A platform for research: civil engineering, architecture and urbanism
A platform for research: civil engineering, architecture and urbanism
مقایسۀ مدل‌سازی روش‌های شبکۀ عصبی و RSM فرایند استخراج از صفحات مدارچاپی تلفن همراه به‌وسیلۀ افشرۀ لیمو
در این پژوهش، مقایسۀ میان روش‌های شبکۀ عصبی و سطح پاسخ در فرایند بیواسید لیچینگ بر پایۀ استفاده از افشرۀ لیمو برای استخراج فلزات مس و روی از صفحات مدارچاپی تلفن همراه بررسی شده است. سه شاخصۀ مهم چگالی پسماند، غلظت هیدروژن پراکسید و غلظت افشرۀ لیمو بررسی شد. برای بهینه‌سازی شاخصه‌های مؤثر از روش سطح پاسخ (RSM) استفاده شد. نتایج نشان داد که برای ذراتی با اندازۀ 150 تا μm 180 در دمای ثابت20 درجه سلسیوس و زمان 4h در شرایط بهینه شامل چگالی پسماند(w/v) 4/1% غلظت هیدروژن پراکسید(v/v) 2/12% و غلظت افشرۀ لیمو (v/v) 74%، بازده بازیابی فلزات مس و روی به‌ترتیب 89% و 73% است. هم‌چنین از شبکۀ عصبی مصنوعی برای پیش‌بینی میزان استخراج فلزات مس و روی به‌عنوان تابعی از شاخصه‌های موردبررسی استفاده شد. برای اعتبارسنجی مدل، یک چهارم داده‌های آزمایشگاهی به‌عنوان داده‌های ارزیابی در نظر گرفته شد. نتایج مدل‌سازی شبکۀ عصبی دقت بالایی را به‌منظور پیش‌بینی متغیر هدف نشان داد؛ به‌طوری‌که مقادیر خطای MRE، MSE و R2 به‌ترتیب 485/9%، 254/15 و 9356/0 برای مدل پیش‌بینی کنندۀ استخراج مس و 854/1%، 094/1 و 9963/0 برای مدل پیش‌بینی کنندۀ استخراج روی به‌دست آمد.
مقایسۀ مدل‌سازی روش‌های شبکۀ عصبی و RSM فرایند استخراج از صفحات مدارچاپی تلفن همراه به‌وسیلۀ افشرۀ لیمو
در این پژوهش، مقایسۀ میان روش‌های شبکۀ عصبی و سطح پاسخ در فرایند بیواسید لیچینگ بر پایۀ استفاده از افشرۀ لیمو برای استخراج فلزات مس و روی از صفحات مدارچاپی تلفن همراه بررسی شده است. سه شاخصۀ مهم چگالی پسماند، غلظت هیدروژن پراکسید و غلظت افشرۀ لیمو بررسی شد. برای بهینه‌سازی شاخصه‌های مؤثر از روش سطح پاسخ (RSM) استفاده شد. نتایج نشان داد که برای ذراتی با اندازۀ 150 تا μm 180 در دمای ثابت20 درجه سلسیوس و زمان 4h در شرایط بهینه شامل چگالی پسماند(w/v) 4/1% غلظت هیدروژن پراکسید(v/v) 2/12% و غلظت افشرۀ لیمو (v/v) 74%، بازده بازیابی فلزات مس و روی به‌ترتیب 89% و 73% است. هم‌چنین از شبکۀ عصبی مصنوعی برای پیش‌بینی میزان استخراج فلزات مس و روی به‌عنوان تابعی از شاخصه‌های موردبررسی استفاده شد. برای اعتبارسنجی مدل، یک چهارم داده‌های آزمایشگاهی به‌عنوان داده‌های ارزیابی در نظر گرفته شد. نتایج مدل‌سازی شبکۀ عصبی دقت بالایی را به‌منظور پیش‌بینی متغیر هدف نشان داد؛ به‌طوری‌که مقادیر خطای MRE، MSE و R2 به‌ترتیب 485/9%، 254/15 و 9356/0 برای مدل پیش‌بینی کنندۀ استخراج مس و 854/1%، 094/1 و 9963/0 برای مدل پیش‌بینی کنندۀ استخراج روی به‌دست آمد.
مقایسۀ مدل‌سازی روش‌های شبکۀ عصبی و RSM فرایند استخراج از صفحات مدارچاپی تلفن همراه به‌وسیلۀ افشرۀ لیمو
روژین عذیری (author) / رضا بیگزاده (author) / سید امید رستگار (author)
2022
Article (Journal)
Electronic Resource
Unknown
Metadata by DOAJ is licensed under CC BY-SA 1.0
مقایسۀ رفتار ترمودینامیکی اتان و اتیلن در چرخۀ مبرد آمیختۀ فرایند مایعسازی گاز طبیعی
| DOAJ | 2022
پیش بینی تقاضای خدمات بانکداری الکترونیک در ایران با استفاده از روش‌های شبکه عصبی مصنوعی و SARIMA
| DOAJ | 2014