يون‌هاي روي از نمونه‌هاي حقيقي با استفاده از مولكول نگاري بسپاري

Application of artificial neural network modeling in predicting the extraction yield of zinc ions from real sample by molecularly imprinted polymer

در اين مقاله، يك روش مدل‌سازي جديد بر اساس شبكه عصبي مصنوعي سه لايه‌اي براي پيشگويي بازده استخراج يون‌هاي روي از نمونه‌هاي حقيقي به‌وسيله‌ي استخراج با مولكول نگاري بسپاري شرح داده مي‌شود. داده‌هاي ورودي مدل شبكه عصبي مصنوعي سه لايه‌اي، pH، زمان جذب و زمان واجذب، مقدار ليگاند، حجم محلول و مقدار پليمر استخراج‌كننده هستند و خروجي آن بازده استخراج يون‌هاي روي است. ميانگين خطاي مربعات و ضريب همبستگي بين داده‌هاي تجربي و پيشگويي‌ها به ترتيب 0/00010 و 0/99923 براي آموزش، 0/0010 و 0/99373 براي ارزيابي و 0/0031 و 0/99178 براي داده‌هاي آزمايش تعيين شدند. در شرايط بهينه، گستره‌ي خطي ديناميكي در گستره‌ي 20 تا µg.l-1 1000 با حد تشخيص µg.l-1 2/9 به دست آمد. انحراف استاندارد نسبي كمتر از 9/2% بود. اين روش براي پيش تغليظ و تعيين روي در نمونه‌هاي حقيقي متفاوت با موفقيت به كار گرفته شد.

In this paper, a new modeling method based on three-layer artificial neural network (ANN) techniques is described which can predict the extraction efficiency of zinc ions by means of molecularly imprinted polymer. Input variables of the model were pH of the solution, absorption and desorption time, amount of ligand, volume of sample solution, and amount of polymer while the output was extraction yield of zinc ions. The mean squared error and correlation coefficient between the experimental data and the ANN predictions were determined as 0.0001 and 0.99923 for training, 0.0010 and 0.99373 for validation, and 0.0031 and 0.99178 for testing data sets. Under the optimum conditions, the linear range found to be between 20-1000 μg.l-1 with the detection limit of 2.9 μg.l-1. The relative standard deviation was calculated to be below 9.2%. The method was successfully applied to the pre-concentration and determination of Zn in a few real samples.