پديد آورندگان :
مشكور، مژده دانشگاه علوم كشاورزي و منابع طبيعي گرگان - دانشكده مهندسي چوب و كاغذ , افرا، الياس دانشگاه علوم كشاورزي و منابع طبيعي گرگان - دانشكده مهندسي چوب و كاغذ - گروه صنايع خمير و كاغذ , رسالتي، حسين دانشگاه علوم كشاورزي و منابع طبيعي ساري - گروه صنايع خمير و كاغذ
كليدواژه :
شبكه عصبي مصنوعي , سلولز نانو فيبريله شده , اصلاح كاغذ , استيله كردن , ويژگي هاي كاغذ
چكيده فارسي :
سابقه و هدف: ويژگي هاي مقاومتي و ممانعتي، از جمله مهم ترين ويژگي هاي مورد نياز براي انواع كاغذ، به ويژه كاغذهاي چاپ و بسته بندي ميباشند. بنابراين يكي از زمينه هاي مهم تحقيقاتي در صنعت كاغذ، تحقيق در راستاي بهبود اين ويژگي ها است. در اين پژوهش، براي نخستين بار از شبكه هاي عصبي مصنوعي در پيشبيني ويژگي هاي مقاومتي و ممانعتي كاغذهاي استيله شده و تقويت شده با نانوسلولز استفاده شد.
مواد و روش ها: سلولز نانو فيبريله شده (NFC)، از خمير كاغذ رنگ بري شده تجارتي با روش آسياب توليد شد. اصلاح كاغذ با دو روش، استيله كردن خمير پيش از ساخت كاغذ و استيله كردن كاغذ ساخته شده، انجام شد. فرآيند استيله كردن خمير و كاغذ، در فاز مايع و در دماي 70 درجه سانتي گراد به مدت 0/5، 1 و 3 ساعت انجام گرفت. موفقيت اصلاح شيميايي با استفاده از طيف سنجي مادون قرمز اثبات شد. دو نوع كاغذ (تركيبي و غيرتركيبي) ساخته شد. ويژگي هاي كاغذها شامل ضخامت، وزن پايه، حجيمي، طول پارگي، مقاومت به پاره شدن و ممانعت به جذب آب اندازه گيري شدند. در در طراحي شبكه عصبي مصنوعي، نوع تيمار (تيمار الياف و تيمار كاغذ)، زمان تيمار (0/5، 1 و 3 ساعت) و نوع كاغذ (تركيبي و غيرتركيبي) به عنوان ورودي و ويژگي هاي فيزيكي، مقاومتي و ممانعتي كاغذ شامل حجيمي، طول پارگي، مقاومت به پاره شدن و ممانعت به جذب آب به عنوان خروجي در نظر گرفته شدند.
يافته ها: بين همه كاغذها، ضعيف ترين ويژگي هاي كاغذ مربوط به كاغذ ساخته شده از خمير استيله شده بود. بهترين ويژگي هاي كاغذ با استيله كردن كاغذ تركيبي حاصل شد. براساس نتايج، استيله كردن كاغذ تأثير معني داري بر ويژگي هاي فيزيكي و مكانيكي كاغذ نداشته است (p>0/05). و استيله كردن كاغذهاي غيرتركيبي و تركيبي منجر به كاهش جذب آب به ترتيب به ميزان حدود 24/46 و 48/09 درصد شد. شبكه عصبي مصنوعي پيش خور تعميم يافته با يك لايه مخفي، تابع انتقال تانژانت آكسون و قاعده آموزش مومنتوم بهعنوان بهترين شبكه انتخاب گرديد.
نتيجه گيري: شبكه عصبي مصنوعي طراحي شده، توانست خصوصيات كاغذها را با متوسط ضريب همبستگي 98/11 پيش بيني كند.
چكيده لاتين :
Background and objectives: The strength and barrier properties are some of the
most important required features for kinds of paper, especially printing and
packaging paper. So one of the important research areas in the paper industry is
researching to improve these properties. In this research for the first time, the
artificial neural networks (ANNs) were used to predict the strength and barrier
properties of nanofibrillated cellulose reinforced acetylated papers.
Materials and methods: Nanofibrillated cellulose (NFC) was produced from
bleached commercial pulp using grinding method. Paper modification was
performed using two methods including acetylation of pulp fibers before papersheet
making, and acetylation of made paper-sheet. Pulp and paper acetylation
process was performed in liquid phase at 70 °C for 0.5, 1, and 3 hours. The success
of chemical modification was confirmed using Infrared spectroscopy. Two kinds of
paper (unmixed and mixed paper) were made. The paper properties, including
thickness, basis weight, bulk, breaking length, tear strength, and water barrier
property were measured. In order to design an artificial neural network, the type of
treatment (treatment of fibers and paper treatment), treatment time (0.5, 1, and 3 h),
and types of paper (unmixed and mixed paper) were considered as input data, and
the physical, mechanical, and barrier properties of the paper (bulk, breaking length,
tear index, and water absorption) were considered as output data. Results: Among all the papers, the weakest strength and barrier properties were
obtained for the paper made from the acetylated pulp. The best paper properties
were obtained by the acetylation of paper. According to the results, the acetylation
of paper had no significant effect on the physical and mechanical properties of
produced papers (p>0.05). Acetylation led to decrease in the water absorption of
unmixed and mixed papers about 24.5 and 48%, respectively. Generalized feed
forward artificial neural network with one hidden layer, Tanh axon- transfer
function, and momentum as learning rule was chosen as the best network.
Conclusion: The designed artificial neural network could predict the paper
properties with high correlation coefficient (R2= 98.11).
