RT - Journal Article T1 - Prediction and Optimization of Ultrasound-Assisted Removal of Estrogen Hormones from Municipal Wastewater Using Artificial Neural Network and Genetic Algorithm: A Review Approach JF - mui-jhsr YR - 2022 JO - mui-jhsr VO - 18 IS - 2 UR - http://hsr.mui.ac.ir/article-1-1312-fa.html SP - 83 EP - 94 K1 - Estrogens K1 - Ultrasonic waves K1 - Waste water K1 - Artificial intelligence K1 - Computer simulation AB - مقدمه: استروژن‌ها از ریزآلاینده‌های فاضلاب به شمار می‌روند که اثرات مخربی بر موجودات زنده آب می‌گذارند. گزارش‌های زیادی اثرات نامطلوب مانند زنانه شدن ماهی‌ها، هورمون‌های استروژن در محیط را مستند می‌کند. یکی از منابع عمده این ترکیبات، پساب‌های فاضلاب‌ شهری است. فرایندهای بیولوژیکی در تصفیه‌خانه‌های فاضلاب شهری نمی‌تواند این ترکیبات را به طور کامل حذف کند. بنابراین، روشی برای تصفیه هورمون‌ها مورد نیاز است. روش اولتراسونیک فرایند مؤثری برای حذف ریزآلاینده‌ها می‌باشد. هدف از انجام پژوهش حاضر، مدل‌سازی و بهینه‌سازی حذف دو هورمون [استرون (E1) و 17 بتااسترادیول (E2)] از فاضلاب به روش اولتراسوند با استفاده از شبکه عصبی مصنوعی (Artificial neural network یا ANN) با رویکرد الگوریتم ژنتیک (Genetic algorithms یا GA) بود. روش‌ها: بررسی متون از سال 2000 تا 2021 انجام شد و نتایج مطالعات مرتبط، برای مدل‌سازی مورد استفاده قرار گرفت. یک مدل شبکه‌ای دو لایه Feed-Forward Back-Propagation Neural Network (FFBPNN) طراحی شد. الگوریتم‌های آموزشی مختلف مورد ارزیابی قرار گرفت و الگوریتم Levenberg Marquardt (LM) به عنوان بهترین الگوریتم انتخاب گردید. یافته‌ها: وجود 12 نورون در لایه پنهان، منجر به بالاترین R (ضریب همبستگی) و کمترین خطای میانگین مربعات (Mean squared error یا MSE) و خطای مطلق میانگین (Mean absolute error یا MAE) شد. نتایج GA شرایط بهینه عملکرد را تعیین کرد. بدین ترتیب، افزایش pH و Power density، راندمان حذف هورمون‌ها از فاضلاب را افزایش می‌دهد. نتیجه‌کیری: در نهایت، تجزیه و تحلیل حساسیت با استفاده از ANN-GA و همبستگی Spearman انجام شد و نتایج کاملاً سازگار بود LA eng UL http://hsr.mui.ac.ir/article-1-1312-fa.html M3 10.48305/jhsr.v18i2.1451 ER -