15117

بررسي بهينه‌سازي الكترودهاي سيستم يون‌زدايي ظرفيتي مبتني بر مدل‌هاي هوش مصنوعي

1403

دكتر سوسن روشن ضمير

افزايش جمعيت، توسعه صنعتي و آلودگي منابع آبي، چالش دسترسي به آب شيرين را به يكي از مهم‌ترين مسائل جهاني تبديل كرده است. در اين ميان، فناوري يون‌زدايي ظرفيتي (CDI) به دليل مصرف انرژي پايين، امكان بازسازي الكترودها، عدم نياز به مواد شيميايي و كاهش آلودگي ثانويه، به‌عنوان روشي كارآمد و پايدار براي نمك‌زدايي و تصفيه آب مورد توجه گسترده قرار گرفته است. كارايي اين فناوري به‌طور مستقيم به طراحي و ويژگي‌هاي الكترودها وابسته است؛ عواملي نظير نوع ماده، ساختار متخلخل، ظرفيت تبادل يوني، هدايت الكتريكي و شرايط عملياتي نقش تعيين‌كننده‌اي در جذب و حذف مؤثر يون‌ها دارند. روش‌هاي سنتي ساخت و بهينه‌سازي الكترودها زمان‌بر، پرهزينه و محدود به شرايط آزمايشگاهي هستند؛ ازاين‌رو، مدل‌هاي مبتني بر هوش مصنوعي به‌عنوان ابزاري نوين براي پيش‌بيني و بهبود عملكرد الكترودها به‌كار گرفته مي‌شوند. در اين پژوهش، انواع فناوري‌هاي CDI معرفي شده و معيارهاي اصلي ارزيابي مانند ظرفيت جذب نمك، بازده بار، زمان ماند هيدروليكي و مصرف انرژي بررسي گرديده‌اند. همچنين، مدل‌هاي مختلف يادگيري ماشين و يادگيري عميق به‌منظور پيش‌بيني و بهينه‌سازي شاخص‌هاي عملكرد سيستم مورد استفاده قرار گرفته‌اند. نتايج مطالعات پيشين نشان مي‌دهد كه اين مدل‌ها با دقت بالا قادر به شناسايي پارامترهاي كليدي و ارائه راهكارهاي بهينه براي طراحي الكترودها هستند. اين رويكرد، مسير توسعه سريع‌تر و كارآمدتر سامانه‌هاي يون‌زدايي ظرفيتي را هموار مي‌كند.

10/13/2025 12:00:00 AM

87719

1404/07/26

Optimization of capacitive deionization electrodes using Artificial intelligence-based modeling

يون‌زدايي ظرفيتي، الكترود، هوش مصنوعي، يادگيري ماشين، نمك‌زدايي

Capacitive Deionization, Electrodes, Artificial Intelligence, Machine Learning, Desalination