జర్నల్ ఆఫ్ అడ్వాన్స్‌డ్ కెమికల్ ఇంజనీరింగ్

నైరూప్య

చిటోసాన్ మాగ్నెటైట్ నానో కాంపోజిట్స్ (CMNలు) ఉపయోగించి సజల ద్రావణాల నుండి Fe (III) తొలగింపు కోసం కృత్రిమ న్యూరల్ నెట్‌వర్క్ మోడలింగ్

మినీ నామ్‌డియో, రమా మెహతా, మెహతా VK మరియు విజయ అగర్వాలా

చిటోసాన్ మాగ్నెటైట్ నానో కాంపోజిట్స్ (CMNలు) ఉపయోగించి ద్రవం అమరిక నుండి Fe (II) కణాల యొక్క చర్చా సామర్థ్యాన్ని అంచనా వేయడానికి రెండు-పొరల ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ (ANN) మోడల్ రూపొందించబడింది. 100 mgl−1 చివరి స్థిరీకరణను అందించడానికి రెండు రెట్లు శుద్ధి చేసిన నీటిలో FeCl3 యొక్క ముందుగా-కంప్యూటెడ్ మొత్తాన్ని కరిగించడం ద్వారా సోర్బెట్ స్టాక్ ఏర్పాటు చేయబడింది. 5-30 mgl−1 పరిధిలో స్థిరీకరణతో ప్రామాణిక ఏర్పాట్లను పొందడానికి స్టాక్ అమరిక బలహీనపడింది మరియు వాటి చివరి pH 4.5కి అనుగుణంగా మార్చబడింది. 0.02 గ్రా CMN సోర్బెంట్ కలిగిన 125 ml ఎర్లెన్‌మేయర్ ఫ్లాగాన్‌లో యాభై మిల్లీలీటర్ల FeCl3 అమరిక ఫ్యాన్సీడ్ ఫోకస్‌ను ఉంచారు. బ్యాలెన్స్‌ని పూర్తి చేయడానికి 3 గంటల వ్యవధి సరిపోతుందని కనుగొనబడింది. మార్గదర్శక విభాగం పరీక్షతో బ్యాక్ స్ప్రెడ్ (BP)ని కలపడం ద్వారా లక్ష్య లోహ కణాల కోసం CMNల యొక్క సోర్ప్షన్ సామర్థ్యాన్ని అనుమానించడానికి ANN మోడల్ ఉద్దేశించబడింది. సమాచారం మరియు దిగుబడి పొర కోసం ఒక సిగ్మోయిడ్ ఆక్సాన్ మార్పిడి సామర్థ్యంగా ఉపయోగించబడింది. Levenberg-Marquardt గణన (LMA) అనుసంధానించబడింది, దశాంశం యొక్క 6వ స్థానంలో సిద్ధం మరియు క్రాస్ అప్రోబేషన్ కోసం సగటు స్క్వేర్డ్ మిస్టేక్ (MSE) యొక్క బేస్ అంచనాను ఇస్తుంది.