چکیده فارسی :

شبکه های مصنوعی عصبی (ANNs) عبارت از سیستم های کامپیوتر مدار می باشد که برای شبیه سازی پروسه یادگیری نورون ها در مغز انسان طراحی شده است. طی دهه اخیر ANNs توجه بسیاری را به عنوان مدل پیش بینی و شناخت الگویی را به خود معطوف نموده است. شبکه های مصنوعی عصبی از قابلیت یادگیری از دسته ای از داده های آزمایشی بدون دانش حقیقی قوانین فیزیکی و شیمیایی که سیستم را کنترل می کند، برخوردارند. بنابراین، کاربرد ANNs در فرآوری داده ها به ویژه در جایی اهمیت بسیاری دارد که سیستم ها دارای رفتار غیرخطی و جامع می باشند. در سال های اخیر پروسه های پیشرفته اکسیداسیون (AOPs) اعم از پروسه های نانوکاتالیزور همگون و ناهمگون برای اکسیده نمودن سریع پیشنهاد شده و نیز در مورد ویژگی غیرانتخابی طیف وسیعی از آلاینده های آب نیز صدق می کند. به علت پیچیدگی واکنش ها در AOPs، اثرات ناشی از پارامترهای عملیاتی متفاوت مربوطه به سختی تعیین می شود و از این رو عدم قطعیت در طراحی و مقیاس بندی رآکتورهای شیمیایی صنعتی روی می دهد. بخوبی مشهود است که امکان حل این مسئله با همبستگی ساده خطی و چند متغیر وجود ندارد. شبکه های عصبی مصنوعی به منزله یک تکنیک جایگزین و امیدوارکننده مدلسازی محسوب می شوند. در این مقاله به اختصار کاربرد شبکه های مصنوعی عصبی برای مدلسازی فرآوری آب و فاضلاب با استفاده از پروسه های همگون و ناهمگون نانوکاتالیزور توضیح داده شده است. نمونه هایی از کاربردهای اولیه ANNs در مدلسازی و شبیه سازی پروسه های فتوکاتالیزوری، فتواکسیداتیو و الکتروشیمیایی مورد بررسی قرار گرفته است.

چکیده انگلیسی :

Artificial neural networks (ANNs) are computer based systems that are designed to simulate the learning process of neurons in the human brain. ANNs have been attracting great interest during the last decade as predictive models and pattern recognition. Artificial neural networks possess the ability to “learn” from a set of experimental data (e.g. processing conditions and corresponding responses) without actual knowledge of the physical and chemical laws that govern the system. Therefore, ANNs application in data treatment is especially important where systems present nonlinearities and complex behavior. In recent years “advanced oxidation processes” (AOPs), including homogeneous and heterogeneous nanocatalytic processes, have been proposed to oxidize quickly and non-selectively a broad range of water pollutants. Due to the complexity of reactions in AOPs, the effect of different operational parameters involved are very difficult to determine, leading to uncertainties in the design and scale-up of chemical reactors of industrial interest. It is evident that this problem can not be solved by simple linear multivariate cor- relation. Artificial neural networks are a promising alternative modeling technique. This paper briefly describes the application of artificial neural networks for modeling of water and wastewater treatment using various homogeneous and heterogeneous nanocatalytic processes. Examples of early applications of ANNs in modeling and simulation of photocatalytic, photooxidative and electrochemical treatment processes are reviewed.