Effluent dyes are a significant threat to aquatic environments, causing water pollution that endangers human health and ecosystems. This study addresses the urgent need for effective dye degradation technologies by synthesizing tungstophosphoric acid (TPA) and porous hexagonal boron nitride (h-BN) nanocomposites (TPA@h-BN). TPA was immobilized on h-BN nanosheets in varying amounts (10–40 %), with the 30 %TPA@h-BN composite showing superior photocatalytic performance in methylene blue (MB) dye degradation. The photocatalytic process was investigated using batch experiments designed by central composite design (CCD). Subsequently, response surface methodology (RSM), artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) were employed to model the effects of reaction time, catalyst dosage, dye concentration and stirring speed. Statistical parameters were calculated for all three models, with the regression coefficients (R2) for RSM, ANN and ANFIS found to be 0.981, 0.977 and 0.928, respectively. These results indicate that the RSM and ANN models possess higher predictive capability and accuracy compared to the ANFIS model. Optimal dye degradation of 95.40 % was achieved in 240 min using 60 mg of 30 %TPA@h-BN, 15 ppm dye concentration and 550 rpm stirring. The process followed pseudo-first-order kinetics with a rate constant of 0.01303 min−1.

中文翻译：

---

使用 h-BN 上的钨磷酸光催化染料降解建模和优化：RSM、ANN 和 ANFIS 比较方法


废水染料对水生环境构成重大威胁，导致水污染，危及人类健康和生态系统。本研究通过合成钨基磷酸 （TPA） 和多孔六方氮化硼 （h-BN） 纳米复合材料 （TPA@h-BN） 解决了对有效染料降解技术的迫切需求。TPA 以不同量 （10-40%） 固定在 h-BN 纳米片上，30 %TPA@h-BN 复合材料在亚甲基蓝 （MB） 染料降解中表现出优异的光催化性能。使用中央复合材料设计 （CCD） 设计的批量实验研究了光催化过程。随后，采用响应面法 （RSM） 、人工神经网络 （ANN） 和自适应神经模糊推理系统 （ANFIS） 对反应时间、催化剂用量、染料浓度和搅拌速度的影响进行建模。计算所有三种模型的统计参数，发现 RSM 、 ANN 和 ANFIS 的回归系数 （R2） 分别为 0.981 、 0.977 和 0.928。这些结果表明，与 ANFIS 模型相比，RSM 和 ANN 模型具有更高的预测能力和准确性。使用 60 mg 30 %TPA@h-BN、15 ppm 染料浓度和 550 rpm 搅拌，在 240 分钟内实现了 95.40% 的最佳染料降解。该过程遵循速率常数为 0.01303 min-1 的准一级动力学。