廃水処理の高度化：持続可能な低コスト活性炭を用いたメチレンブルー除去—ANNとANFISによる比較・効率的予測

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a comparative evaluation of ANN and ANFIS for adsorption prediction, valuable for those developing AI models in environmental engineering.

🏢実務担当者:Offers insights into low-cost adsorbent and predictive modeling for dye removal, applicable to industrial wastewater treatment operations.

人工ニューラルネットワーク（ANN）および適応型ニューロファジィ推論システム（ANFIS）モデルを開発し、Calotropis giganteaの葉から調製した活性炭（CGAC）を用いた廃水中のカチオン性染料メチレンブルーの除去効率を予測した。吸着材はSEM-EDAX、FT-IR、XRD、BET、およびXPS分析により特性評価を行った。回分吸着試験により、平衡データは調査した温度範囲においてFreundlich等温線によって最もよく記述され、次いでLangmuirおよびTemkinモデルが続き、吸着速度論は擬二次モデルに従うことが示された。モデル開発には、初期染料濃度、接触時間、温度、吸着材投与量、およびpHを入力変数とする128回の実験ラン（訓練用100回、テスト用28回）からなるデータセットを用いた。主成分分析（PCA）を適用したが、生データと比較してモデル性能を有意に変化させることはなかった。14のANN訓練関数と3つの伝達関数のうち、trainbr–tansigの組み合わせが最も高い予測精度を提供した。ANFISフレームワークでは、4つのメンバーシップを持つGaussmfメンバーシップ関数が最適な結果をもたらした。ANFISは優れた訓練精度を達成したが、ANNは訓練およびテストデータセットの両方にわたってより安定かつ信頼性の高い汎化性能を示した。感度分析により、接触時間が染料除去を支配する最も影響力のあるパラメータであることが特定された。ANNおよびANFISは、CGACによる染料吸着の予測および最適化のための効果的なモデリングツールとして確認され、ANNはより優れた堅牢性を示した。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) models were developed to predict the removal efficiency of the cationic dye methylene blue from wastewater using activated carbon derived from Calotropis gigantea leaves (CGAC). The adsorbent was characterized by SEM-EDAX, FT-IR, XRD, BET, and XPS analyses. Batch adsorption studies showed that the equilibrium data were best described by the Freundlich isotherm, followed by Langmuir and Temkin models over the investigated temperature range, while the adsorption kinetics followed a pseudo-second-order model. A dataset comprising 128 experimental runs (100 for training and 28 for testing) was employed for model development using initial dye concentration, contact time, temperature, adsorbent dosage, and pH as input variables. Principal component analysis (PCA) was applied, but did not significantly alter model performance compared to the raw data. Among 14 ANN training functions and three transfer functions, the trainbr–tansig combination provided the highest predictive accuracy. In the ANFIS framework, the Gaussmf membership function with four memberships yielded optimal results. Although ANFIS achieved excellent training accuracy, ANN demonstrated more stable and reliable generalization across both training and testing datasets. Sensitivity analysis identified contact time as the most influential parameter governing dye removal. ANN and ANFIS are confirmed as effective modelling tools for predicting and optimizing dye adsorption by CGAC, with ANN showing superior robustness.

• openalex https://doi.org/10.1186/s40543-026-00541-4first seen 2026-06-24 04:49:45