Resume Jurnal Internasional.docx

Nama : Dewi Setiyaningrum NIM :B2C016011

Estimasi akurat adsorpsi CO2 pada karbon aktif dengan algoritma multilayer feed-forward neural network (MLFNN) Alireza Rostami a, Mohammad Amin Anbaz b, Hamid Reza Erfani Gahrooei b, Milad Arabloo c, , Alireza Bahadori d,

1. Pendahuluan Pemanasan global karena efek rumah kaca telah dianggap sebagai masalah serius selama bertahun-tahun di seluruh dunia. Di antara berbagai gas yang menyebabkan efek gas rumah kaca, karbon dioksida sangat sulit dengan masuk ke atmosfer sekitarnya. Jadi penangkapan dan pemisahan CO2 terutama melalui adsorpsi adalah salah satu pendekatan yang paling menarik karena biaya peralatan yang rendah, kemudahan operasi, kesederhanaan desain, dan konsumsi energi yang rendah.

2. Isi Dalam penelitian ini, hasil eksperimen disajikan untuk kesetimbangan adsorpsi karbon dioksida pada karbon aktif. Data kesetimbangan adsorpsi untuk karbon dioksida diperkirakan dengan dua model isoterm yang umum digunakan untuk membandingkan dengan algoritma multi-layer feedforward neural network (MLFNN) untuk berbagai tekanan parsial. Sebagai hasilnya, algoritma berbasis JST menunjukkan efisiensi dan akurasi yang jauh lebih baik daripada isoterm Sips dan Langmuir. Selain itu, penerapan model Sips dan Langmuir terbatas pada kondisi isotermal, meskipun algoritma berbasis-JST tidak terbatas pada kondisi suhu konstan. Akibatnya, terbukti bahwa algoritma MLFNN adalah model yang menjanjikan untuk perhitungan kepadatan adsorpsi CO2 pada karbon aktif. Dalam studi ini, pendekatan komputasi lunak yang baru diusulkan, jaringan saraf umpan-maju multi-layer, dan penggunaannya untuk dikembangkan disajikan model yang menjanjikan untuk penentuan kepadatan adsorpsi CO2 pada karbon aktif. Tujuan utama dari penelitian ini adalah memberikan penekanan pada peningkatan kemampuan dan ketepatan model yang sebelumnya diterbitkan untuk perkiraan kepadatan adsorpsi CO2 pada karbon aktif. Untuk membangun dan menilai model yang disarankan, bank data yang tersebar luas termasuk berbagai kondisi termodinamika dikumpulkan dari literatur terbuka. Selain itu, analisis kesalahan komprehensif dilakukan untuk mengklarifikasi efektivitas model MLFNN prediktif yang diusulkan. Alhasil, algoritma berbasis-JST memberikan akurasi dan kinerja yang sangat lebih baik daripada isoterm Sips dan Langmuir. Selain itu, algoritma berbasis JST adalah model universal yang tidak terbatas pada kondisi suhu konstan, meskipun penerapan model Sips dan Langmuir terbatas dalam kondisi isotermal. Akibatnya, diverifikasi bahwa model MLFNN adalah model yang jujur dan konsisten untuk perhitungan kepadatan adsorpsi CO2 pada karbon aktif, dan juga merupakan skema yang dapat dicapai untuk rekayasa dan tujuan lingkungan.