کاربرد شبکه عصبی مصنوعی در پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی با استفاده از مولکول نگاری بسپاری

Authors

  • سید حسین هاشمی استادیار شیمی تجزیه، گروه شیمی دریا، دانشکده‌ی علوم دریایی، دانشگاه دریانوردی و علوم دریایی چابهار، چابهار، ایران
  • مجید میرمقدم دانشجوی دکترا شیمی تجزیه، گروه شیمی، دانشکده‌ی علوم، دانشگاه سیستان و بلوچستان، زاهدان، ایران
  • محمد شاکری کارشناسی ارشد شیمی تجزیه، گروه شیمی، دانشکده‌ی علوم، دانشگاه زابل، زابل، ایران
  • مسعود کیخوایی استاد شیمی تجزیه، گروه شیمی، دانشکده‌ی علوم، دانشگاه سیستان و بلوچستان، زاهدان، ایران
Abstract:

 در این مقاله، یک روش مدل‌سازی جدید بر اساس شبکه عصبی مصنوعی سه لایه‌ای برای پیشگویی بازده استخراج یون‌های روی از نمونه‌های حقیقی به‌وسیله‌ی استخراج با مولکول نگاری بسپاری شرح داده می‌شود. داده‌های ورودی مدل شبکه عصبی مصنوعی سه لایه‌ای، pH، زمان جذب و زمان واجذب، مقدار لیگاند، حجم محلول و مقدار پلیمر استخراج‌کننده هستند و خروجی آن بازده استخراج یون‌های روی است. میانگین خطای مربعات و ضریب همبستگی بین داده‌های تجربی و پیشگویی‌ها به ترتیب 0/00010 و 0/99923 برای آموزش، 0/0010 و 0/99373 برای ارزیابی و 0/0031 و 0/99178 برای داده‌های آزمایش تعیین شدند. در شرایط بهینه، گستره‌ی خطی دینامیکی در گستره‌ی 20 تا µg.l-1 1000 با حد تشخیص µg.l-1 2/9 به دست آمد. انحراف استاندارد نسبی کمتر از 9/2% بود. این روش برای پیش تغلیظ و تعیین روی در نمونه‌های حقیقی متفاوت با موفقیت به کار گرفته شد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

کاربرد شبکه عصبی مصنوعی در پیشگویی بازده استخراج یون های روی از نمونه های حقیقی با استفاده از مولکول نگاری بسپاری

در این مقاله، یک روش مدل سازی جدید بر اساس شبکه عصبی مصنوعی سه لایه ای برای پیشگویی بازده استخراج یون های روی از نمونه های حقیقی به وسیله ی استخراج با مولکول نگاری بسپاری شرح داده می شود. داده های ورودی مدل شبکه عصبی مصنوعی سه لایه ای، ph، زمان جذب و زمان واجذب، مقدار لیگاند، حجم محلول و مقدار پلیمر استخراج کننده هستند و خروجی آن بازده استخراج یون های روی است. میانگین خطای مربعات و ضریب همبستگی...

full text

جداسازی و پیش تغلیظ مقادیر ناچیز یون آهن با استفاده از مولکول نگاری پلیمری و کاربرد شبکه عصبی مصنوعی در پیشگویی بازده استخراج آن

in this study, a new modeling method based on three-layer artificial neural network (ann) techniques has been employed to predict the extraction yield of iron from real samples by means of molecularly imprinted polymer. input variables of the model were ph, absorption and desorption time, ligand amount and volume of solution while the output was extraction yield of iron ions. the mean squared e...

full text

مدل‌سازی بازده کششی تراکتور با استفاده از شبکه عصبی مصنوعی

در این مطالعه آزمایش­های مزرعه­ای در شرایط متفاوت عمق شخم، سرعت پیشروی و میزان وزنه­های متصل به تراکتور انجام شد. در این تحقیق، عمق شخم در چهار سطح 5، 10، 15 و 20 سانتی­متر، سرعت­های پیشروی در چهار سطح 5/2، 5/3، 5/4 و 5/5 کیلومتر بر ساعت و میزان سنگین­کننده نیز در چهار سطح 0، 40، 80 و 120 کیلوگرم قرار گرفت. شبکه­های عصبی مدل­سازی شده در این تحقیق که به­ منظور پیش­بینی بازده کششی تراکتور مورد اس...

full text

پیش‌بینی ارتباط بین بازده سهام و عدم تقارن اطلاعاتی با استفاده از شبکه-های عصبی مصنوعی

با توجه به اهمیت­ بازده در مطالعات سرمایه­گذاری، برآورد رابطه­ی آن با عدم تقارن اطلاعاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه­ی روش­های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت­های بورسی شده است. هدف از این تحقیق پیش­بینی بازده سهام با استفاده از عدم تقارن اطلاعاتی با رویکرد شبکه­های عصبی مصنوعی ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 10  issue 2

pages  17- 28

publication date 2016-08-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023