Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Prediction of methylene blue removal by nano TiO2 using deep neural network

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24620%2F21%3A00008951" target="_blank" >RIV/46747885:24620/21:00008951 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.mdpi.com/2073-4360/13/18/3104" target="_blank" >https://www.mdpi.com/2073-4360/13/18/3104</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/polym13183104" target="_blank" >10.3390/polym13183104</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Prediction of methylene blue removal by nano TiO2 using deep neural network

  • Popis výsledku v původním jazyce

    This paper deals with the prediction of methylene blue (MB) dye removal under the influence of titanium dioxide nanoparticles (TiO2 NPs) through deep neural network (DNN). In the first step, TiO2 NPs were prepared and their morphological properties were analysed by scanning electron microscopy. Later, the influence of as synthesized TiO2 NPs was tested against MB dye removal and in the final step, DNN was used for the prediction. DNN is an efficient machine learning tools and widely used model for the prediction of highly complex problems. However, it has never been used for the prediction of MB dye removal. Therefore, this paper investigates the prediction accuracy of MB dye removal under the influence of TiO2 NPs using DNN. Furthermore, the proposed DNN model was used to map out the complex input-output conditions for the prediction of optimal results. The amount of chemicals, i.e., amount of TiO2 NPs, amount of ehylene glycol and reaction time were chosen as input variables and MB dye removal percentage was evaluated as a response. DNN model provides significantly high performance accuracy for the prediction of MB dye removal and can be used as a powerful tool for the prediction of other functional properties of nanocomposites.

  • Název v anglickém jazyce

    Prediction of methylene blue removal by nano TiO2 using deep neural network

  • Popis výsledku anglicky

    This paper deals with the prediction of methylene blue (MB) dye removal under the influence of titanium dioxide nanoparticles (TiO2 NPs) through deep neural network (DNN). In the first step, TiO2 NPs were prepared and their morphological properties were analysed by scanning electron microscopy. Later, the influence of as synthesized TiO2 NPs was tested against MB dye removal and in the final step, DNN was used for the prediction. DNN is an efficient machine learning tools and widely used model for the prediction of highly complex problems. However, it has never been used for the prediction of MB dye removal. Therefore, this paper investigates the prediction accuracy of MB dye removal under the influence of TiO2 NPs using DNN. Furthermore, the proposed DNN model was used to map out the complex input-output conditions for the prediction of optimal results. The amount of chemicals, i.e., amount of TiO2 NPs, amount of ehylene glycol and reaction time were chosen as input variables and MB dye removal percentage was evaluated as a response. DNN model provides significantly high performance accuracy for the prediction of MB dye removal and can be used as a powerful tool for the prediction of other functional properties of nanocomposites.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10404 - Polymer science

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF16_025%2F0007293" target="_blank" >EF16_025/0007293: Modulární platforma pro autonomní podvozky specializovaných elektrovozidel pro dopravu nákladu a zařízení</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Polymers

  • ISSN

    2073-4360

  • e-ISSN

  • Svazek periodika

    13

  • Číslo periodika v rámci svazku

    18

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    12

  • Strana od-do

  • Kód UT WoS článku

    000701562800001

  • EID výsledku v databázi Scopus

    2-s2.0-85115163834