Ứng dụng phương pháp rsm ann để tối ưu hóa điều kiện hấp phụ thuốc nhuộm của than hoạt tính từ phụ phẩm mít

ỦY BAN NHÂN DÂN THÀNH ĐỒN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH TRUNG TÂM PHÁT TRIỂN SỞ KHOA HỌC VÀ CÔNG NGHỆ KHOA HỌC VÀ CÔNG NGHỆ TRẺ CHƯƠNG TRÌNH KHOA HỌC VÀ CƠNG NGHỆ CẤP THÀNH PHỐ BÁO CÁO TỔNG HỢP KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ ỨNG DỤNG PHƯƠNG PHÁP RSM, ANN ĐỂ TỐI ƯU HÓA ĐIỀU KIỆN HẤP PHỤ THUỐC NHUỘM CỦA THAN HOẠT TÍNH TỪ PHỤ PHẨM MÍT Cơ quan chủ trì nhiệm vụ: Trung tâm Phát triển Khoa học Công nghệ Trẻ Chủ nhiệm nhiệm vụ: Hồng Ngọc Bích Thành phố Hồ Chí Minh - 2022 ỦY BAN NHÂN DÂN THÀNH ĐỒN TP HỒ CHÍ MINH THÀNH PHỐ HỒ CHÍ MINH SỞ KHOA HỌC VÀ CÔNG NGHỆ TRUNG TÂM PHÁT TRIỂN KHOA HỌC VÀ CÔNG NGHỆ TRẺ CHƯƠNG TRÌNH KHOA HỌC VÀ CƠNG NGHỆ CẤP THÀNH PHỐ BÁO CÁO TỔNG HỢP KẾT QUẢ NHIỆM VỤ NGHIÊN CỨU KHOA HỌC VÀ CÔNG NGHỆ ỨNG DỤNG PHƯƠNG PHÁP RSM, ANN ĐỂ TỐI ƯU HÓA ĐIỀU KIỆN HẤP PHỤ THUỐC NHUỘM CỦA THAN HOẠT TÍNH TỪ PHỤ PHẨM MÍT (Đã chỉnh sửa theo kết luận Hội đồng nghiệm thu ngày tháng 12 năm 2022) Chủ nhiệm nhiệm vụ: (ký tên) Chủ tịch Hội đồng nghiệm thu (Ký ghi rõ họ tên) Hồng Ngọc Bích Cơ quan chủ trì nhiệm vụ Đồn Kim Thành Thành phố Hồ Chí Minh - 2022 THÀNH ĐỒN TP HỒ CHÍ MINH CỘNG HỒ XÃ HỘI CHỦ NGHĨA VIỆT NAM TRUNG TÂM PHÁT TRIỂN Độc lập - Tự - Hạnh phúc KHOA HỌC VÀ CÔNG NGHỆ TRẺ Tp HCM, ngày tháng năm 2022 BÁO CÁO THỐNG KÊ KẾT QUẢ THỰC HIỆN NHIỆM VỤ NGHIÊN CỨU KH&CN I THÔNG TIN CHUNG Tên nhiệm vụ: Ứng dụng phương pháp RSM, ANN để tối ưu hóa điều kiện hấp phụ thuốc nhuộm than hoạt tính từ phụ phẩm mít Thuộc: Chương trình/lĩnh vực (tên chương trình/lĩnh vực): Vườn ươm Sáng tạo Khoa học Công nghệ trẻ Chủ nhiệm nhiệm vụ: Họ tên: Hồng Ngọc Bích Ngày, tháng, năm sinh: 05-08-1995 Nam/ Nữ: Nữ Học hàm, học vị: Thạc sĩ Chức vụ: Chuyên Viên nghiên cứu Khoa học Điện thoại: Tổ chức: (028)3.9405.875 Mobile: 0985854328 Fax: (028)3.9404.759 E-mail: bichhn@ntt.edu.vn Tên tổ chức công tác: Trường Đại học Nguyễn Tất Thành Địa tổ chức: 300A, Nguyễn Tất Thành, Phường 13, Quận 4, Tp Hồ Chí Minh Địa nhà riêng: S107 Vinhome grand park, 512 Nguyễn Xiển, Phường Long Thạnh Mỹ, Tp Thủ Đức, Tp Hồ Chí Minh Tổ chức chủ trì nhiệm vụ: Tên tổ chức chủ trì nhiệm vụ: Trung tâm Phát triển Khoa học Công nghệ Trẻ Điện thoại: 028.38.230.780 E-mail: khoahoctre@gmail.com Website: khoahoctre.com.vn Địa chỉ: Số 01 Phạm Ngọc Thạch, Phường Bến Nghé, Quận Họ tên thủ trưởng tổ chức: Đoàn Kim Thành Số tài khoản: 3713.0.1083277.00000 Kho bạc: Kho bạc Nhà nước Quận II TÌNH HÌNH THỰC HIỆN Thời gian thực nhiệm vụ: - Theo Hợp đồng ký kết : từ 08 tháng 12 năm 2021 đến 08 tháng 12 năm 2022 - Thực tế thực : từ tháng 06 năm 2021 đến tháng … năm 2022 - Được gia hạn (nếu có): khơng Kinh phí sử dụng kinh phí: a) Tổng số kinh phí thực hiện: 90 tr.đ, đó: + Kính phí hỗ trợ từ ngân sách khoa học: 90 tr.đ + Kinh phí từ nguồn khác: tr.đ b) Tình hình cấp sử dụng kinh phí từ nguồn ngân sách khoa học: Theo kế hoạch Thực tế đạt Thời gian Kinh phí Thời gian Kinh phí (Tháng, năm) (Tr.đ) (Tháng, năm) (Tr.đ) Sau ký hợp 45,000,000 Tháng 06/2022 45,000,000 đồng Tháng …/2022 27,000,000 … Sau nghiệm 18,000,000 thu c) Kết sử dụng kinh phí theo khoản chi: Số TT Ghi (Số đề nghị toán) Đối với đề tài: Ứng dụng phương pháp RSM, ANN để tối ưu hóa điều kiện hấp phụ thuốc nhuộm than hoạt tính từ phụ phẩm mít Đơn vị tính: Triệu đồng Số TT Nội dung khoản chi Trả công lao động (khoa học, phổ thông) Theo kế hoạch Tổng NSKH Thực tế đạt Nguồn khác 82.595.170 82.595.170 Tổng NSKH 82.595.170 82.595.170 Nguồn khác Nguyên, vật liệu, lượng Thiết bị, máy móc Xây dựng, sửa chữa nhỏ Chi khác Tổng cộng 0 0 0 0 0 0 0 0 0 7.404.830 90.000 000 7.404.830 90.000 000 7.404.830 90.000 000 7.404.830 90.000 000 0 - Lý thay đổi (nếu có): Các văn hành q trình thực đề tài/dự án: (Liệt kê định, văn quan quản lý từ công đoạn xét duyệt, phê duyệt kinh phí, hợp đồng, điều chỉnh (thời gian, nội dung, kinh phí thực có); văn tổ chức chủ trì nhiệm vụ (đơn, kiến nghị điều chỉnh có) Số TT Số, thời gian ban hành văn 40/2021/HĐ – KHCNT – VƯ số 01 ngày 08/12/2021 số 02 ngày 08/01/2022 số 03 ngày 08/02/2022 số 04 ngày 08/03/2022 số 05 ngày 15/03/2022 số 06 ngày 25/05/2022 số 07 ngày 18/07/2022 Tên văn Hợp đồng thuê khoán dự toán kinh phí thực đề tài năm 2021 Hợp đồng thuê khốn chun mơn Hợp đồng th khốn chun mơn Hợp đồng th khốn chun mơn Hợp đồng th khốn chun mơn Hợp đồng th khốn chun mơn Hợp đồng th khốn chun mơn Hợp đồng th khốn chun mơn Ghi Đạt Đạt Đạt Đạt Đạt Đạt Đạt Đạt Tổ chức phối hợp thực nhiệm vụ: Số TT Tên tổ chức đăng ký theo Thuyết minh Tên tổ chức tham gia thực Nội dung tham gia chủ yếu Sản phẩm chủ yếu đạt Ghi chú* Trường ĐH Nguyễn Tất Thành Trường ĐH Nguyễn Tất Thành Chủ nhiệm đề tài, thư ký khoa học, thực  Vật liệu than hoạt tính Đạt từ phụ phẩm mít Diện tích bề mặt từ 200 – 1000 m2/g  Báo cáo đầy đủ chi tiết, rõ ràng thơng số q trình tổng hợp vật liệu than hoạt tính từ phụ phẩm mít với hỗ trợ vi sóng  02 Bài báo khoa học (01 tạp trí khoa học quốc tế thuộc hệ thống scopus, 01 chuyên san Khoa học Công nghệ Trẻ) - Lý thay đổi (nếu có): Cá nhân tham gia thực nhiệm vụ: (Người tham gia thực đề tài thuộc tổ chức chủ trì quan phối hợp, khơng 10 người kể chủ nhiệm) Số TT Tên cá nhân đăng ký theo Thuyết minh Tên cá nhân tham gia thực Nội dung tham gia ThS Hồng Ngọc Bích ThS Hồng Ngọc Bích Chủ nhiệm đề tài ThS Ngô Thị Cẩm Quyên ThS Ngô Thị Cẩm Quyên Thư ký đề tài ThS Trần Văn Thuận ThS Trần Văn Thuận Thành viên Sản phẩm chủ Ghi chú* yếu đạt Xây dựng thuyết minh đề tài Xây dựng thuyết minh đề tài Thu thập nguyên liệu Xây dựng thuyết minh đề tài Thu thập ngun liệu Phân tích thành phần hóa lý than hoạt tính từ phụ phẩm xác định điểm điện tích Hồn thành Hồn thành Hồn thành ThS Nguyễn Thị Cẩm Duyên ThS Nguyễn Thị Cẩm Duyên Thành viên KS Châu Hùng Dũng KS Châu Hùng Dũng Thành viên bề mặt vật liệu Phân tích thành phần hóa lý than hoạt tính từ phụ phẩm xác định điểm điện tích bề mặt vật liệu Thu thập nguyên liệu Phân tích thành phần hóa lý than hoạt tính từ phụ phẩm xác định điểm điện tích bề mặt vật liệu Hoàn thành Hoàn thành - Lý thay đổi ( có): Tình hình hợp tác quốc tế: Số TT Theo kế hoạch (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia ) Thực tế đạt (Nội dung, thời gian, kinh phí, địa điểm, tên tổ chức hợp tác, số đoàn, số lượng người tham gia ) Ghi chú* - Lý thay đổi (nếu có): Tình hình tổ chức hội thảo, hội nghị: Số TT Theo kế hoạch (Nội dung, thời gian, kinh phí, địa điểm ) Hội thảo lĩnh vực Tháng 10/2022 Kinh phí 4,900,000 Trực tiếp Hội trường Trung tâm Phát triển Khoa học Công nghệ Trẻ Thực tế đạt (Nội dung, thời gian, kinh phí, địa điểm ) Hội thảo lĩnh vực Tháng 10/2022 Kinh phí 4,900,000 Trực tiếp Ghi chú* Đạt - Lý thay đổi (nếu có): Tóm tắt nội dung, cơng việc chủ yếu: (Nêu mục 15 thuyết minh, không bao gồm: Hội thảo khoa học, điều tra khảo sát nước nước ngoài) Số TT Thời gian Người, (Bắt đầu, kết thúc Các nội dung, công việc quan - tháng … năm) chủ yếu thực Theo kế hoạch Thực tế đạt Xây dựng thuyết minh 01/2022 02/2022 Hoàng Ngọc Bích, đề tài Ngơ Thị Cẩm Qun, Trần Văn Thuận, Đại học Nguyễn Tất Thành Thu thập nguyên liệu 01/2022 02/2022 Ngô Thị Cẩm Quyên, Trần Văn Thuận, Châu Hùng Dũng, Đại học Nguyễn Tất Thành Phân tích thành phần 04/2022 04/2022 Nguyễn Thị Cẩm hóa lý than hoạt tính Duyên, Trần Văn từ phụ phẩm xác định Thuận, Châu Hùng điểm điện tích bề Dũng, Đại học mặt vật liệu Nguyễn Tất Thành Đánh giá khả hấp 06/2022 04/2022 Nguyễn Thị Cẩm phụ chọn lọc than Duyên, Trần Văn hoạt tính đánh giá Thuận, Châu Hùng yếu tố ảnh hưởng đến Dũng, Đại học trình hấp phụ Nguyễn Tất Thành Đánh giá mơ hình động 08/2022 05/2022 Hồng Ngọc Bích, học đẳng nhiệt hấp Ngô Thị Cẩm Quyên, phụ Châu Hùng Dũng, Đại học Nguyễn Tất Thành Tối ưu hóa điều kiện hấp 10/2022 07/2022 Hồng Ngọc Bích, phụ mơ hình RSM Ngơ Thị Cẩm Qun, ANN Nguyễn Thị Cẩm Duyên, Trần Văn Thuận, Châu Hùng Dũng, Đại học Nguyễn Tất Thành Báo cáo tổng kết đề tài 12/2022 10/2022 Hồng Ngọc Bích, Đại học Nguyễn Tất Thành - Lý thay đổi (nếu có): III SẢN PHẨM KH&CN CỦA NHIỆM VỤ Sản phẩm KH&CN tạo ra: a) Sản phẩm Dạng I: Số TT Tên sản phẩm Đơn tiêu chất lượng vị đo chủ yếu Vật liệu than hoạt tính từ phụ phẩm Gam mít Số lượng Theo kế hoạch Diện tích bề mặt từ 200 – 1000 m2/g Thực tế đạt Diện tích bề mặt đạt 268,004 m2/g (VScm) 309,261 m2/g (VSvm) - Lý thay đổi (nếu có): b) Sản phẩm Dạng II: Số TT Tên sản phẩm Báo cáo tổng hợp vật liệu than hoạt tính từ phụ phẩm mít với hỗ trợ vi sóng Yêu cầu khoa học cần đạt Theo kế hoạch Thực tế đạt Báo cáo đầy đủ chi tiết, Báo cáo đầy đủ chi tiết, rõ ràng thông số rõ ràng thông số trình tổng hợp vật trình tổng hợp vật liệu thông số yếu liệu tố ảnh hưởng đến khả hấp phụ vật liệu Ghi - Lý thay đổi (nếu có): c) Sản phẩm Dạng III: Số TT Tên sản phẩm Bài báo khoa học quốc tế Bài báo khoa học nước Yêu cầu khoa học cần đạt Theo kế hoạch Bài báo chấp nhận đăng tạp chí khoa học quốc tế thuộc hệ thống Scopus Bài báo chấp nhận đăng chuyên san Khoa học Công nghệ Trẻ Thực tế đạt Số lượng, nơi công bố ChemEngineering (Q2) 01 Chuyên san Khoa học Công nghệ Trẻ 01 - Lý thay đổi (nếu có): d) Kết đào tạo: Số TT Cấp đào tạo, Chuyên ngành đào tạo Số lượng Theo kế hoạch Thực tế đạt Ghi (Thời gian kết thúc) Thạc sỹ Tiến sỹ - Lý thay đổi (nếu có): đ) Tình hình đăng ký bảo hộ quyền sở hữu công nghiệp: Số TT Tên sản phẩm đăng ký Kết Theo kế hoạch Thực tế đạt Ghi (Thời gian kết thúc) - Lý thay đổi (nếu có): e) Thống kê danh mục sản phẩm KHCN ứng dụng vào thực tế Số TT Tên kết ứng dụng Thời gian Địa điểm (Ghi rõ tên, địa nơi ứng dụng) Kết sơ Đánh giá hiệu nhiệm vụ mang lại: a) Hiệu khoa học cơng nghệ: Từ mơ hình RSM yếu tố có tương tác rõ rệt Các thí nghiệm mơ hình phân bố Các điểm vùng tối ưu thể cách rõ nét Đối với mơ hình ANN cho thấy tương quan thấp so với mơ hình RSM, giá trị đào tạo đánh giá cho thấy phù hợp với giá trị đánh giá thực tế Từ giá trị tối ưu lựa chọn Đối với vật liệu VScm giá trị tối ưu ghi nhận pH8.97, nồng độ 50,5 mg.L-1, hàm lượng 0,57 g.L-1 Với điều kiện tối ưu dung lượng hấp phụ dự đốn từ mơ hình cho 90,82 mg.g-1 với hiệu suất 100% Đối với vật liệu VSvm giá trị tối ưu ghi nhận pH8.61, nồng độ 52 mg.L-1, hàm lượng 0,57 g.L-1 Với điều kiện tối ưu dung lượng hấp phụ dự đốn từ mơ hình cho 94,04 mg.g-1 với hiệu suất 100% Từ kết tối ưu thấy rằng, than hoạt tính tổng hợp từ vỏ hay cùi mít cho dung lượng hấp phụ tối đa b) Hiệu kinh tế xã hội: Sản phẩm tận dụng nguồn phế phụ phẩm mít sau q trình chế biến gần khơng tốn kinh phí cho phần ngun liệu Sử dụng phương pháp microwave với công suất thấp để tổng hợp than hoạt tính cho với chi phí thấp Quá trình tối ưu giúp cho trình xử lý chất ô nhiễm cách tốt với h lượng thấp có thẻ Điều giúp giảm thiểu tối đa chi phí vận hành xử lý Tình hình thực chế độ báo cáo, kiểm tra nhiệm vụ: 10 mạng đào tạo Basheer Naijar sử dụng 36 liệu để đào tạo liệu để kiểm tra [79] Isha et al sử dụng 19 liệu để đào tạo liệu để kiểm tra [80] Shetty et al.đã sử dụng 24 liệu để đào tạo, liệu để xác thực liệu để kiểm tra mơ hình ANN tương ứng [81] Q trình học tập sử dụng mơ hình mạng lưới truyền thẳng (Feed forward backpropagation) với hàm học liệu có kiểm sốt (learngdm), hàm đào tạo Levenberg – Marquardt (trainlm), hàm truyền tuyến tính (purelin), hàm sai số (MSE) Mơ hình ANN thể hình 3.12 Trong trình phát triển mạng nơ-ron, số lượng lớp ẩn khác nhau, số lượng nơ-ron lớp loại chức truyền cho nơ-ron phân tích với tỷ lệ học tập mục tiêu đào tạo Sau đó, mạng đào tạo kiểm tra cách sử dụng liệu thử nghiệm phương pháp MSE Hình 3.12: Mơ hình ANN Các giá trị mơ hình thể bảng 3.7 tương ứng với hai loại vật liệu Từ hiệu xuất đánh giá thí nghiệm, mơ hình ANN đào tạo thể giá trị dự đốn mơ hình Các giá trị thực nghiệm có chênh lệch khơng đáng kể so với giá trị mà mơ hình dự đốn Nhưng giá trị dự đốn mơ hình ANN so sánh với mơ hình RSM cho thấy khoảng cách giá trị thực nhiệm dự đốn mơ hình ANN lớn so với mơ hình RSM Các giá trị sai số thí 59 nghiệm tính tốn thể bảng 3.7 sai số mơ hình cho vật liệu VScm MSE = 0,3 VSvm MSE = 0,04 Bảng 3.7: Giá trị thí nghiệm mơ hình Giá trị thực Thí nghiệm pH Nồng Hàm độ lượng nghiệm Giá trị dự đoán MSE VScm VSvm VScm VSvm VScm VSvm 50 0,4 81,86 86,00 88,34 86,18 -6,48 -0,18 50 0,4 92,16 86,14 89,81 91,43 2,35 -5,29 100 0,4 61,94 52,20 62,08 57,15 -0,14 -4,95 100 0,4 55,47 57,00 63,15 60,66 -7,68 -3,66 50 0,6 87,54 92,00 96,05 97,74 -8,51 -5,74 50 0,6 99,94 100,00 96,64 98,76 3,30 1,24 7 100 0,6 76,16 72,00 72,86 75,43 3,30 -3,43 100 0,6 71,94 84,94 74,80 82,68 -2,86 2,26 6,32 75 0,5 80,00 74,00 80,34 78,60 -0,34 -4,60 10 9,68 75 0,5 83,23 85,00 83,57 89,39 -0,34 -4,39 11 32,95 0,5 99,27 98,00 97,23 98,31 2,05 -0,31 12 117,05 0,5 59,57 57,00 60,99 58,76 -1,41 -1,76 13 75 0,33 65,50 69,00 70,16 64,72 -4,66 4,28 14 75 0,67 85,48 99,00 91,73 96,37 -6,25 2,63 60 15 75 0,5 85,53 88,50 81,98 84,48 3,56 4,02 16 75 0,5 85,04 88,50 81,98 84,48 3,06 4,02 17 75 0,5 86,36 88,73 81,98 84,48 4,38 4,25 18 75 0,5 85,56 90,56 81,98 84,48 3,58 6,08 19 75 0,5 85,07 87,97 81,98 84,48 3,09 3,49 20 75 0,5 85,96 87,31 81,98 84,48 3,98 2,83 0,30 0,04 MSE Các trình học tập, giám sát đánh giá đánh giá với giá trị thực nghiệm hệ số tương quan trình thể hình 3.13 3.14 Đối với vật liệu VScm trình đào tạo mơ hình ANN cho hệ số tương quan R2 = 0,923, trình giám sát cho hệ số tương quan R2 = 0,974, trình đánh giá cho hệ số tương quan R2 = 0,980 Tổng quan mô hình vật liệu VScm cho thấy hệ số tương quan R2 = 0,933 > 0,930 Điều cho thấy dự đốn mơ hình ANN phù hợp với giá trị thực nghiệm 61 Hình 3.13: Biểu đồ giá trị tương quan VScm Còn vật liệu VSvm q trình đào tạo mơ hình ANN cho hệ số tương quan R2 = 0,944, trình giám sát cho hệ số tương quan R2 = 0,988, trình đánh giá cho hệ số tương quan R2 = 0,990 Hệ số tương quan tổng mơ hình ghi nhận R2 = 0,939 > 0,93 Kết cho thấy phù hợp giá trị dự đoán mơ hình ANN với giá trị thực nghiệm Có thể thấy mơ hình ANN phù hợp với giá trị thực nghiệm, phù hợp với giá thực nghiệm mơ hình RSM Hệ số tương quan mơ hình RSM cao so với ANN Sai số mơ hình RSM thấp so với mơ hình ANN Điều kiện tối ưu từ mơ hình ANN lựa chọn dựa vào hiệu suất cao với độ lệch chuẩn thấp Đối với VScm (97,23%, MSE = 2,05) VSvm (98,31%, MSE = -0,31) cho hiệu suất độ lệch tương ứng chung điều kiện hấp phụ tối ưu bao gồm: pH8, nồng độ 32,95 mg.L-1, hàm lượng 0,5 g.L-1 62 Hình 3.14: Biểu đồ giá trị tương quan VSvm Dựa kết tối ưu từ mơ hình RSM ANN Dung lượng hấp phụ đánh giá lại với điều kiện tối ưu từ mơ hình RSM ANN Kết thể bảng 3.8 Có thể thấy mơ hình ANN có dung lượng hấp phụ đánh giá gần với giá trị dự đoán mơ hình RSM Các kết cho thấy dung lượng hấp phụ không thay đổi nhiều so với giá trị dự đốn từ mơ hình Điều cho thấy mơ hình tối ưu giúp cho việc dự đốn q trình hấp phụ diễn tốt Bảng 3.8: Kết thí nghiệm đánh giá khả hấp phụ điều kiện tối ưu từ mơ hình RSM ANN Thí nghiệm pH Nồng Hàm độ lượng Giá trị thực Giá nghiệm trị trung bình 63 Giá trị thực nghiệm dự đoán VScm ANN 32,95 0,5 97,23 99.30 103,14 RSM pH8,97 50,5 0,57 90,82 97.89 99,27 VSvm 99,10 95,67 87,23 107,17 ANN 32,95 0,5 97,23 95.32 99,66 95,75 90,54 RSM pH8,61 52 0,57 94,04 96.08 97,28 95,06 95,9 64 KẾT LUẬN VÀ KIẾN NGHỊ a) Kết luận Dựa kết thu thấy than hoạt tính từ phụ phẩm mít tổng hợp thành cơng phương pháp vi sóng nung nito Trong chất hoạt hóa NaOH Các kết SEM, XRD, FTIR, BET cho thấy hình lỗ xốp dày đặc có hình dạng tổ ong với cấu trúc vơ định nhóm chức đặc trưng than hoạt tính Vật liệu ứng dụng hấp phụ chất màu gốc âm gốc dương Methylene Blue, Crystal Violet, Congo Red, Methyl Orange Quá trình hấp phụ đánh giá yếu tố ảnh hưởng dự đoán phù hợp với mơ hình động học giả bậc đẳng nhiệt Langmuir Khả hấp phụ tốt tối ưu từ mơ hình RSM vật liệu VScm giá trị tối ưu ghi nhận pH8,97, nồng độ 50,5 mg.L-1, hàm lượng 0,57 g.L-1 Với điều kiện tối ưu dung lượng hấp phụ dự đốn từ mơ hình cho 90,82 mg.g-1 với hiệu suất 100% Đối với vật liệu VSvm giá trị tối ưu ghi nhận pH8,61, nồng độ 52 mg.L-1, hàm lượng 0,57 g.L-1 Với điều kiện tối ưu dung lượng hấp phụ dự đốn từ mơ hình cho 94,04 mg.g-1 với hiệu suất 100% Điều kiện hấp phụ tối ưu từ mơ hình ANN bao gồm: pH8, nồng độ 32,95 mg.L-1, hàm lượng 0,5 g.L-1 Từ kết tối ưu thấy rằng, than hoạt tính tổng hợp từ vỏ hay cùi mít cho dung lượng hấp phụ tối đa Như vậy, đề tài nghiên cứu thành công than hoạt tính từ phụ phẩm mít có khả hấp phụ chất màu tối ưu trình hấp phụ chất màu hữu có mơi trường nước Các liệu q trình nghiên cứu đóng góp quan trọng lĩnh vực hấp phụ, đặc biệt việc tối ưu yếu tố ảnh hưởng đến trình hấp phụ Xây dựng liệu sở để ứng dụng than hoạt tính từ phụ phẩm mít vào thực tiễn 65 b) Kiến nghị Để dễ dàng ứng dụng vào thực tiễn đề tài kiến nghị thực số nghiên cứu đánh giá khả tái sử dụng vật liệu khả hấp phụ số chất nhiễm khác Ngồi cần nghiên cứu đánh giá chuyên sâu môi trường nước thải dệt nhuộm thực tế 66 TÀI LIỆU THAM KHẢO [1] P Paraskeva, D Kalderis, and E Diamadopoulos, Production of activated carbon from agricultural by-products, J Chem Technol Biotechnol 83 (2008) 581–592 https://doi.org/10.1002/jctb.1847 [2] T.C.T Kê, Niêm giám Thống Kê 2020, Hà Nội, 2020 [3] H.T Van, L.H Nguyen, N V Dang, H.-P Chao, Q.T Nguyen, T.H Nguyen, T.B.L Nguyen, D Van Thanh, H.D Nguyen, P.Q Thang, P.T.H Thanh, and V.P Hoang, The enhancement of reactive red 24 adsorption from aqueous solution using agricultural waste-derived biochar modified with ZnO nanoparticles, RSC Adv 11 (2021) 5801–5814 https://doi.org/10.1039/D0RA09974K [4] L.G Bach, D.V.N Vo, N.D Trinh, V.T.T Ho, and V.T Tran, Removal of Cu2+ from Aqueous Water by Adsorption onto the Efficient and Recyclable Durian Shell-Derived Activated Carbon, Appl Mech Mater 876 (2018) 46–51 https://doi.org/10.4028/www.scientific.net/AMM.876.46 [5] T.H Tran, H.H Le, T.H Pham, D.T Nguyen, D.D La, S.W Chang, S.M Lee, W.J Chung, and D.D Nguyen, Comparative study on methylene blue adsorption behavior of coffee husk-derived activated carbon materials prepared using hydrothermal and soaking methods, J Environ Chem Eng (2021) 105362 https://doi.org/10.1016/j.jece.2021.105362 [6] T Van Thuan, B.T.P Quynh, T.D Nguyen, V.T.T Ho, and L.G Bach, Response surface methodology approach for optimization of Cu2+, Ni2+ and Pb2+ adsorption using KOHactivated carbon from banana peel, Surfaces and Interfaces (2017) 209–217 https://doi.org/10.1016/j.surfin.2016.10.007 [7] N.T Thuong, N.T.T Nhi, V.T.C Nhung, H.N Bich, B.T.P Quynh, L.G Bach, and N.D Trinh, A Fixed-Bed Column Study for Removal of Organic Dyes from Aqueous Solution by Pre-Treated Durian Peel Waste, Indones J Chem 19 (2019) 486 https://doi.org/10.22146/ijc.39712 [8] V.T.M Thao, N.T Canh, N.L.N Hang, N.M Khanh, N.N Phi, P.T.A Niem, T.T Anh, N.T.H Nguyen, and N.T Duc, Adsorption of ammonium, nitrite, and nitrate onto rice husk biochar for nitrogen removal, HO CHI MINH CITY OPEN Univ J Sci Technol 11 (2021) 30–44 [9] S.B Swami, and S.B Kalse, Jackfruit (Artocarpus heterophyllus): Biodiversity, Nutritional Contents, and Health, Ref Ser Phytochem (2019) 2237–2259 https://doi.org/10.1007/9783-319-78030-6_87 [10] N.S.K and K.K.S P S Sreeja Devi, Phytochemical profiling and antioxidant activities of different parts of Artocarpus heterophyllus Lam (Moraceae): A review on current status of knowledge, Futur J Pharm Sci (2021) 1–7 [11] R.A.S.N Ranasinghe, S.D.T Maduwanthi, and R.A.U.J Marapana, Nutritional and Health Benefits of Jackfruit (Artocarpus heterophyllus Lam.): A Review, Int J Food Sci 2019 (2019) https://doi.org/10.1155/2019/4327183 67 [12] A Jackfruit (Artocarpus heterophyllus Lam.), potential fruit crop of T and exploring its nutritional Benefits, and K.D and A Saha, Jackfruit (Artocarpus heterophyllus Lam.), a potential fruit crop of Tripura and exploring its nutritional benefits, J Med Plants Stud (2020) 101–103 [13] M Laishram, and S.N Ghosh, Nutrient management in jackfruit (Artocarpus heterophyllus Lam.) under rainfed condition, J Hortic Sci 13 (2018) 97–102 https://doi.org/10.24154/jhs.2018.v13i01.011 [14] A.A Sundarraj, and T.V Ranganathan, Extraction and functional properties of cellulose from jackfruit (Artocarpus integer) Waste, Int J Pharm Sci Res 2018c (2018) 1000–1008 [15] K Subburamu, M Singaravelu, A Nazar, and I Irulappan, A study on the utilization of jack fruit waste, Bioresour Technol 40 (1992) 85–86 https://doi.org/10.1016/09608524(92)90125-H [16] F Akter, and M.A Haque, Jackfruit waste: a promising source of food and feed, Ann Bangladesh Agric 23 (2019) 91–102 [17] T.-L Ho, M Fieser, and L Fieser, Carbon, activated, Fieser Fieser’s Reagents Org Synth (2009) 000–000 [18] J Rivera-Utrilla, M Sánchez-Polo, V Gómez-Serrano, P.M Álvarez, M.C.M Alvim-Ferraz, and J.M Dias, Activated carbon modifications to enhance its water treatment applications An overview, J Hazard Mater 187 (2011) 1–23 [19] A Bhatnagar, W Hogland, M Marques, and M Sillanpää, An overview of the modification methods of activated carbon for its water treatment applications, Chem Eng J 219 (2013) 499–511 [20] D Prahas, Y Kartika, N Indraswati, and S Ismadji, Activated carbon from jackfruit peel waste by H3PO4 chemical activation: Pore structure and surface chemistry characterization, Chem Eng J 140 (2008) 32–42 https://doi.org/10.1016/j.cej.2007.08.032 [21] K.Y Foo, and B.H Hameed, Potential of jackfruit peel as precursor for activated carbon prepared by microwave induced NaOH activation, Bioresour Technol 112 (2012) 143–150 https://doi.org/10.1016/j.biortech.2012.01.178 [22] H Guan, H Wang, Y Zhang, C Dong, G Chen, Y Wang, and J Xie, Microwave absorption performance of Ni(OH)2 decorating biomass carbon composites from Jackfruit peel, Appl Surf Sci 447 (2018) 261–268 https://doi.org/10.1016/j.apsusc.2018.03.225 [23] A Nayak, B Bhushan, V Gupta, and S Kotnala, Fabrication of microwave assisted biogenic magnetite-biochar nanocomposite: A green adsorbent from jackfruit peel for removal and recovery of nutrients in water sample, J Ind Eng Chem 100 (2021) 134–148 https://doi.org/10.1016/j.jiec.2021.05.028 [24] B Bhushan, A Nayak, and S Kotnala, Green synthesis of highly porous activated carbon from jackfruit peel: Effect of operating factors on its physico-chemical characteristics, Mater Today Proc 44 (2021) 187–191 https://doi.org/10.1016/j.matpr.2020.08.554 [25] K.Y Foo, and B.H Hameed, A cost effective method for regeneration of durian shell and 68 jackfruit peel activated carbons by microwave irradiation, Chem Eng J 193–194 (2012) 404–409 https://doi.org/10.1016/j.cej.2012.04.055 [26] M.A Bezerra, R.E Santelli, E.P Oliveira, L.S Villar, and L.A Escaleira, Response surface methodology (RSM) as a tool for optimization in analytical chemistry, Talanta 76 (2008) 965–977 https://doi.org/10.1016/j.talanta.2008.05.019 [27] S.G Gilmour, Response Surface Designs for Experiments in Bioprocessing, Biometrics 62 (2006) 323–331 https://doi.org/10.1111/j.1541-0420.2005.00444.x [28] G.E.P Box, The Exploration and Exploitation of Response Surfaces: Some General Considerations and Examples, Biometrics 10 (1954) 16 https://doi.org/10.2307/3001663 [29] R.F Teófilo, and M.M.C Ferreira, Quimiometria II: planilhas eletrônicas para cálculos de planejamentos experimentais, um tutorial, Quim Nova 29 (2006) 338–350 https://doi.org/10.1590/S0100-40422006000200026 [30] G Hanrahan, and K Lu, Application of Factorial and Response Surface Methodology in Modern Experimental Design and Optimization, Crit Rev Anal Chem 36 (2006) 141–151 https://doi.org/10.1080/10408340600969478 [31] M.D Morris, A Class of Three-Level Experimental Designs for Response Surface Modeling, Technometrics 42 (2000) 111–121 https://doi.org/10.1080/00401706.2000.10485990 [32] S.N Deming, Y Michotte, D.L Massart, L Kaufman, and B.G.M Vandeginste, Chemometrics: a textbook, Elsevier, 1988 [33] G.E.P Box, and D.W Behnken, Some New Three Level Designs for the Study of Quantitative Variables, Technometrics (1960) 455–475 https://doi.org/10.1080/00401706.1960.10489912 [34] S.L.C Ferreira, R.E Bruns, H.S Ferreira, G.D Matos, J.M David, G.C Brandão, E.G.P da Silva, L.A Portugal, P.S dos Reis, A.S Souza, and W.N.L dos Santos, Box-Behnken design: An alternative for the optimization of analytical methods, Anal Chim Acta 597 (2007) 179–186 https://doi.org/10.1016/j.aca.2007.07.011 [35] G.E.P Box, and K.B Wilson, On the Experimental Attainment of Optimum Conditions, in: 1992: pp 270–310 https://doi.org/10.1007/978-1-4612-4380-9_23 [36] C.E Onu, J.T Nwabanne, P.E Ohale, and C.O Asadu, Comparative analysis of RSM, ANN and ANFIS and the mechanistic modeling in eriochrome black-T dye adsorption using modified clay, South African J Chem Eng 36 (2021) 24–42 https://doi.org/10.1016/j.sajce.2020.12.003 [37] S.M Beyan, S.V Prabhu, T.T Sissay, and A.A Getahun, Sugarcane bagasse based activated carbon preparation and its adsorption efficacy on removal of BOD and COD from textile effluents: RSM based modeling, optimization and kinetic aspects, Bioresour Technol Reports 14 (2021) 100664 https://doi.org/10.1016/j.biteb.2021.100664 [38] A.O Basheer, M.M Hanafiah, M.A Alsaadi, Y Al-Douri, and A.A Al-Raad, Synthesis and optimization of high surface area mesoporous date palm fiber-based nanostructured powder activated carbon for aluminum removal, Chinese J Chem Eng 32 (2021) 472–484 69 https://doi.org/10.1016/j.cjche.2020.09.071 [39] S Gholamiyan, M Hamzehloo, and A Farrokhnia, RSM optimized adsorptive removal of erythromycin using magnetic activated carbon: Adsorption isotherm, kinetic modeling and thermodynamic studies, Sustain Chem Pharm 17 (2020) 100309 https://doi.org/10.1016/j.scp.2020.100309 [40] R Bagheri, M Ghaedi, A Asfaram, E Alipanahpour Dil, and H Javadian, RSM-CCD design of malachite green adsorption onto activated carbon with multimodal pore size distribution prepared from Amygdalus scoparia: Kinetic and isotherm studies, Polyhedron 171 (2019) 464–472 https://doi.org/10.1016/j.poly.2019.07.037 [41] T Shojaeimehr, F Rahimpour, M.A Khadivi, and M Sadeghi, A modeling study by response surface methodology (RSM) and artificial neural network (ANN) on Cu2+ adsorption optimization using light expended clay aggregate (LECA), J Ind Eng Chem 20 (2014) 870–880 https://doi.org/10.1016/j.jiec.2013.06.017 [42] R.R Karri, and J.N Sahu, Process optimization and adsorption modeling using activated carbon derived from palm oil kernel shell for Zn (II) disposal from the aqueous environment using differential evolution embedded neural network, J Mol Liq 265 (2018) 592–602 https://doi.org/10.1016/j.molliq.2018.06.040 [43] N Taoufik, A Elmchaouri, S El Mahmoudi, S.A Korili, and A Gil, Comparative analysis study by response surface methodology and artificial neural network on salicylic acid adsorption optimization using activated carbon, Environ Nanotechnology, Monit Manag 15 (2021) 100448 https://doi.org/10.1016/j.enmm.2021.100448 [44] F Ornelas-Tellez, J.J Rico-Melgoza, A.E Villafuerte, and F.J Zavala-Mendoza, Neural Networks: A Methodology for Modeling and Control Design of Dynamical Systems, in: Alma Y Alanis Nancy Arana-Daniel Carlos López-Franco (Ed.), Artif Neural Networks Eng Appl., Elsevier, Mara Conner, 2019: pp 21–38 https://doi.org/10.1016/B978-0-12818247-5.00012-5 [45] M.F Abbod, J.W.F Catto, D.A Linkens, and F.C Hamdy, Application of Artificial Intelligence to the Management of Urological Cancer, J Urol 178 (2007) 1150–1156 https://doi.org/10.1016/j.juro.2007.05.122 [46] D Ciresan, U Meier, and J Schmidhuber, Multi-column deep neural networks for image classification, in: 2012 IEEE Conf Comput Vis Pattern Recognit., IEEE, 2012: pp 3642– 3649 https://doi.org/10.1109/CVPR.2012.6248110 [47] C.W DAWSON, and R WILBY, An artificial neural network approach to rainfall-runoff modelling, Hydrol Sci J 43 (1998) 47–66 https://doi.org/10.1080/02626669809492102 [48] D.C Ciresan, U Meier, J Masci, L.M Gambardella, and J Schmidhuber, Flexible, high performance convolutional neural networks for image classification, in: Twenty-Second Int Jt Conf Artif Intell., 2011 [49] A Zell, Simulation neuronaler netze, Addison-Wesley Bonn, 1994 [50] M Miljanovic, Comparative analysis of recurrent and finite impulse response neural networks in time series prediction, Indian J Comput Sci Eng (2012) 180–191 70 [51] Y Li, Y Fu, H Li, and S.-W Zhang, The Improved Training Algorithm of Back Propagation Neural Network with Self-adaptive Learning Rate, in: 2009 Int Conf Comput Intell Nat Comput., IEEE, 2009: pp 73–76 https://doi.org/10.1109/CINC.2009.111 [52] G.-B Huang, Q.-Y Zhu, and C.-K Siew, Extreme learning machine: Theory and applications, Neurocomputing 70 (2006) 489–501 https://doi.org/10.1016/j.neucom.2005.12.126 [53] B Widrow, A Greenblatt, Y Kim, and D Park, The No-Prop algorithm: A new learning algorithm for multilayer neural networks, Neural Networks 37 (2013) 182–188 https://doi.org/10.1016/j.neunet.2012.09.020 [54] I Aleksander, M De Gregorio, F Franỗa, P Lima, and H Morton, A brief introduction to Weightless Neural Systems, in: 2009 [55] V.K Ojha, A Abraham, and V Snášel, Metaheuristic design of feedforward neural networks: A review of two decades of research, Eng Appl Artif Intell 60 (2017) 97–116 https://doi.org/10.1016/j.engappai.2017.01.013 [56] Y Ollivier, C Tallec, and G Charpiat, Training recurrent networks online without backtracking, ArXiv Prepr ArXiv1507.07680 (2015) [57] A Castelletti, D de Rigo, A.E Rizzoli, R Soncini-Sessa, and E Weber, A SELECTIVE IMPROVEMENT TECHNIQUE FOR FASTENING NEURO-DYNAMIC PROGRAMMING IN WATER RESOURCE NETWORK MANAGEMENT, IFAC Proc Vol 38 (2005) 7–12 https://doi.org/10.3182/20050703-6-CZ-1902.02172 [58] Y Da, and G Xiurun, An improved PSO-based ANN with simulated annealing technique, Neurocomputing 63 (2005) 527–533 https://doi.org/10.1016/j.neucom.2004.07.002 [59] J Wu, and E Chen, A Novel Nonparametric Regression Ensemble for Rainfall Forecasting Using Particle Swarm Optimization Technique Coupled with Artificial Neural Network, in: 2009: pp 49–58 https://doi.org/10.1007/978-3-642-01513-7_6 [60] T Qin, Z Chen, H Zhang, S Li, W Xiang, and M Li, A learning algorithm of CMAC based on RLS, Neural Process Lett 19 (2004) 49–61 [61] S Bozinovski, Modeling Mechanisms of Cognition-emotion Interaction in Artificial Neural Networks, since 1981, Procedia Comput Sci 41 (2014) 255–263 https://doi.org/10.1016/j.procs.2014.11.111 [62] L.B Stevo Bozinovski, SELF-LEARNING AGENTS: A CONNECTIONIST THEORY OF EMOTION BASED ON CROSSBAR VALUE JUDGMENT, Cybern Syst 32 (2001) 637– 669 https://doi.org/10.1080/01969720118145 [63] H.S.M Yahya, T Abbas, and N.A.S Amin, Optimization of hydrogen production via toluene steam reforming over Ni–Co supported modified-activated carbon using ANN coupled GA and RSM, Int J Hydrogen Energy 46 (2021) 24632–24651 https://doi.org/10.1016/j.ijhydene.2020.05.033 [64] G Asgari, A Shabanloo, M Salari, and F Eslami, Sonophotocatalytic treatment of AB113 dye and real textile wastewater using ZnO/persulfate: Modeling by response surface 71 methodology and artificial neural network, Environ Res 184 (2020) 109367 https://doi.org/10.1016/j.envres.2020.109367 [65] L Mohammadi, M.N Zafar, M Bashir, S.H Sumrra, S.S Shafqat, A.A Zarei, H Dahmardeh, I Ahmad, and M.I Halawa, Modeling of phenol removal from water by NiFe2O4 nanocomposite using response surface methodology and artificial neural network techniques, J Environ Chem Eng (2021) 105576 https://doi.org/10.1016/j.jece.2021.105576 [66] M.H Dehghani, K Yetilmezsoy, M Salari, Z Heidarinejad, M Yousefi, and M Sillanpää, Adsorptive removal of cobalt(II) from aqueous solutions using multi-walled carbon nanotubes and γ-alumina as novel adsorbents: Modelling and optimization based on response surface methodology and artificial neural network, J Mol Liq 299 (2020) https://doi.org/10.1016/j.molliq.2019.112154 [67] N Mahmoodi-Babolan, A Heydari, and A Nematollahzadeh, Removal of methylene blue via bioinspired catecholamine/starch superadsorbent and the efficiency prediction by response surface methodology and artificial neural network-particle swarm optimization, Bioresour Technol 294 (2019) 122084 https://doi.org/10.1016/j.biortech.2019.122084 [68] X.T Le, H.V Ho, Gg Lee, and S Jung, Application of Long Short-Term Memory (LSTM) Neural Network for Flood Forecasting, Water 11 (2019) 1387 https://doi.org/10.3390/w11071387 [69] VŨ VĂN TUẤN, LỰA CHỌN CẤU TRÚC MẠNG NƠ RON NHÂN TẠO (ANN) DỰ BÁO CHỈ SỐ NÉN CỦA ĐẤT, Tạp Chí KHCN Xây Dựng (2020) 67–75 [70] T.Q Dũng, L.T Hà, and P.D Khang, ỨNG DỤNG MẠNG NEURON NHÂN TẠO (ANN) TRONG DỰ BÁO ĐỘ RỖNG, TẠP CHÍ DẦU KHÍ (2019) 18–27 [71] L.T.T HẰNG, NGHIÊN CỨU VỀ MẠNG NƠRON TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE, 2016 [72] L.H BẰNG, and N.T ANH, Nghiên cứu ứng dụng mơ hình mạng nơ-ron nhân tạo để dự đốn sức chịu tải tới hạn cấu kiện thép chữ Y, Khoa Học Công Nghệ (2020) 45–49 [73] Nguyễn Thị Hồng Thắm, and N.D Trinh, Nghiên cứu tổng hợp vật liệu LDHs Ca-Al tối ưu hóa khả hấp phụ Congo Red phương pháp bề mặt đáp ứng (RSM), J Sci Technol 11 (2020) [74] T Phat Dao, D Chinh Nguyen, T Hien Tran, P Van Thinh, V Quang Hieu, D.V Vo Nguyen, T Duy Nguyen, and L Giang Bach, MODELING AND OPTIMIZATION OF THE ORANGE LEAVES OIL EXTRACTION PROCESS BY MICROWAVE-ASSISTED HYDRO-DISTILLATION: THE RESPONSE SURFACE METHOD BASED ON THE CENTRAL COMPOSITE APPROACH (RSM-CCD MODEL), Rasayan J Chem 12 (2019) 666–676 https://doi.org/10.31788/RJC.2019.1225107 [75] T Van Pham, T Van Tran, T Duy Nguyen, N Thi Hong Tham, P Thanh Tri Quang, D Thi To Uyen, N Thi Hong Le, D.-V.N Vo, N Trung Thanh, and L Giang Bach, Development of Response Surface Methodology for Optimization of Congo Red Adsorption Utilizing Exfoliated Graphite As An Efficient Adsorbent, Mater Today Proc 22 (2020) 2341–2350 72 https://doi.org/10.1016/j.matpr.2020.03.356 [76] T.U.T Dao, H.T.T Nguyen, D.T Sy, K.H Nguyen, A.T Nguyen, T.T Nguyen, and T.D Nguyen, Process Optimization Studies of Congo Red Dye Adsorption onto Nickel Iron Layered Double Hydroxide Using Response Surface Methodology, Solid State Phenom 298 (2019) 83–88 https://doi.org/10.4028/www.scientific.net/SSP.298.83 [77] T Van Tran, V.D Cao, V.H Nguyen, B.N Hoang, D.-V.N Vo, T.D Nguyen, and L.G Bach, MIL-53 (Fe) derived magnetic porous carbon as a robust adsorbent for the removal of phenolic compounds under the optimized conditions, J Environ Chem Eng (2020) 102902 https://doi.org/10.1016/j.jece.2019.102902 [78] A.I Khuri, and S Mukhopadhyay, Response surface methodology, Wiley Interdiscip Rev Comput Stat (2010) 128–149 https://doi.org/10.1002/wics.73 [79] I.A Basheer, and Y.M Najjar, Predicting Dynamic Response of Adsorption Columns with Neural Nets, J Comput Civ Eng 10 (1996) 31–39 https://doi.org/10.1061/(ASCE)08873801(1996)10:1(31) [80] C.Y He, Y.M Sun, G.H Wu, and R Chen, [Application of artificial neural network to simultaneous spectrophotometric determination of Cu, Co and Ni], Guang Pu Xue Yu Guang Pu Fen Xi 21 (2001) 719—722 http://europepmc.org/abstract/MED/12945343 [81] K.V Shetty, S Nandennavar, and G Srinikethan, Artificial neural networks model for the prediction of steady state phenol biodegradation in a pulsed plate bioreactor, J Chem Technol Biotechnol 83 (2008) 1181–1189 https://doi.org/10.1002/jctb.1892 73