当前位置:
X-MOL 学术
›
Spectrochim. Acta. A Mol. Biomol. Spectrosc.
›
论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
机器学习方法,用于预测对乙酰氨基酚在化学修饰的橙皮上的吸附效率。
Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy ( IF 4.3 ) Pub Date : 2020-08-04 , DOI: 10.1016/j.saa.2020.118769 Inioluwa Christianah Afolabi 1 , Segun Isaiah Popoola 2 , Olugbenga Solomon Bello 3
"点击查看英文标题和摘要"
更新日期:2020-08-19
Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy ( IF 4.3 ) Pub Date : 2020-08-04 , DOI: 10.1016/j.saa.2020.118769 Inioluwa Christianah Afolabi 1 , Segun Isaiah Popoola 2 , Olugbenga Solomon Bello 3
Affiliation
![]() |
扑热息痛(PCM)的大量消费已导致其大量代谢产物排放到环境中,因此迫切需要以可持续的方式去除这种有害污染物。在这项工作中,人工神经网络(ANN)被用作机器学习工具,用于预测PCM在化学修饰的橙皮(CMOP)上的吸附效率。用正磷酸对橙皮进行化学修饰,然后使用扫描电子显微镜(SEM)和傅立叶变换红外光谱(FTIR)对其进行表征。此后,在不同的操作条件下进行PCM在CMOP上的批量吸附,即:接触时间(0–330分钟),温度(30–50°C)和初始药物浓度(10 mg / L–50 mg / L),以得到溶液中PCM的残留浓度。实验数据用于计算PCM在CMOP上的吸附效率。为了预测吸附效率,研究了不同的人工神经网络架构。带有Levenberg Marquardt(LM)训练算法,17个隐藏神经元以及输入和输出层的正切S型传递函数的神经网络结构提供了最佳预测水平。与实验数据相比,最优模型产生均方误差(MSE),均方根误差(RMSE)和相关系数(R2)的5.8985×10 -04,0.0243和0.9958分别。所得结果表明,人工神经网络可有效预测PCM在CMOP上的吸附效率。
![](https://scdn.x-mol.com/jcss/images/paperTranslation.png)
"点击查看英文标题和摘要"