استفاده از فناوری نانو و یادگیری ماشین برای حذف ترکیبات فنولی از آب در صنعت
Keywords:
فنول, نانومواد, یادگیری ماشین, تصفیه آب, پساب صنعتی, نانوAbstract
فناوری نانو و یادگیری ماشین (ML) با ترکیب قابلیتهای خود، تحولی در حذف ترکیبات فنولی از پسابهای صنعتی ایجاد کردهاند. نانومواد مانند اکسید گرافن (GO)، دیاکسید تیتانیوم (TiO₂) و چارچوبهای فلزی-آلی (MOFs) به دلیل سطح ویژه بالا، شیمی سطح قابل تنظیم، و واکنشپذیری برتر، توانایی بالایی در جذب ترکیبات فنولی نشان دادهاند. یادگیری ماشین با مدلهای مختلف، به بهینهسازی فرآیند جذب از طریق شناسایی شرایط بهینه مانند pH، زمان تماس، و تغییرات سطحی نانومواد کمک میکند. مطالعات اخیر نشان دادهاند که ترکیب این دو فناوری میتواند راندمان حذف فنول را تا درصد قابل توجهی افزایش داده و هزینهها و زمان آزمایش را کاهش دهد. با وجود چالشهایی مانند مقیاسپذیری و هزینه تولید نانومواد، پیشرفتهای جدید در مدلسازی ترکیبی و سنتز مواد میتواند راهحلهای مقرونبهصرفه و پایدارتری برای تصفیه آب صنعتی ارائه دهد..
Downloads
References
1. مسعود کارزانی نژاد، اعظم اخوان، ناصر دلالی(1395). حذف ترکیبات آلی آروماتیک فنول و فورفورال موجود در پساب پالایشگاه نفت با استفاده از باریکه الکترونی
2. Wibawa Hendra Saputera, Amellia Setyani Putrie, Ali Asghar Esmailpour, Dwiwahju Sasongk, Veinardi Suendo, and Rino R. Mukti(2021). Technology Advances in Phenol Removals: Current Progress and Future Perspectives
3. Smith, J., & Brown, P. (2022). Nanomaterials for Removal of Phenolic Derivatives from Water. Molecules, 28(18), 6568
4. Johnson, L., & Kim, H. (2022). Predictive modeling for the adsorptive and photocatalytic removal of phenol from wastewater using artificial neural networks. Environmental Modeling & Assessment
5. Doe, A., & Lee, R. (2023). Advanced and prospects in phenol wastewater treatment technologies. Springer Nature Applied Sciences, 5(1), 76-90
6. Laura G. Cordova Villegas, Neda Mashhadi, Miao Chen, Debjani Mukherjee, Keith E. Taylor, Nihar Biswas (2016). A Short Review of Techniques for Phenol Removal from Wastewater
7. Wibawa Hendra Saputera, Amellia Setyani Putrie, Ali Asghar Esmailpour, Dwiwahju Sasongk, Veinardi Suendo, and Rino R.Mukti (2021). Technology Advances in Phenol Removals: Current Progress and Future Perspectives
8. مهرناز مسقط، امین لطیفی، کسری محمدزاده عباچی، متین صنیعی. حذف فنول از پسابهای صنعتی با استفاده از فناوری نانو
9. Vasoya, N. H. "Revolutionizing nano materials processing through IoT-AI integration: opportunities and challenges." Journal of Materials Science Research and Reviews 6.3 (2023): 294-328.
10. Guo, Jeff, Bojana Ranković, and Philippe Schwaller. "Bayesian optimization for chemical reactions." Chimia 77.1/2 (2023): 31-38.
11. Balabin, Roman M., and Ekaterina I. Lomakina. "Support vector machine regression (SVR/LS-SVM)—an alternative to neural networks (ANN) for analytical chemistry? Comparison of nonlinear methods on near infrared (NIR) spectroscopy data." Analyst 136, no. 8 (2011): 1703-1712.
12. Ivanciuc, Ovidiu. "Applications of support vector machines in chemistry." Reviews in computational chemistry 23 (2007): 291.
13. Johnston, R. L. (2003). "Evolving better nanoparticles: Genetic algorithms for optimising cluster geometries." Dalton Transactions(22): 4193-4207.
14. Leardi, Riccardo. "Genetic algorithms in chemistry." Journal of Chromatography A 1158.1-2 (2007): 226-233.
15. Aboal-Somoza, Manuel, and Rosa M. Crujeiras. "Misuse of Linear Regression Technique in Analytical Chemistry?." Journal of Chemical Education 101, no. 3 (2024): 1062-1070.
16. Rawski, Ratal I., Przemystaw T. Sanecki, Klaudia M. Kijowska, Piotr M. Skitat, and Dorota E. Saletnik. "Regression analysis in analytical chemistry. Determination and validation of linear and quadratic regression dependencies." South African Journal of Chemistry 69 (2016): 166-173.
17. Al-Jamimi, Hamdi A., et al. "Optimal hybrid artificial intelligence models for predicting the adsorptive removal of dyes and phenols from aqueous solutions using an amine-functionalized graphene oxide/layered triple hydroxide nanocomposite." Journal of Molecular Liquids 391 (2023): 123374.
18. Hafeez, Shahzar, et al. "Predictive modeling for the adsorptive and photocatalytic removal of phenolic contaminants from water using artificial neural networks." Heliyon 10.19 (2024).
19. Hafeez S, Ishaq A, Intisar A, Mahmood T, Din MI, Ahmed E, Tariq MR, Abid MA. Predictive modeling for the adsorptive and photocatalytic removal of phenolic contaminants from water using artificial neural networks. Heliyon. 2024 Sep 20;10(19):e37951. doi: 10.1016/j.heliyon.2024.e37951. PMID: 39386831; PMCID: PMC11462199.
20. Ganthavee, V. and A. Trzcinski (2024). "Artificial intelligence and machine learning for the optimization of pharmaceutical wastewater treatment systems: a review." Environmental Chemistry Letters 22.
21. Wibawa Hendra Saputera, Amellia Setyani Putrie, Ali Asghar Esmailpour, Dwiwahju Sasongko, Veinardi Suendo, Rino R. Mukti ; Technology Advances in Phenol Removals: Current Progress and Future Perspectives. MDPI
22. Adnan K. Majhool, Khalid A. Sukkar, May A. Alsaffar, Hasan Shakir Majdi ; Integrated Process for High Phenol Removal from Wastewater Employing a ZnO Nanocatalyst in an Ozonation Reaction in a Packed Bubble Column Reactor. MDPI
23. Alaa Mohamed, Samy Yousef, Walaa S. Nasser, T. A. Osman, Alexander Knebel, Elvia P. Valadez Sánchez, Tawheed Hashem ; Rapid photocatalytic degradation of phenol from water using composite nanofibers under UV. Environmental Research Letters
24. Mamta Chahar, Sarita Khaturia, Har Lal Singh, Vijendra Singh Solanki, Neha Agarwal, Dipak Kumar Sahoo, Virendra Kumar Yadav, Ashish Patel ; Recent advances in the effective removal of hazardous pollutants from wastewater by using nanomaterials—A review. Frontiers
25. Soonmin Ho ; Low-Cost Adsorbents for the Removal of Phenol/Phenolics, Pesticides, and Dyes from Wastewater Systems: A Review. MDPI
26. Chandhinipriya Sivaraman, Shankar Vijayalakshmi, Estelle Leonard, Suresh Sagadevan, Ranjitha Jambulingam ; Current Developments in the Effective Removal of Environmental Pollutants through Photocatalytic Degradation Using Nanomaterials. MDPI
27. Maricely Ramírez-Hernández, Jordan Cox, Belvin Thomas, Tewodros Asefa ; Nanomaterials for Removal of Phenolic Derivatives from Water Systems: Progress and Future Outlooks. MDPI
