Investigation of continuous sono-photocatalytic membrane reactor in degradation of organic pollutant: Artificial neural network modeling

Document Type : Original Article

10.22075/chem.2018.3544

Abstract

In this work, the degradation of Reactive Orange 29 was studied using submerged sono-photocatalytic membrane reactor (SPMR) combining N-TiO2 nanoparticles, visible light lamp(s) and polyvinylidene fluoride (PVDF) membrane. Modeling of experimental results by artificial neural network was done. The effect of operational variables including: catalyst dosage, suspension pH, visible light irradiation intensity, pollutant concentration and reaction time on efficiency of RO29 degradation was investigated. An enhancement in decolorization efficiency with decreasing suspension pH and increasing visible light irradiation intensity was observed. The optimum artificial neural network model yielded a determination coefficient of R2 = 0.9956 and showed that the relative effect of reaction time and catalyst dosage was higher than other investigated variables.

Keywords


بررسی قابلیت سونو فتورآکتور غشایی پیوستهدر تخریب آلاینده آلی: مدلسازی با شبکه عصبی مصنوعی

محسن شیدائی*، محمد رضا زنگویی، وحید وطن پور

تهران، دانشگاه خوارزمی، دانشکده شیمی

تاریخ دریافت: 25/03/96              تاریخ تصحیح:27/07/96           تاریخ پذیرش: 12/10/97

چکیده

در این کار تخریب راکتیو نارنجی 29 با استفاده از فرآیند سونوفتوراکتور غشائی (SPMR) پیوسته متشکل از نانو ذراتN-TiO2، لامپ (های) تابش مرئی و پلی وینیلیدن فلوراید (PVDF) انجام گردید و فرآیند فوق با استفاده از شبکه عصبی مصنوعی مدلسازی شد. تاثیر متغیرهای عملیاتی شامل دوز کاتالیست، غلظت آلاینده، pH، توان لامپ نور مرئی و زمان فرآیند در راندمان تخریب سونوفتوکاتالیستی آلاینده مدل بررسی شد. افزایش در راندمان رنگزدائی با کاهش pH و افزایش شدت تابش مرئی مشاهده شد. نتایج بدست آمده از مدل سازی فرآیند نشان داد که شبکه عصبی مصنوعی توانایی مدلسازی فرآیند تخریب سونوفتوکاتالیستی با ضریب همبستگی (R2)  برابر با 9956/. را دارد. مقایسه تاثیر نسبی هر یک از متغیرهای مورد بررسی، حاکی از بیشتر بودن تاثیر زمان فرآیند و مقدار کاتالیست نسبت به سایر متغیرها بود. 

کلمات کلیدی: سونوفتوراکتور غشائی، نانوذرات N-TiO2، غشاء PVDF، شبکه عصبی مصنوعی.

1-مقدمه

آلودگی منابع آب (چشمه ها، رودخانه ها، آبهای زیر زمینی) تهدیدی جدی علیه سلامت انسانها است، به ویژه هنگامیکه این منابع آلوده برای آشامیدن، شستشو و یا آبیاری محصول های کشاورزی مورد استفاده قرار بگیرند. یکی از روشهای کاهش آلودگی این منابع گسترش و استفاده از فرآیندهای تصفیه موثر برای آبهای آلوده می باشد.

فرآیندهای اکسایش پیشرفته بعنوان گروهی از روش‌های مؤثر و پرکاربرد برای حذف آلاینده‌های آلی از منابع آبی آلوده محسوب می‌شوند. این فرآیندها به فرآیندهای فتوشیمیایی، الکتروشیمیایی و یا فتوکاتالیستی اطلاق می‌شوند که در آنها رادیکال‌های فعال آزاد مثل رادیکال هیدروکسیل (OH) تولید می‌گردند [1]. این رادیکال‌های آزاد قدرت اکسید کنندگی زیادی داشته و توانایی تخریب و معدنی سازی کامل آلاینده‌های آلی (تجزیه معدنی به CO2 و H2O و غیره) را دارند [2]. فرآیند تخریب فتوکاتالیستی یکی از روش های اکسایش پیشرفته است که به طور گسترده برای تجزیه مواد آلی در آب آلوده مورد استفاده قرار می گیرددر این روش از نیمه رساناهایی که فعالیت فتوکاتالیستی دارند مانند TiO2 و ZnO و همچنین از منبع نور با انرژی کافی برای فعالسازی نیمه رسانا استفاده می شود.

 

*.نویسنده مسئوول: استادیار دانشکده شیمی، دانشگاه خوارزمی                                                                           mohsen_sheydaei@khu.ac.ir

از میان فتوکاتالیست هایی که تاکنون شناخته شده اند TiO2 به دلیل اینکه از نظر بیولوژیکی و شیمیایی غیر فعال می‌باشد، در برابر خوردگی شیمیایی و فتوشیمیایی پایدار است، در آب فوق العاده کم محلول می‌باشد، قیمت پایینی دارد و قابل دسترس است، می‌تواند برای کاربردهای زیست محیطی بهترین انتخاب باشد ]3-2[.

 

Visible Light Lamp

Membrane

Cell

با وجود تمامی محاسن ذکر شده عواملی نیز وجود دارند که کاربرد TiO2 را به عنوان فتوکاتالیست در مقیاس صنعتی و از نظر اقتصادی دچار محدودیت می‌کنند. برخی از این عوامل عبارتند از جداسازی ذرات TiO2 سوسپانسه شده از محلول تصفیه شده و محدود بودن فعالیت فتوکاتالیستی این ترکیب به ناحیه ماوراء بنفش. به منظور اصلاح خواص و بالا بردن کارایی این ماده تلاش های زیادی انجام شده است.

دوپه کردن نیتروژن به ساختار کریستالی TiO2 و بکارگیری سونوفتوراکتور غشائی (SPMR) که ترکیب اکسیداسیون سونوفتوکاتالیستی و فیلتراسیون غشایی است روش هایی هستند که در این کار تحقیقاتی به منظور رفع مشکلات ذکر شده TiO2 برای تخریب آلاینده مدل راکتیو نارنجی 29 استفاده شداند. همچنین مدلسازی فرآیند و مقایسه اثر متغیرهای مستقل بر روی راندمان تخریب سونوفتوکاتالیستی با استفاده از شبکه عصبی مصنوعی در این کار تحقیقاتی انجام گردید.

2-بخش تجربی

2-1-مواد شیمیایی و معرف‌های مورد استفاده

نانو ذره ی Degussa P25-TiO2 با اندازه متوسط ذرات nm 21 از شرکت اونیک  آلمان خریداری شد. اوره با درصد خلوص %۹۹ از شرکت Merck به عنوان پیش ماده‌ی نیتروژن تهیه و استفاده شد. بقیه مواد شیمیایی با درجه خلوص زیاد تهیه و مورد استفاده قرار گرفتند.

2-2- تهیه N-TiO2

در این کار ابتدا فعالیت فتوکاتالیستی TiO2 در ناحیه نور مرئی با دوپه کردن نیتروژن در ساختار کریستالی آن تقویت شد. برای این منظور از اوره بعنوان پیش ماده فعال کننده با نسبت 6 به 1 نسبت به TiO2، دمای oC 450 و مدت فعالسازی 5 ساعت استفاده شد. فتوکاتالیست TiO2 فعال شده در ناحیه نور مرئی با استفاده از آنالیزهای طیف بازتاب نفوذی  (DRS) و مادون قرمز تبدیل فوریه  (FTIR) ارزیابی شد.

2-3- تخریب سونو فتو کاتالیستی

به منظور تخریب سونوفتوکاتالیستی ترکیب آلی رنگزا از سونوفتوراکتور غشائی که تصویر آن در شکل 1 نمایش داده شده است استفاده گردید. در هر آزمایش محلول حاوی آلاینده با غلظت مشخص با دبی تعیین شده وارد سونوفتوراکتور حاوی نانوذرات N-TiO2، لامپ مرئی و سل غشائی شد و پس از تخریب آلاینده طی فرآیند تخریب سونوفتوکاتالیستی، پساب تصفیه شده با استفاده از سلول غشائی از نانوذرات کاتالیست جدا شد. غلظت ماده رنگزای راکتیو نارنجی 29 بعنوان آلاینده مدل با استفاده از دستگاه اسپکتروفتومتر و نمودار کالیبراسیون غلظت/ جذب در طول موج nm  475تعیین شد.

 

شکل 1- تصویر شماتیک سونوفتوراکتور غشائی

2-4- مدلسازی با شبکه عصبی مصنوعی

شبکه عصبی سه لایه انتشار به عقب با استفاده از ابزار Neural Network نرم افزار MATLAB برای مدلسازی فرآیند تخریب سونوفتوکاتالیستی پیوسته استفاده شد. تابع انتقال خطی (purelin) بین لایه پنهان و خروجی مورد استفاده قرار گرفت. داده های بدست آمده از آزمایشهای تجربی به سه گروه آموزش، ارزیابی و تست تقسیم و برای مدلسازی فرآیند مورد استفاده قرار گرفت. متغیرهای ورودی به ترتیب شامل دوز کاتالیست، غلظت آلاینده، pH، توان لامپ نور مرئی و زمان فرآیند در محدوده mg/L 1000-50،  mg/L 20-5، 9-5،   W 108-36،  0- min 260 بود. راندمان رنگزدائی که به عنوان متغیر خروجی مورد استفاده قرار گرفت بین 0 - 100٪ بود. تمام مقادیر در محدوده 1/0-9/0 با استفاده از معادله زیر نرمال شدند:

 

      (1) 

که در آن  xi، Xi،  Xmin و Xmax به ترتیب مقدار نرمال شده (i بعنوان یک شاخص از داده ها)، مقدار تجربی واقعی، حداقل و حداکثر مقدار تجربی واقعی داده های مجموعه هستند.

3-بحث و نتیجه‌گیری

3-1- آنالیز N-TiO2 تهیه شده

در شکل 2 تصویر SEM از ذرات N-TiO2 مشاهده می‌شود که نشان می دهد بیشتر ذرات در ابعاد نانو می باشند و دوپه کردن نیتروژن باعث افزایش اندازه ذرات نشده است.

 

شکل 2- تصویر SEM نمونه N-TiO2

طیف‌ FTIR مربوط به نمونه N-TiO2 در شکل 3 نمایش داده شده است. پیک‌های عریض و پهن در ناحیه cm-1 800-400 مربوط به باند‌های Ti-O و Ti-O-Ti می‌باشند [3]. یک پیک قوی جذبی در cm-1 3420 نشان دهنده O-H کششی ارتعاشی مولکول آب و Ti-OH است که نشاندهنده حضور گروه های هیدروکسیل می باشد. بعلاوه پیک cm-1 1640-1620 مربوط به پیوند O-H مولکول آبی است که بر سطح TiO2جذب شده است [4, 5]. پیک جذبی قوی در cm-1 486 مربوط به N–Ti–N و یا N–Ti–O است که حاکی از وارد شدن نیتروژن به ساختار دی اکسید تیتانیوم می باشد.

 

شکل 3- طیف FTIR  نمونه N-TiO2

3-2- اثر عوامل موثر در راندمان تخریب آلاینده

3-2-1- اثر دوز کاتالیست

به منظور ارزیابی تاثیر دوز N-TiO2 بر روی راندمان تخریب آلاینده رنگزا، یک سری آزمایش در pH برابر با 5، در حضور آلاینده با غلظتmg/L  10 تحت تابش 2 لامپ مرئی در حالیکه دوز N-TiO2بینmg/L  1000-50 بود، انجام شد. همان طور که در شکل 4 نشان داده شده است پس از گذشت min 260 از شروع آزمایش، با افزایش مقدار اولیه کاتالیست تا mg/L 750 میزان تجزیه سونوفتوکاتالیستی افزایش یافته که این افزایش به دلیل فرآیند تجزیه فتوکاتالیستی ناهمگن است. هنگامی که دوز فتوکاتالیست به mg/L 1000 می رسد میزان تجزیه سونوفتوکاتالیستی به دلیل افزایش کدورت محلول و نرسیدن نور کافی به ذرات فتوکاتالیست کاهش یافته در نتیجه راندمان حذف نیز کاهش یافته است. به علاوه در دوزهای بالای کاتالیست به دلیل رخ دادن پدیده تجمع ذرات ممکن است میزان سطح موثر فتوکاتالیست کاهش یابد.

 

شکل 4- تاثیر دوز کاتالیستN-TiO2  بر میزان حذف آلاینده رنگزای راکتیو نارنجی 29 (در حضور آلاینده با غلظتmg/L  10 پس از گذشت min 260 از شروع آزمایش).

3-2-2- اثر pH سوسپانسیون

TiO2 در  pHبرابر با 25/6 دارای بار سطحی خنثی می باشد. در محیط اسیدی (5=pH) بار سطحی آن مثبت بوده و از آنجایی که آلاینده مورد نظر یک آلاینده کاتیونی است در محیط اسیدی کاتالیست و آلاینده همدیگر را دفع کرده در نتیجه راندمان حذف کاهش می یابد (شکل 5). در صورتی که در محیط بازی فتوکاتالیست بار سطحی منفی پیدا کرده و آلاینده کاتیونی را به خوبی جذب کرده و راندمان تخریب سونوفتوکاتالیستی را افزایش داده است. اگرچه با افزایش بیشتر قلیائیت محیط، هنگامی که به سمت pH برابر با 9 می رود میزان رنگزدائی کاهش یافته که این میزان کاهش ممکن است به دلیل کاهش پتانسیل اکسیداسیون رادیکال های فعال باشد.

 

شکل 5- تاثیر pH سوسپانسیون بر میزان حذف آلاینده رنگزای راکتیو نارنجی 29 (در حضور آلاینده با غلظتmg/L  10 و پس از گذشت min 260 از شروع آزمایش).

3-2-3- اثر شدت تابش نور مرئی

همانطور که در شکل 6 نشان داده شده است با افزایش تعداد لامپهای تامین کننده تابش بر روی فتوکاتالیست، راندمان تخریب آلاینده افزایش پیدا کرده است. این روند به خوبی تاثیر افزایش شدت تابش را بر میزان راندمان حذف آلاینده نشان می دهد. دلیل این امر این می باشد که با افزایش شدت تابش تعداد فوتون های رسیده به سطح فتوکاتالیست افزایش می یابد که منجر به تولید بیشتر رادیکال های هیدروکسیل و به تبع آن حذف رنگ می گردد [6].

 

شکل 6- تاثیر شدت تابش بر میزان حذف آلاینده رنگزای راکتیو نارنجی 29 (در حضور آلاینده با غلظتmg/L  10 و پس از گذشت min 260 از شروع آزمایش).

3-3-مدلسازی فرآیند

شبکه عصبی شامل لایه ورودی، پنهان و خروجی از نورونها و توابع انتقال بین این لایه ها است [7]. تعداد نورون ها در لایه های ورودی و خروجی به ترتیب با تعداد متغیرهای ورودی و خروجی تعیین می شوند. با این حال، انتخاب تعداد مناسب نورون ها در لایه های پنهان یک پارامتر حیاتی در عملکرد مدل توسعه یافته است [8]. در این کار، تعداد بهینه نورون ها بر اساس حداقل میانگین مربع خطا (MSE) مجموعه آموزش و تست تعیین شد [9]. بهینه سازی با تغییر تعداد نورون در محدوده 2 تا 22 انجام شد. شکل 7 ارتباط بین تعداد نورون ها و MSE را نشان می دهد. MSE با افزایش تعداد نورون تا 18 کاهش یافت و سپس دوباره افزایش یافت. از اینرو، 18 نورون به عنوان بهترین عدد نورون انتخاب شد.

 

شکل 7- تاثیر تعداد نورون در لایه مخفی بر روی عملکرد مدل ریاضی بدست آمده از شبکه عصبی مصنوعی

پس از توسعه مدل شبکه عصبی مصنوعی بهینه شده، مجموعه داده های تست به منظور ارزیابی مدل، به شبکه توسعه یافته تغذیه شد و مقادیر پیش بینی شده راندمان رنگزدائی با مقادیر واقعی آن مقایسه شدند . مقایسه راندمان رنگزدائی تجربی و مقادیر پیش بینی شده با استفاده از مدل شبکه عصبی (شکل 8) عملکرد خوب مدل توسعه یافته را در پیش بینی داده های تجربی در محدوده های پذیرفته شده با ضریب همبستگی(R2)  برابر با 9956/0 را نشان می دهد.

 

شکل 8- راندمان رنگزدائی تجربی و مقادیر پیش بینی شده با استفاده از مدل شبکه عصبی برای سری داده های تست

مجموعه ای از وزن ها و بایاس های مربوط به مدل شبکه عصبی مصنوعی بهینه شده در جدول 1 نمایش داده شده اند. برای تعیین اهمیت نسبی مقدار کاتالیست، غلظت آلاینده، pH، توان لامپ نور مرئی و زمان فرآیند در راندمان فرآیند تخریب سونوفتوکاتالیستی آلاینده مدل از معادله گارسون استفاده شد [10]. بر اساس نتایج بدست آمده که در شکل 9 نمایش داده شده است، زمان و مقدار کاتالیست بیشترین تاثیر را بر روی راندمان فرآیند داشته اند.

 

جدول 1. ماتریس وزنها و بایاسهای مدل بهینه شبکه عصبی

وزن و بایاس بین لایه های مخفی و خروجی

 

وزن و بایاس بین لایه های ورودی و مخفی

 

بایاس

وزن نورونهای لایه مخفی

بایاس

وزن متغیرها

شماره لایه مخفی

زمان

توان لامپ نور مرئی

pH

غلظت اولیه آلاینده

دوز کاتالیست

7630/0-

0395/0

6165/2-

5871/0-

2882/1

3269/1

4166/1

00683/0

1

8553/0-

2128/2

4648/0-

5787/1

9115/1-

3238/0-

1161/0-

2

5225/0-

4866/1

0769/2-

1167/1-

4063/1

639/1-

85371/0

3

7669/0

9063/1-

4835/0

6552/0-

4910/0-

03/0-

4822/2

4

7093/0-

0515/1

4477/1

0759/1-

7971/1

3460/0

2827/1-

5

0849/1-

5776/1-

8874/0

9791/0

5643/1

6102/1

1895/3

6

9031/0

1393/1-

0484/1-

5865/1-

1216/1-

7893/1-

4212/0-

7

8306/1

7826/0

9542/1

548/1

5287/1-

6950/0

5919/1-

8

063/2

1082/0-

9517/1-

1682/1-

7970/0

4604/0-

0683/1-

9

8185/0-

0488/0-

0651/1-

7339/1-

6319/0-

0813/1

0229/0

10

0571/1

1265/0-

8428/0-

8846/0-

3696/1

3078/1

0818/2

11

3822/0

2244/0-

1445/2

2856/2-

4174/0-

6428/0

8902/0-

12

2981/0-

2268/0

9488/1-

0641/1-

0984/1-

7030/0-

9830/0

13

5705/0

2503/0-

121/3

7442/0

3712/1-

8755/0

266/1

14

8266/1

7142/1

0242/1

5052/0-

0117/1

2829/0-

1301/1

15

3263/0

3136/2-

0974/1

5739/1

2128/1-

1223/0-

3126/0-

16

6137/0

161/2

7267/1-

5387/0-

8223/0

3708/1

0176/1-

17

2985/0-

2342/2-

7136/0

9189/0-

5839/0

5538/1-

7937/1-

18

                     

 

 

شکل 9- تاثیر نسبی متغیرهای دوز کاتالیست، pH سوسپانسیون، غلظت آلاینده، زمان فرآیند و توان لامپ نور مرئی در راندمان تخریب آلاینده بر اساس نتایج مدلسازی با شبکه عصبی مصنوعی

4-نتیجه‌گیری

در این پژوهش سونوفتوراکتور غشائی (SPMR) متشکل از نانو ذراتN-TiO2 ، لامپ (های) تابش مرئی و غشای پلی وینیلیدن فلوراید (PVDF) عملکرد خوبی در تخریب آلاینده آلی مدل از محلول آبی نشان داد. با وجود اینکه همه متغیرهای مورد بررسی یعنی دوز کاتالیست، pH سوسپانسیون، غلظت آلاینده، زمان فرآیند و توان لامپ نور مرئی در راندمان تخریب راکتیو نارنجی 29 موثر بودند ولی نتایج بدست آمده از مدل شبکه عصبی مصنوعی حاکی از بیشتر بودن اثر زمان و دوز کاتالیست نسبت به سایر متغیرهای مورد ارزیابی بود. 

5-مراجع

[1] T.A. Gad-Allah, S. Kato, S. Satokawa, T. Kojima, Desalination, 244 (2009), 1.

[2] A.R. Khataee, V. Vatanpour, A.R.A. Ghadim, J. Hazard. Mater., 161 (2009), 1225.

[3] L. Zhou, J. Deng, Y. Zhao, W. Liu, L. An, F. Chen, Materials Chemistry and Physics, 117, (2009), 522.

[4] N. Bao, J.-J. Niu, Y. Li, G.-L. Wu, X.-H. Yu, Environmental technology, 34, (2013), 2939.

[5] X. Cheng, X. Yu, Z. Xing, Applied Surface Science, 268, (2013), 204.

[6] M. Sheydaei, H.R.K. Shiadeh, B. Ayoubi-Feiz, R. Ezzati, Chem. Eng. J., 353, (2018), 138.

[7] B. Ayoubi-Feiz, M.H. Mashhadizadeh, M. Sheydaei, J. Electroanal. Chem., 823, (2018), 713.

]8[ باقری، احمد، مجله شیمی کاربردی، شماره 42، (1396) ص 181.

]9[ هاشمی، سید حسین، مجله شیمی کاربردی، شماره 42، (1396) ص 109.

 [10] M. Kıransan, A. Khataee, S. Karaca, M. Sheydaei, Curr. Nanosci., 11, (2015), 343.

 

[1] T.A. Gad-Allah, S. Kato, S. Satokawa, T. Kojima, Desalination, 244 (2009), 1.
[2] A.R. Khataee, V. Vatanpour, A.R.A. Ghadim, J. Hazard. Mater., 161 (2009), 1225.
[3] L. Zhou, J. Deng, Y. Zhao, W. Liu, L. An, F. Chen, Materials Chemistry and Physics, 117, (2009), 522.
[4] N. Bao, J.-J. Niu, Y. Li, G.-L. Wu, X.-H. Yu, Environmental technology, 34, (2013), 2939.
[5] X. Cheng, X. Yu, Z. Xing, Applied Surface Science, 268, (2013), 204.
[6] M. Sheydaei, H.R.K. Shiadeh, B. Ayoubi-Feiz, R. Ezzati, Chem. Eng. J., 353, (2018), 138.
[7] B. Ayoubi-Feiz, M.H. Mashhadizadeh, M. Sheydaei, J. Electroanal. Chem., 823, (2018), 713.
]8[ باقری، احمد، مجله شیمی کاربردی، شماره 42، (1396) ص 181.
]9[ هاشمی، سید حسین، مجله شیمی کاربردی، شماره 42، (1396) ص 109.
 [10] M. Kıransan, A. Khataee, S. Karaca, M. Sheydaei, Curr. Nanosci., 11, (2015), 343.