S. cerevisiae ile REMAZOL SARI (RR) GİDERİMİNE YAPAY SİNİR AĞI (YSA) YAKLAŞIMI

Yıl 2019, Cilt: 24 Sayı: 2, 289 - 298, 30.08.2019

Fatma Erdem

https://doi.org/10.17482/uumfd.461122

Cited By: 1

Öz

Bu çalışmada kesikli sistemde S. cerevisiae ile Remazol Sarı (RR)
giderimine Yapay Sinir Ağı (YSA) yaklaşımı uygulanmıştır. Bu kapsamda yapay
sinir ağı için sistem girdi verisi olarak pH, başlangıç boya konsantrasyonu ve
başlangıç biyosorbent konsantrasyonu tanımlanırken çıktı katmanında % boya giderim
değeri tahmin edilmiştir.  Yapay sinir
ağı (YSA) eğitimi Levenberg–Marquardt ileri besleme algoritması ile yapılmış
olup deneysel veriler %60 eğitim, %20 validasyon ve %20 test olarak
bölünmüştür. Maksimum devir (epoch) değeri 12000 iterasyon olarak belirlenmiştir.  Sisteme ait R² değerleri eğitim
için %98, validasyon için %96 ve tüm biyosorpsiyon sistemi için %98 olarak
belirlenmiştir. Çalışmanın devamında biyosorpsiyon sistemi modellenmesi
kapsamında sistem değişkenleri olan pH, başlangıç boya ve biyosorbent
konsantrasyonları ile sıcaklık için ayrı ayrı modelleme çalışmaları
gerçekleştirilmiştir. Çalışma sonucunda deneysel ve model tahmini % giderim
değerleri karşılaştırıldığında, YSA ile sistemin iyi bir şekilde modellendiği
ve modelin iyi bir tahmin yeteneğine sahip olduğu görülmüştür. 

Anahtar Kelimeler

Biyosorpsiyon, Yapay Sinir Ağı, Modelleme, Remazol Sarı (RR), S.cerevisiae

Kaynakça

• 1. Abdurrahman, F.B., Akter, M., Abedin, Z. (2013) Dyes Removal From Textile Wastewater Using Orange Peels, International Journal of Scientific & Technology Research, 2-9.
• 2. Amouei A., Amooey A.A., Asgharzadeh F. (2013) A study of cadmium removal from aqueous solutions by sunflower powders and its modeling using artificial neural network, Iranian Journal of Health Sciences., 1(3): 28-34. doi: 10.18869/acadpub.jhs.1.3.28
• 3. Argun, Y.A., Karacalı A., Çalışır U., Kılınç, N., İrak H. (2017) Biosorption method and biosorbents for dye removal from industrial wastewater: A Review, International Journal of Advanced Research, 5(8), 707-714. doi: 10.21474/IJAR01/5110
• 4. Arı A., Berberler M.E. (2017) Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı, Acta Infologica, 1(2).
• 5. Asgher, M. (2012) Biosorption of Reactive Dyes: A Review, Water, Air, & Soil Pollution, 223(5), 2417–2435. doi: 10.1007/s11270-011-1034-z
• 6. Aslay F., Özen Ü. (2013) Meteorolojik Parametreler Kullanılarak Yapay Sinir Ağları ile Toprak Sıcaklığının Tahmini, Politeknik Dergisi, 16(4), 139-145. doi: 10.2339/2013.16.4, 139-145
• 7. Ataseven B. (2013) Yapay Sinir Ağları ile Öngörü Modellemesi, Öneri Dergisi, 10(39), 101-105.
• 8. Bingöl D., Kılıç E., Hercan M. (2016) Bakır biyosorpsiyon işlemine Yapay Sinir Ağı (ANN) yaklaşımı, Sakarya Üniversitesi Fen Bilimleri Üniversitesi Dergisi, 20(3), 433-440. doi: 10.16984/saufenbilder.25723.
• 9. Chu K.H. (2003) Prediction of two-metal biosorption equilibria using a neural network, The European Journal of Mineral Processing and Environmental Protection, 3(1), 119-127.
• 10. Çavuşlu M.A., Becerikli Y., Karakuzu C. (2012) Levenberg-Marquardt Algoritması ile YSA Eğitiminin Donanımsal Gerçeklenmesi, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5(1).
• 11. Çoruh S., Kılıç E., Geyikci F. (2014) Prediction of adsorption efficiency for the removal malachite green and acid blue 161 dyes by waste marble dust using ANN, Global Nest Journal, 16(4):676-689. doi: 10.30955/gnj.001366
• 12. Dalkılınç, M. (2015). Düşük Maliyetli Biyosorbent ile Sabit Yataklı Kolonda Reaktif Mavi 21 ve Reaktif Kırmızı 250 Biyar Maddelerinin Giderimi ve Atılım Eğrilerinin Modellenmesi, Yüksek Lisans Tezi, Atatürk Üniversitesi Fen Bilimleri Enstitüsü, Erzurum.
• 13. Donut N., Cavas L. (2017) Artificial Neural Network Modeling of Tetracycline Biosorption by Pre-treated Posidonia oceanica, Turkish Journal of Fisheries and Aquatic Sciences 17, 1317-1333. doi: 10.4194/1303-2712-v17_6_50
• 14. Erdem F., Tosun A., Ergun M. (2016) S. cerevisiae ile Remazol Sarı (RR) boyasının kesikli sistemde biyosorpsiyonu, Journal of the Faculty of Engineering and Architecture of Gazi University, 31(4), 971-978. doi: 10.17341/gazimmfd.278452
• 15. Faisal A., Nassir Z.S. (2016) Modelling the removal of Cadmium ions from aqueous solutions onto olive pips using neural network technique, Al-Khwarizmi Engineering Journal, 12(3), 1-9. doi: 10.1016/j.procbio.2004.11.007
• 16. Fiona N.(2001) Neural Networks algorithms and applications, Neil’s Brock Business College.
• 17. Garza-González M.T., Alcalá-Rodríguez M.M., Pérez-Elizond R., Cerino-Córdova F.J. Garcia-Reyes R.B., Loredo-Medrano J.A., Soto-Regalado, E. (2011) Artificial neural network for predicting biosorption of methylene blue by Spirulina sp., Water scence and technology, 75(5), 977-983. doi: 10.2166/wst.2011.279
• 18. Karaman Ş. Deniz F. (2014) Pinus brutia Ten. (Kızılçam) Kozalak ve Yaprak Biyomasının Boya Biyosorpsiyon/Desorpsiyon Potansiyeli, Kahramanmaraş Sütçü İmam Üniversitesi Tarım ve Doğa Dergisi, 17(3), 19-25. doi: 10.18016/ksujns.19406
• 19. Kardam A. Raj K.R., Arora J.K., Srivastava S. (2014) Simulation and Optimization of Artificial Neural Network Modeling for Prediction of Sorption Efficiency of Nanocellulose Fibers for Removal of Cd (II) Ions from Aqueous System, Engineering and Physical Sciences, 11(6): 497‐508. doi: 10.2004/wjst.v11i6.625
• 20. Krose B., Smagt P. (1998) An introduction to Neural Networks, 8. Baskı, Amsterdam.
• 21. Nasrullaha A., Bhata A.H., Isab M.H., Danishc M., Naeemd A., Muhammade N., Khanb T. (2017) Efficient removal of methylene blue dye using mangosteen peel waste: kinetics, isotherms and artificial neural network (ANN) modeling, Desalination and Water Treatment, 86, 191-202. doi: 10.5004/dwt.2017.21295
• 22. Özdemir H. (2013) Yapay Sinir Ağları ve Dokuma Teknolojisinde Kullanımı, Tekstil Teknolojileri Elektronik Dergisi, 7(1), 51-68.
• 23. Saibaba K.V.N., King P. (2012) Application of artificial neural networks and response surface methodology for dye removal using a novel adsorbent chemical technology. Chemical Technology: An Indian Journal, 7(1), 9-15. doi: 10.1177/0263617416675625
• 24. Yaseen D. A. , Scholz M. (2019) Textile dye wastewater characteristics and constituents of synthetic effluents: a critical review, International Journal of Environmental Science and Technology, 16(2), 1193–1226. doi: 10.1007/s13762-018-2130-z
• 25. Yu L., Wang S. Keung Lai K. (2007) Basic Learning Principles of Artificial Neural Networks. In: Foreign-Exchange-Rate Forecasting With Artificial Neural Networks. International Series in Operations Research & Management Science, 107, Springer, Boston. doi: 10.1007/978-0-387-71720-3.