• Publicationsclose
• Research softwareclose
• Other research productsclose
• 2012-2021close
• HR close
• Kemija u Industriji close

Ovim istraživanjem obuhvaćeno je praćenje i modeliranje kinetike sušenja cjelovitih plodova marelice prethodno obrađenih otopinama saharoze, natrijeva klorida i natrijeva bisulfita. Sušenje je provedeno u mikrovalnoj pećnici pri različitim snagama (200, 400 i 800 W). Za predviđanje vremena sušenja (DT) i omjera vlage (MR) primijenjena su dva modela umjetne inteligencije: umjetna neuronska mreža (ANN) i prilagodljivi sustav neizrazitog zaključivanja zasnovanog na neuronskoj mreži (ANFIS). S druge strane, za predviđanje MR-a upotrijebljeno je 20 postojećih poluempirijskih modela te jedan koji su autori izradili sami. Rezultati su, kod sve tri primijenjene obrade, pokazali redukciju vremena sušenja s povećanjem snage mikrovalne pećnice. Tretman otopinom natrijeva klorida pokazao se najpogodnijim. Koeficijenti korelacije ANN modela za vrijeme sušenja (0,9992) i omjer vlage (0,9997) bili su viši nego kod ANFIS modela (0,9941 i 0,9995). Za dvadeset primijenjenih polu-empirijskih modela, tri modela pokazala su se podudarnim s rezultatima ovog istraživanja (modificirani model Hendersona i Pabisa, model Hendersona i Pabisa te model dvaju pojmova). Uspoređujući tri spomenuta modela i model predložen u ovom radu, kao i predviđanje MR-a ANN-om, uočeno je da je model predložen u radu najprikladniji za opisivanje kinetike sušenja marelice tretirane otopinom natrijeva klorida. Takvi rezultati ukazuju da bi se predloženi model potencijalno mogao ubuduće primjenjivati za simulaciji kinetike sušenja voća i povrća. This study involved monitoring and modelling the drying kinetics of whole apricots pre-treated with solutions of sucrose, NaCl, and sodium bisulphite. The drying was performed in a microwave oven at different power levels (200, 400, and 800 W). Two artificial intelligence models were used for the prediction of drying time (DT) and moisture ratio (MR): artificial neural network (ANN) and an adaptive neuro-fuzzy inference system (ANFIS). On the other hand, the MR prediction was also done with 21 semi-empirical models, one of which we created. The results showed that the drying time decreased with the increase in microwave oven power for the three treatments. The treatment with NaCl was the most suitable for our work. The correlation coefficients of drying time (0.9992) and moisture ratio (0.9997) of ANN were high compared to the ANFIS model, which were 0.9941 and 0.9995, respectively. Among twenty semi-empirical models that were simulated, three models were fitted to our study (Henderson & Papis modified, Henderson & Pabis, and Two Terms). By comparing the three models adapted to our work and the model that we proposed, as well as ANN for MR prediction, it was observed that the model that we created was the most appropriate for describing the drying kinetics of NaCl-treated apricot. This solution opens the prospect of using this potential model to simulate fruit and vegetable drying kinetics in the future.

In this study, four different mathematical models were considered to predict the coagulant dose in view of turbidity removal: response surface methodology (RSM), artificial neural networks (ANN), support vector machine (SVM), and adaptive neuro-fuzzy inference system (ANFIS). The results showed that all models accurately fitted the experimental data, even if the ANN model was slightly above the other models. The SVM model led to almost similar results as the ANN model; the only difference was in the validation phase, since the correlation coefficient was very high and the statistical indicators were very low for the ANN model compared to the SVM model. However, from an economic point of view, the SVM model was more appropriate than the ANN model, since its number of parameters was 22, i.e., almost half the number of parameters of the ANN model (43 parameters), while the results were almost similar in all the data phase. To reduce the economic costs further, the RSM model can also be used, which remained very useful due to its high coefficients related to the number of parameters – only 13. In addition, the statistical indicators of the RSM model remained acceptable. This work is licensed under a Creative Commons Attribution 4.0 International License. Četiri različita matematička modela primijenjena su za predviđanje doze koagulanta u svrhu uklanjanja zamućenja: model odzivne površine (RSM), umjetna neuronska mreža (ANN), model potpornih vektora (SVM) i model prilagodljivog sustava neizrazitog zaključivanja zasnovanog na neuronskoj mreži (ANFIS). Rezultati su pokazali da svi modeli točno opisuju eksperimentalne podatke, iako je ANN model bio nešto bolji. SVM model imao je sličnu podudarnost kao i ANN model no razlika je bila u validaciji modela gdje je ANN model ostvario vrlo visoke vrijednosti koeficijenta korelacije te niske vrijednosti statističkih pokazatelja. No s ekonomskog gledišta, SVM model je prikladniji od ANN modela, budući da je njegov broj parametara 22 što je gotovo upola manje od broja parametara ANN modela (43 parametra), dok su rezultati bili slični. Dodatno smanjenje ekonomskih troškova može se ostvariti primjenom RSM modela koji je ostvario visoke vrijednosti koeficijenata s obzirom na svega 13 parametara. Uz to, RSM model imao je prihvatljive statističke pokazatelje. Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna.

Arsen je polumetal (element 15. skupine elemenata u Periodičkoj tablici elemenata), te je očekivano da će tvoriti čitav niz spojeva različitih svojstava s obzirom na vrstu kemijske veze i strukturu. U kemijskim reakcijama iskazuje metalna i nemetalna svojstva. S obzirom na Paulingov koeficijent elektronegativnosti sličan nemetalima, tvori stabilne kovalentne spojeve i s najelektronegativnijim elementima, u spojevima stvara stabilnu kovalentnu vezu As–As te tvori organoarsenove spojeve sa stabilnom vezom As–C. Primjena arsenovih spojeva bila je u prošlosti raznovrsna i višestruka. Povijesni pregled otkrivanja i uporabe arsenovih spojeva jasno poučava da se razvoj spoznaja o kemiji arsena i arsenovih spojeva temelji na znanstvenim otkrićima i napretku znanosti općenito. Organoarsenovi spojevi u prošlosti rabljeni kao lijekovi, kasnije su, razvojem znanosti, odbačeni kao otrovni i zamijenjeni naprednijim, modernijim lijekovima čija se svojstva i uporaba više ne zasnivaju na empiriji. Anorganski spojevi arsena (posebice arsenovi sulfidni minerali) primjenjivali su se kao anorganski pigmenti u slikarstvu. Takvi primjeri upotrebe spojeva kroz povijest mogu se primijeniti u srednjoškolskoj nastavi kao primjer međupredmetnih tema u kojima se povezuje kemija arsena s ekološkim i toksikološkim temama te u povijesti umjetnosti. Slično postoji i u visokoškolskom obrazovanju, posebice gdje se izučava primijenjena anorganska kemija ili u povijesti medicine i farmakologije.

Cilj ovog istraživanja bio je predvidjeti otpor prljanja primjenom umjetnih neuronskih mreža (ANN). Baza podataka za ANN modeliranje preuzeta je iz dostupne literature i sadrži podatke vezane uz prljanje kondenzacijskih cijevi u sustavu hlađenja morskom vodom u nuklearnoj elektrani. Sedam parametara korišteno je kao ulaz u neuronske mreže: bezdimenzijska temperatura morske vode, bezdimenzijski unutarnji ukupni koeficijent prijenosa topline, bezdimenzijski vanjski ukupni koeficijent prijenosa topline, bezdimenzijska temperatura kondenzatora, bezdimenzijski tlak u kondenzatoru, bezdimenzijska izlazna snaga i bezdimenzijska ukupna toplinska efikasnost. Kao izlaz uzet je bezdimenzijski otpor prljanja. Točnost modela potvrđena je statističkom analizom podudarnosti predviđenih i eksperimentalno dobivenih podataka. Rezultati su pokazali izvrsno slaganje u slučaju neuronske mreže sa 7 ulaza, 7 neurona u skrivenom sloju i 1 izlazom, uz korijen srednje kvadratne pogreške (RMSE) od 3,6588 ∙ 10–7, srednju apsolutnu postotnu pogrešku (MAPE) od 0,1295 % te visoki koeficijent determinacije (R2 = 0,99996). Nakon provedene analize osjetljivosti (sve ulazne varijable imale su snažan utjecaj na procjenu otpora prljanja), s ciljem kontrole prljanja, uspostavljen je model inverzne umjetne neuronske mreže (ANNi); model je pokazao dobro slaganje za različite vrijednosti bezdimenzijske temperature morske vode. Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna. The aim of this study was to predict the fouling resistance (FR) using the artificial neural networks (ANN) approach. An experimental database collected from the literature regarding the fouling of condenser tubes cooling seawater of a nuclear power plant was used to build the ANN model. All models contained 7 inputs: dimensionless condenser cooling seawater temperature, dimensionless inside overall heat transfer coefficient, dimensionless outside overall heat transfer coefficient, dimensionless condenser temperature, dimensionless condenser pressure, dimensionless output power, and dimensionless overall thermal efficiency. Dimensionless fouling resistance was the output. The accuracy of the model was confirmed by comparing the predicted and experimental data. The results showed that ANN with a configuration of 7 input neurons, 7 hidden neurons, and 1 output neuron presented an excellent agreement, with the root mean squared error RMSE = 3.6588 ∙ 10–7, average absolute percentage error MAPE = 0.1295 %, and high determination coefficient of R2 = 0.99996. After conducting the sensitivity analysis (all input variables had strong effect on the estimation of the fouling resistance), in order to control the fouling, an inverse artificial neural network (ANNi) model was established, and showed good agreement in the case of different values of dimensionless condenser cooling seawater temperature. This work is licensed under a Creative Commons Attribution 4.0 International License.

The aim of this study was the treatment of leachate from the Technical Landfill Centre Aïn Defla in Algeria, which presents a serious threat to the environment. Elimination of organic matter (expressed as chemical oxygen demand (COD) and biological oxygen demand (BOD5)), suspended matter (SM), mineral matter (phosphates and ammoniacal nitrogen), and heavy metals (zinc and iron) were experimentally studied using the coupling of oxidation (OP) and biosorption processes (BS). The analysis results showed that the leachate studied at pH 8.8 was very loaded in organic matter (turbidity of 553 NTU, SM = 820 mg l–1, COD = 9669 mg O2 l–1, and BOD5 = 8875 mg O2 l–1), in salts (EC = 19.4 mS cm–1), in ammoniacal nitrogen (2027 mg l–1), in phosphates (22.9 mg l–1), and in sulphates (750 mg l–1). It also contained significant amounts of heavy metals, notably zinc (4.21 mg l–1) and iron (47.5 mg l–1). The evolution of the physicochemical parameters during the treatment showed that, under the optimal conditions (T = 45 °C, [H2O2] = 1.6 mol l–1, volume fraction φ(H2O2) = 5 %, and [Fe3+] = 0.5 mmol l–1), the reduction in COD was about 99 %, the reduction in BOD5 was 100 %, the elimination of colloidal particles (SM) could reach 95 %, reduction in phosphates was 78 %, reduction in ammonium was 98 %, reduction in sulphates was 96 %, reduction in zinc was 92 %, and the reduction in iron was 98 %. Tema ovog istraživanja je obrada procjednih voda odlagališta otpada Aïn Defla u Alžiru, koje predstavljaju ozbiljnu prijetnju po okoliš. Ispitivano je uklanjanje organskih tvari (izraženo preko kemijske potrošnje kisika (KPK) i biološke potrošnje kisika (BPK5)), suspendiranih čestica (SČ), mineralnih tvari (fosfati i amonijačni dušik) i teških metala (cink i željezo) iz procjednih voda kombiniranjem procesa oksidacije i biosorpcije. Rezultati analiza pokazali su da je procjedna voda imala pH 8,8 te je bila jako opterećena organskom tvari (zamućenje = 553 NTU, SČ = 820 mg l–1; KPK = 9669 mg O2 l–1, te BPK5 = 8875 mg O2 l–1), u solima (EC = 19,4 mS cm–1), amonijačnim dušikom (2027 mg l–1), fosfatima (22,9 mg l–1) i sulfatima (750 mg l–1). Također sadržavala je i značajne količine teških metala, osobito cinka (4,21 mg l–1) i željeza (47,5 mg l–1). Iz fizikalno-kemijskih parametara praćenih tijekom obrade vidljivo je, pri optimalnim uvjetima (45 °C, [H2O2] = 1,6 mol l–1), volumni udio φ(H2O2) = 5 % i [Fe3+] = 0,5 mmol l–1), smanjenje KPK vrijednosti od 99 %, BPK5 vrijednosti od 100 %, smanjenje fosfata, amonijaka, sulfata, cinka i željeza za 78 %,98 %, 96 %, 92 %, odnosno 98 %. Također, 95,6 % suspendiranih čestica uklonjeno je tijekom obrade procjedne vode.

Anhydrous ammonia is the most used raw material in chemical fertilizer production. In the fertilizer production process, during the transportation of anhydrous ammonia, pressure and temperature have to be kept under control. Transport and storage of anhydrous ammonia requires resistance to cryogenic conditions. Therefore, materials that are resistant to cryogenic conditions are preferred for the transport of ammonia. In this study, the kinetic energy of anhydrous ammonia transported under cryogenic conditions (−33 °C) was analysed and solutions proposed to minimize the problems such as cracking and corrosion occurring in the materials that form the structure of transportation and storage systems due to cryogenic conditions were discussed. This work is licensed under a Creative Commons Attribution 4.0 International License. Bezvodni amonijak je najčešće korištena sirovina u proizvodnji kemijskog gnojiva. U procesu proizvodnje gnojiva, tijekom transporta bezvodnog amonijaka, tlak i temperatura moraju se držati pod kontrolom. Transport i skladištenje bezvodnog amonijaka zahtijevaju otpornost na kriogene uvjete. Stoga je za transport amonijaka poželjno upotrebljavati materijale otporne na takve uvjete. U ovom je istraživanju analizirana kinetička energija transporta bezvodnog amonijaka pri kriogenim uvjetima (−33 °C) te raspravljena rješenja predložena s ciljem minimalizacije problema do kojih dolazi uslijed izloženosti kriogenim uvjetima, poput pucanja i korozije materijala upotrijebljenog za izradu sustava za transport i skladištenje. Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna.

The excessive energy utilisation worldwide has prompted awareness of finding a new clean energy. Malaysia has large oil palm resources and releases huge amounts of oil palm biomass. Since oil palm biomass is abundantly available in Malaysia, it has the high potential of being utilised as fuel for gasification technology. Although many institutions in Malaysia are undertaking numerous research activities, the gasification technologies are not progressing as expected. The understanding of the potential and challenges faced by Malaysian industries are vital to evaluate the feasibility of gasification technology using oil palm biomass in Malaysia. This work is licensed under a Creative Commons Attribution 4.0 International License. Prekomjerna uporaba energije na globalnoj razini potaknula je svijest o pronalasku novih, čistih izvora energije. Malezija ima velike resurse uljane palme te je velik potencijal da se njezina biomasa upotrebljava kao sirovina za rasplinjavanje u Maleziji. Iako mnoge institucije u Maleziji provode brojna istraživanja, tehnologije rasplinjavanja ne pokazuju željeni napredak. Razumijevanje potencijala koji ima biomasa uljane palme kao i izazova s kojima se suočava malezijska industrija od vitalnog su značaja za procjenu izvedivosti tehnologije rasplinjavanja temeljenog na biomasi uljane palme u ovoj državi. Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna.

Cilj ovog rada bio je razviti tri metode temeljene na umjetnoj inteligenciji za modeliranje trostruke adsorpcije iona teških metala {Pb2+, Hg2+, Cd2+, Cu2+, Zn2+, Ni2+, Cr4+} na različitim adsorbatima {aktivni ugljen, kitozan, danski treset, treset Heilongjiang, ugljik glave suncokreta i ugljik stabljike suncokreta). Rezultati pokazuju da se regresija potpornih vektora (SVR) pokazala nešto boljom, preciznijom, stabilnijom i bržom od regresije potpornih vektora najmanjih kvadrata (LS-SVR) i umjetnih neuronskih mreža (ANN). Za procjenu kinetike trostrukog adsorpcijskog sustava višekomponentnog sustava preporučuje se model SVR. Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna. The aim of this work was to develop three artificial intelligence-based methods to model the ternary adsorption of heavy metal ions {Pb2+, Hg2+, Cd2+, Cu2+, Zn2+, Ni2+, Cr4+} on different adsorbates {activated carbon, chitosan, Danish peat, Heilongjiang peat, carbon sunflower head, and carbon sunflower stem). Results show that support vector regression (SVR) performed slightly better, more accurate, stable, and more rapid than least-square support vector regression (LS-SVR) and artificial neural networks (ANN). The SVR model is highly recommended for estimating the ternary adsorption kinetics of a multicomponent system. This work is licensed under a Creative Commons Attribution 4.0 International License.

In this paper, the influence of flame treatment on the surface properties of polypropylene (PP) and thermoplastic polyolefins with talc and carbon black filler (TPO), and adhesion of the applied coating in the conditions of industrial robotic dyeing process were investigated. The flame treatment was carried out at two distances from the flame (7.5 cm and 12.5 cm) at constant air and methane flows as well as speed of the burner. The thermal stability of untreated samples was investigated using thermogravimetric analysis (TGA). The change in thermal properties before and after flame treatment was investigated using differential scanning calorimetry (DSC). Changes of the samples’ surface energy were examined before flame treatment, 1 h and 24 h after flame treatment, by the contact angle method. Qualitative analysis of the surface chemical composition, before and after flame treatment, was performed by ATR – FTIR analysis, and morphological changes by scanning electron microscopy (SEM). After applying the base layer, dye and topcoat on the surface of the treated samples, the adhesion was determined by standard methods ISO 2409 and ISO 16925/D25 2018-B. The results showed that TPO containing talc and carbon black filler have better thermal stability compared to PP. Flame treatment influenced the surface characteristics of the samples, namely the increase in surface free energy and the appearance/structure of the surface. With ATR – FTIR, the existence of polar groups on the surface after flame treatment were determined. According to the standards, all dyed samples met the requirements of excellent adhesion on the substrate/coating interface. This work is licensed under a Creative Commons Attribution 4.0 International License. U ovom radu istražen je utjecaj obrade plamenom polipropilena (PP) i termoplastičnih poliolefina s talkom i čađom (TPO) na površinska svojstva i adheziju nanesenog premaza u uvjetima industrijskog procesa robotskog bojenja. Obrada plamenom provedena je na dvije udaljenosti plamena od površine (7,5 cm i 12,5 cm) pri konstantnom protoku zraka i metana te brzini kretanja plamenika. Toplinska postojanost netretiranih uzoraka ispitana je primjenom termogravimetrijske analize (TGA). Promjena toplinskih svojstava prije i nakon obrade plamenom praćena je primjenom diferencijalne pretražne kalorimetrije (DSC). Metodom kontaktnog kuta određena je površinska energija uzoraka prije obrade plamenom te 1 h i 24 h nakon obrade plamenom. Promjene uzrokovane obradom plamenom istražene su ATR – FTIR analizom, a morfološke promjene pretražnim elektronskim mikroskopom (SEM). Nakon nanošenja temeljnog sloja, sloja boje i sloja laka na površinu obrađenih uzoraka određena je adhezija standardnim metodama ISO 2409 i ISO 16925/D25 2018-B. Rezultati su pokazali da TPO uzorci koji sadrže punilo talk i čađu imaju bolju toplinsku postojanost u odnosu na PP. Obrada plamenom utječe na promjenu površinskih karakteristika uzoraka, povećanje slobodne površinske energije i na izgled/strukturu površine. ATR – FTIR analizom utvrđeno je postojanje polarnih skupina na površini nakon obrade plamenom. Svi obojeni uzorci prema zahtjevima normi zadovoljavaju uvjete izvrsne adhezije na međupovršini supstrat/premaz. Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna.

Cilj ovog istraživanja bio je izraditi matematički model zasnovan na metodi potpornih vektora (SVM) koji može predvidjeti količinu adsorbiranu u ravnoteži (qe). Vlakna s aktivnim ugljenom (ACF) upotrijebljena su za adsorpciju određenih fenola (fenol, 2-klorofenol, 4-klorofenol, 2,4,6-triklorofenol, 4-nitrofenol i 2,4-dinitrofenol). Eksperimentalni skup podataka od 129 bodova prikupljen je iz prethodno objavljenih radova. Ulazi parametri koji su uzeti u obzir za modeliranje bili su temperatura (T), koncentracija u ravnoteži (ce) i dva deskriptora (točka vrenja (BP) i gustoća (d)) za razlikovanje ispitivanih onečišćujućih tvari. Korišteni podatci prethodno su obrađeni statističkom analizom da bi se osigurala njihova primjerenost za modeliranje. Rezultati su pokazali superiornost modela DA-SVM Gaussove kernel funkcije demonstriranog njegovim koeficijentom determinacije (R2 = 0,997) i srednjom kvadratnom pogreškom (RMSE = 0,027 mmol l–1). Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna. The objective of this research was to build a mathematical model based on a Support Vector Machine (SVM) capable of predicting the amount adsorbed at equilibrium (qe). Activated carbon fibres (ACF) were used for the adsorption of certain phenols (phenol, 2-chlorophenol, 4-chlorophenol, 2,4,6-trichlorophenol, 4-nitrophenol, and 2,4-dinitrophenol). An experimental dataset of 129 points was collected from previously published papers. The inputs considered for modelling were temperature (T), concentration at equilibrium (ce), and two descriptors (boiling point (BP) and density (d)) to differentiate between the pollutants studied. The data used were pre-processed by the statistical analysis to ensure that they were adequate for modelling. The results showed a superiority of the Gaussian kernel function DA-SVM model demonstrated by its determination coefficient (R2 = 0.997) and root mean squared error (RMSE = 0.027 mmol l–1). This work is licensed under a Creative Commons Attribution 4.0 International License.