نتایج و بحث
۴-۱- مقدمه
در این پژوهش، استفاده از ضایعات چای به عنوان جاذب ارزان قیمت و فراوان، جهت استخراج منگنز از محیط غذایی مورد بررسی قرار گرفته است. از یک بستر حاوی فاز جامد ضایعات چای، جهت پیش تغلیظ و جداسازی و نیز از طیف سنجی جذب اتمی شعله (FAAS) جهت تعیین مقدار یون مورد نظر استفاده شده است. دستیابی به بازدهی و بازیابی بالا در جداسازی و استخراج منگنز توسط روش استخراج با فاز جامد از نمونه های غذایی جزء اهداف این تحقیق میباشد و برای رسیدن به این هدف برخی عوامل مؤثر بر استخراج از قبیل pH، مقدار جاذب، زمان و غلظت شوینده برای شویش منگنز از جاذب مورد بررسی قرار گرفته و بهینه میشوند. از شبکه مصنوعی عصبی (ANN) جهت بهینه سازی فرایند استخراج مورد استفاده قرار میگیرد. سپس از این روش تحت شرایط بهینه، برای تعیین مقدار منگنز در نمونه های حقیقی استفاده گردید.
۴-۲- مدلسازی با شبکه عصبی مصنوعی
در این کار برای پیش بینی درصد استخراج منگنز از نمونه های غذایی، نرم افزار محاسباتی جعبه ابزار شبکه عصبی نسخه ۱۲-۷، متلب مورد استفاده قرار گرفت.
شبکه های عصبی مصنوعی به طور کلی متشکل از سه لایه شامل ورودی، پنهان و لایه خروجی میباشند. ورودیها در لایه ورودی استفاده میشوند و خروجی ها از لایه خروجی به دست میآیند و یادگیری هنگامی که ارتباط میان یک مجموعه خاص از جفت ورودی و خروجی شکل بگیرد، حاصل میشود (Che, 2010). در این مطالعه برای انتخاب بهترین الگوریتم شبکه عصبی تمام الگوریتم ها با هم مقایسه شدند و برای تمام الگوریتم ها از یک شبکه پرسپترون چندلایه MLP استفاده شد که به صورت پیش‌خور عمل می‌کند (سه لایه). تعداد ۱۰ نرون در لایه پنهان استفاده شده توابع تبدیل تانژانت سیگموئید لایه ورودی و لایه پنهان و یک تابع انتقال خطی (بین لایه پنهان و لایه خروجی) در لایه خروجی در نظر گرفته شد که در جدول(۴-۱) نشان داده می شود.
جدول ۱-۴: مقایسه الگوریتم ها با ۱۰ نرون در لایه پنهان
| BP algorithm | Function | MSE | IN | R2 | BLE |
| Resilient backpropagation | trainrp | ۰/۰۲۰۶۷ | ۶ | ۰/۲۲۳ | y=0/35x+0/31 |
| Fletcher-Reeves conjugate gradient backpropagation | traincgf | ۰/۰۲۰۸۴۲ | ۲۷ | ۰/۷۱۷ | y=0/76x+0/11 |
| Polak-Ribiere conjugate gradient backpropagation | traincgp | ۰/۰۳۱۲۸۶ | ۱۴ | ۰/۵۸۷ | y=0/68x+0/13 |
| Powell-Beale conjugate gradient backpropagation | traincgb | ۰/۰۱۵۹۳۱ | ۵ | ۰/۵۰۷ | y=0/57x+0/19 |
| Levenberg-Marquardt backpropagation | trainlm |
