پایان نامه - مقاله - تحقیق

روش های نوین استخراج ترکیبات مورد نیاز از مواد غذایی شامل استخراج با سیال فوق بحرانی، استخراج با مایع تحت فشار، استخراج با آب داغ تحت فشار، استخراج به کمک امواج مایکروویو، استخراج با حلال به کمک غشا، استخراج با فاز جامد و استخراج با لوله متحرک با قابلیت جذب می باشد. این تکنیک­ها با بسیاری از نیازهای امروزی مانند ملاحظات زیست محیطی، سرعت و قابلیت اتوماسیون مطابقت دارند. استفاده از این روشها موجب کاهش زمان استخراج، کاهش مقدار حلال مصرفی ، افزایش راندمان استخراج و بهبود کیفیت ترکیبات استخراج شده می گردد.
با گسترش شیمی تجزیه، آماده­سازی نمونه به تدریج اصلی­ترین بخش آنالیز شده و 80درصد از زمان کل فرآیند تجزیه را در بر می­گیرد. تعدد نمونه­های زیستی و غذایی به موازات افزایش آلاینده­های محیطی، اصلی­ترین دلیل گستردگی روش­های آماده­سازی نمونه است. با توسعه روش­های حساس و دقیق برای اندازه­گیری نمونه­های محیطی، تحقیقات بر روی روش­های سازگار با محیط زیست .با آلودگی کمتر متمرکز شده است (Chen et al., 2008).  
1-5- استخراج با فاز جامد
روش­های استخراج با فاز جامد جهت جداسازی و پیش تغلیظ عناصرکمیاب از نمونه­های زیست محیطی، مواد غذایی (Khajeh and Dastafkan, 2012) و نمونه­های آبی (Khajeh et al., 2011) بطور گسترده استفاده می­شود. در مواقعی که با بافت پیچیده نمونه و یا غلظت ناچیز آنالیت مواجه­ایم، این روش قادر به فراهم آوردن شرایط کاری انعطاف پذیر و در نتیجه استخراج ساده تر می­باشد (Moyano et al., 1999). بخاطر مزایای متعددی، استخراج با فاز جامد جایگزین روش استخراج مایع-مایع (LLE)[1] (Pyrzynska and Trojanowicz, 1999) و سوکسله شده است (امجدی و همکاران، 1386) که این مزایا عبارتند از:

• بکار بردن نمونه به صورت مستقیم، ساده و سریع در اندازه خیلی کوچک (حجم میکرولیتر) بدون کاهش نمونه
• فاکتور پیش تغلیظ بالا
• تکرارپذیری بالا
• نیاز کم به حلال­های آلی
• توانایی ترکیب با روش­های مختلف به صورت On-line و یا Off-line

• صرفه جویی در هزینه و زمان

و از دیگر مزایای این روش انعطاف پذیری، سهولت خودکار شدن و نبودن فرآیند مزاحم امولسیون می باشد (Pyrzynska and Trojanowicz, 1999 ; Khajeh and Sanchooli, 2011). این روش برای استخراج و تغلیظ آنالیت­ها از یک بافت مایع به وسیله توزیع ترکیبات بین یک فاز جامد و یک فاز مایع استفاده می کند. هدف استخراج با فاز جامد از بین بردن ترکیبات مزاحم و تغلیظ آنالیت با بازیابی خوب و نتایج تکرار پذیر می‌باشد (Huck and Bonn, 2000) استخراج با فاز جامد معایبی نیز دارد که از جمله می توان به تکثیر پذیری پایین روش به خاطر تفاوت­های بین مقادیر دسته­ای جاذب ها، مشکل بودن استاندارد سازی استفاده از سیستم ایجاد مکش و خلا و ماهیت متنوع مراحل خشک شدن اشاره نمود (Walker and Mills, 2002).
1-6- جاذب های طبیعی
‫جاذب‌های طبیعی، شامل مواد آلی و معدنی ‫هستند. از جاذب‌های آلی، می‌‌توان کاه، چوب ‫ذرت، پوسته‌ی بادام زمینی، فیبر چوب و تورب ‫ساخته شده از خزه‌ی پوسیده را نام برد. مواد ‫طبیعی، نسبتاً ارزان و به فراوانی در دسترس ‫هستند و از شدت جذب قابل قبولی برخوردارند. ارزان و در دسترس ‫بودن، تجدید‌پذیر بودن و متناسب بودن این ‫جاذب‌ها با محیط زیست، باعث می‌شود که ‫تمایل بیشتری به سمت جاذب‌های زیستی و ‫طبیعی وجود داشته باشد.
جاذب­های طبیعی ارزان قیمت بوده و به راحتی در دسترس می­باشند. برخی از انواع آن­ها در طبیعت به وفور یافت و در برخی از فعالیت­ها هم بصورت ضایعات بلا استفاده تولید می­شوند. در حالی که قیمت رزین­های تبادل یونی بسیار زیاد بوده و برآوردها بیانگر این است که با استفاده از این فرآیند در مقایسه با سایر روش ها حدود 20 درصد هزینه کاهش می یابد ( (Naddafi, 2005.
با توجه به وسعت مطالعات در زمینه جذب با استفاده از جاذب­های طبیعی، در ادامه به شرح مختصری از تحقیقات عمده پرداخته شده است:
Bameri  و Khajeh  در سال 2013 به بررسی تاثیر خاک اره در حذف متیلن بلو از نمونه­های آبی پرداختند .
Wang و Qin در سال 2005 میزان جذب مس از آب­های آلوده را با استفاده از پوسته شلتوک برنج بررسی کردند.
Grimm و همکاران در سال 2008 میزان جذب مس را با استفاده از جاذب­های خاک اره، جلبک دریایی و خزه مورد بررسی قرار دادند.
Montanher و همکاران در سال 2005 برای حذف سرب و مس از پوسته شلتوک برنج استفاده کردند.
1-7- ضایعات چای
چای یکی از قدیمی­ترین نوشیدنی­ها می باشد و پس از آب، پرمصرف­ترین و مهم­ترین نوشیدنی­های مطبوع برای رفع خستگی و تشنگی در بیشتر کشور­های جهان و از جمله ایران می­باشد. بیش از 30 کشور چای خیز جهان، مبادرت به تولید چای سیاه می­کنند که سهم ایران در این تولید جهانی، حدود 5/2 درصد است. بر اساس گزارش سازمان چای کشور در ایران سالانه حدود 50 تا 60 هزار تن چای سیاه تولید می­شود. در عمل آوری تولید چای سیاه حدود 10 درصد ضایعات چای، موسوم به خاک چای حاصل می­شود که بصورت پودر بوده و با غربال کردن چای سیاه در آخرین مرحله تولید و قبل از بسته بندی به دست می آید که در بازارهای جهانی قیمت چندانی ندارد (نجفی و همکاران، 1388).
در هند تولید سالانه چای حدود 857000 تن است که 4/27 درصد از تولید کل جهان می­باشد(Wasewar et al., 2008) مقدار چای خشک تولید شده از 100 کیلوگرم برگ چای سبز، 22 کیلوگرم بطور متوسط است و حدود 18 کیلوگرم برای بازار بسته بندی می­شود و 4 کیلوگرم دیگر از مواد چای خشک به هدر می­رود (Cay et al., 2004). مقدار ضایعات چای تولید شده در هر سال پس از پردازش در حدود 190400 تن در هند به تنهایی است ((Wasewar, 2010. در حال حاضر سالانه حدود 4 هزار تن ضایعات چای در کارخانجات چای سازی ایران تولید شده و تقریباً بدون مصرف می­باشند (نیکخواه و همکاران، 1391).
دیواره­های سلولی نامحلول برگ­های چای از سلولوز[3]، همی سلولوز[4]، لیگنین[5]، تانن­های فشرده[6] و پروتئین­های ساختاری ساخته شده­اند. بعبارت دیگر یک سوم از کل ماده خشک در برگ­های چای باید پتانسیل خوبی بعنوان جاذب فلزی از محلول و فاضلاب­های آبی داشته باشند ((Wasewar, 2010.
1-7-1- آماده­سازی ضایعات چای بعنوان جاذب
جهت آماده­سازی ضایعات چای، بعنوان جاذب کم هزینه در استخراج فاز جامد روش خاصی در کتب و یا اسناد علمی بیان نشده است بلکه روش­هایی بطور تجربی توسط پژوهشگران انجام شده و در مقالات مختلف ذکر شده است. 
Mahavi و همکاران در سال 2005 از روش بسیار ساده جهت آماده­سازی جاذب­ها استفاده کردند. آنها ضایعات چای را در مرحله اول شسته و با آب مقطر شستشو دادند و پس از خشک کردن در 100 درجه سانتیگراد با توری سایز 10، غربال کردند.
 Malkoc and Nuhoglu در سال 2005 برای حذف اجزای رنگی چای قبل از آزمایش، آنها را برای مدت زمان طولانی با آب جوش شستشو دادند تا محلول حاوی ضایعات چای بی­رنگ شود. سپس ضایعات چای را تمیزکرده و در دمای اتاق با عبور گاز خشک کردند.
Amarasinghe and Williams  در سال 2007 نیز با آب جوش ضایعات چای را شستشو دادند و آنقدر این کار را تکرار کردند تا اجزای محلول و رنگ آن از بین برود. سپس به مدت 12 ساعت در آون با حرارت 85 درجه سانتیگراد خشک کردند. ضایعات چای خشک، غربال شده و در کیسه از جنس پلی اتیلن نگهداری می­شود. نوع مشابهی از روش آماده­سازی، توسط Cay و همکارانش طراحی شد و توسط Wasewar و همکارانش در سال 2008 استفاده شده است. قبل از آزمایش، ضایعات چای خرد شده با آب گرم (80 درجه سانتیگراد) به مدت یک ساعت شسته شده و تانن­های قابل هیدرولیز و دیگر اجزای محلول و رنگی حذف می­شود. چای خشک بی­رنگ و تمیز را در آون با 105 درجه سانتیگراد قرار داده تا خشک شود و در نهایت ذرات با اندازه 60-170 غربال می­شود و بعنوان جاذب مورد استفاده قرار می­گیرد.
1-8- شبکه عصبی مصنوعی( ANN)
شبکه­های عصبی، مدل­های محاسباتی هستند که قادرند رابطه میان ورودی ها وخروجی ها یک سیستم فیزیکی را توسط شبکه ای از گره ها که همگی با هم متصل هستند، تعیین نمایند که در آن میزان فعالیت هر یک از این اتصالات توسط اطلاعات تاریخی تنظیم می شود (فرآیند یادگیری) و در نهایت مدل قادر خواهد بود قوانین مرتبط میان ورودی ها وخروجی ها را کشف نماید، هر چند این قوانین غیرخطی و پیچیده باشند( دلاور، 1384).
ANN که رسمأ از دهه 1970 میلادی مطرح شده است، با الگو قرار دادن فعالیت­های مغز انسان و براساس روابط منطقی مشابه، با دریافت یک سری اطلاعات نتایج منطقی را عرضه کرده و به کاربر ارائه می­دهد. ANN با تجزیه و تحلیل داده­های ورودی و نتایج نظیر آنها ارتباطی منطقی بین داده­ها برقرار می­کند که ممکن است غیرخطی و نامشخص باشد، سپس با استفاده از این ارتباط منطقی، کار شبیه سازی را برای موارد احتمالی مشابه انجام می­دهد.
این شبکه­ها بر مبنای مقایسه بین خروجی شبکه و هدف تعدیل می­شوند و تا زمانی که خروجی شبکه با خروجی هدف تطبیق پیدا کند این کار ادامه می­یابد. شبکه­های آموزش یافته را می­توان به صورت رویه­ای از جعبه سیاه برای برآوردهای غیرخطی با عنوان نگاشت­های غیرخطی قابل تنظیم معرفی کرد، چرا که فضای بردار ورودی را به وسیله مجموعه­ای از توابع غیرخطی به فضای خروجی مرتبط می­سازد. کاربردی­ترین نوع شبکه­های عصبی، شبکه­های پروسپترون چندلایه (MLP)[8] و شبکه­های توابع شعاعی (RBF)[9] می­باشد (کوچک­زاده و بهمنی، 1384).
1Liquid-liquid extraction
1 Flexibility
1 Cellulose
2 Hemicelluloses
3 Lignin
4 Condensed tannins
1 Artificial neural network
[8] Multi Layer Perceptroan
[9] Radial Basis Function
 
متن کامل در این لینک

آنچه که بین تمام علوم مشترک است، حجم وسیعی از اطلاعات و داده به شکل­های مختلف است، که همراه با پیشرفت و وسعت علوم بزرگتر و ارزشمندتر می­شود. با رشد سریع علوم کامپیوتر و استفاده از آن در چند دهه اخیر، تقریبا همه سازمان­ها در پروژه­های مختلف خود حجم عظیمی داده در پایگاه­های داده ذخیره می­کنند. این سازمان­ها و کسانی که به نوعی در پروژه­ها سهیم هستند به فهم این داده­ها و بهتر بگوییم کشف دانش نهفته در آن نیازمندند. این نیاز، باعث به­وجود آمدن حوزه جدید میان رشته­ای کشف دانش و داده­کاوی[1] شده است، که حوزه­های مختلف همچون پایگاه داده، آمار، یادگیری ماشین را برای کشف دانش ارزشمند نهفته در اطلاعات و داده­ها را با هم تلفیق می­کند. اصطلاح Data­ Mining همان­طور که از ترجمه آن به معنی داده­کاوی مشخص می‌شود، به مفهوم استخراج اطلاعات نهان، و یا الگوها وروابط مشخص در حجم زیادی از داده‌ها در یک یا چند بانک اطلاعاتی بزرگ است.

هر نرم­افزار در طول فرآیند­تولید و پس از آن، انبوهی از اطلاعات ­و مستندات دارد که قابل کاوش و استفاده­ مفید است. این داده­ها معمولا در پایگاه­ داده­هایی به­نام مخازن نرم­افزاری[2] ذخیره و نگهداری می­شوند. مخازن نرم­افزاری نمایش دقیقی از مسیر­تولید یک سیستم ­نرم­افزاری ارائه می­دهند]1 .[هدف ازکاوش مخازن نرم­افزاری[3]MSR استفاده هوشمند از تحلیل داده­های نهفته در آن­ها برای کمک به

 تصمیم­گیری های بهتر و سریعتر در پروژه تولید و پشتیبانی آن­ها است. آن­چه که در اینجا مورد توجه این تحقیق است، استخراج اطلاعات مهم برای همه ذینفعان پروژه نرم­افزاری است. این اطلاعات از مجموعه داده­های مرتبط با خطا­های رخ داده در طول تولید و پشتیبانی پروژه استخراج می شود.

در سال­های گذشته مدل­های مختلفی با استفاده از الگوریتم­های داده­کاوی، تشابه متن و دسته­بندی و خوشه­بندی داده­ها ارائه شده. اما از آن­جا که جستجو و استخراج اطلاعات از میان داده­های متنی نیازمند روشی هوشمند برای تطبیق جنبه­های معنایی و دستوری است، نیاز به مدل­هایی که از الگوریتم­ها معنایی استفاده­کنند وجود دارد.در تحقیق­های مورد مطالعه این نیاز حس می­شود.

سعی بر این شده که با استفاده از الگوریتم معنایی برپایه مجموعه تشابه جملات[4]بر پایه LCS[5]]3[ و تشابه کلمات (SOC-PMI[6] )]3[، روی مستندات ذخیره­ شده در مخازن خطای نرم­افزار، مانند راه­حل­های ارائه ­شده برای خطا­های مشابه مدل­های قبلی را تکمیل­کرده و جوابی بهینه و سریع­تر برای خطای پیش آمده پیدا کنیم. همچنین می­توان زمانی تخمینی نیز برای تصحیح خطا پیش­بینی کرد تا راهنمای تیم توسعه و ذینفعان دیگر نرم­افزار باشد. همچنین دید بهتری نسبت به روند پیشرفت و تکامل نرم­افزار مورد نظر ارائه ­شود.

2.1. تعریف مسئله

یکی ­از مراحل مهم و اساسی در مهندسی ­و تولید نرم­افزار مرحله یافتن و رفع خطا­های موجود در نرم­افزار است. این مرحله از تولید نرم­افزار جزء وقت­گیرترین و پرهزینه ­ترین مراحل به­ حساب  می­آید]4[. سال­هاست که دانش داده­کاوی و استخراج دانش به کمک مهندسین نرم­افزار آمده­است. رفع خطا در فرآیند تولید بسته به مدل توسعه نرم­افزار چندین بار انجام می­گیرد. خطا­ها و مشکلات برطرف ­شده معمولا به روش­های مختلف تحت عنوان مخازن خطای نرم افزار، مستند­سازی و ذخیره می­شود. این مخازن منابع عظیم دانش هستند، که کمک بزرگی در تسریع زمان تولید نرم­افزار و پایین­آوردن هزینه­ها خواهد­بود]5[. روش­هایی نیاز­است که این دانش و اطلاعات مفید استخراج شود. در این تحقیق روشی برای سرعت بخشیدن به رفع­خطای جدید با استفاده از اطلاعات موجود در مخازن خطای نرم­افزار، ارائه شده­است. مدل­های زیادی تا به­حال ارائه­شده که یا مکمل هم بوده یا از الگوریتم­های جدید استفاده شده­است. مدل­های پیشنهادی با استفاده از تشابه متن همگی از الگوریتم­های معمولی و ساده استفاده کرده اند. در این مدل ها به این نکته مهم کمتر توجه شده که مخازن حجم بالا و پیچیده­ای از اطلاعات را شامل می­شوند، که بعضاً تشابه بین کلمات و معانی مختلف یک جمله نتیجه­گیری را سخت­تر می­کند. پس نیاز به الگوریتم­های معنایی در بررسی تشابه متن احساس می­شود. همچنین باید به این نکته مهم توجه کرد که الگوریتم معنایی انتخاب ­شده بهینه است و قادر باشد میان این حجم اطلاعات که از سوی کاربران مختلف ثبت می­شود، بهترین جواب با تشابه بیشتر را انتخاب کند. اگرچه تا به­حال روش­های بسیاری برای تکمیل مخازن خطا و استفاده از دانش نهفته در آن صورت­گرفته اما می­توان گفت که ضرورت اهمیت به تشابه معنایی بین داده­ها در نظر گرفته نشده ­است. در این تحقیق سعی شده که این ضعف در جستجو و بهره­گیری دانش نهفته در این مخازن داده پوشش داده ­شود.

مدل ارائه ­شده در اینجا ابتدا لیستی از خطا­های مشابه خطای جدید با استفاده ازیک الگوریتم تشابه معنایی مناسب، با توجه به اطلاعات متنی ذخیره­شده ارائه می­دهد. در مرحله بعد این خطا­ها براساس چرخه ­عمر خطا با استفاده از روش خوشه­بندی K-means، خوشه بندی می­شوند.

همچنین میانگین تشابه هر دسته به خطای جدید، گروه منتخب را مشخص می کند. خطاهای موجود در این گروه، راه حل­های پیشنهادی برای هر کدام، کمکی برای تسهیل و تسریع در رفع خطا است و میانگین طول­عمر گروه تخمینی بر پیچیدگی و زمان حل­مشکل خواهد بود.

1-1     معرفی مجتمع پتروشیمی جم

       صنعت پتروشیمی در ایران تحولات ودگرگونی های فراوانی داشته است . تحولاتی كه این صنعت عظیم را رفته رفته به صنعت اول كشور تبدیل می­كند. صنعت پتروشیمی به عنوان یكی از منابع تامین نیازهای بسیاری از صنایع داخلی ، صدور وتولید فرآورده­های خود و منبع مهم ارزآوری و اشتغال­زایی برای كشور ، از جایگاه ویژه­ای برخوردار است . براین اساس در چهار چوب برنامه سوم توسعه اقتصادی كشور، طرح­های پتروشیمی در منطقه ویژه اقتصادی انرژی پارس جنوبی پیش بینی شده است. طرح مجتمع الفین دهم (پتروشیمی جم) یكی از طرح­های برنامه استراتژیك توسعه صنایع پتروشیمی كشور می باشد.
این مجتمع كه در منطقه ویژه اقتصادی انرژی پارس جنوبی قرار دارد شامل واحد های الفین، پلی اتیلن سبك خطی، پلی اتیلن سنگین، پلی

 پروپیلن هر كدام به ظرفیت 300 هزار تن در سال، واحد منواتیلن گلایكول  به ظرفیت 400 هزار تن در سال و دی تری اتیلن گلایكول، جمعاً به میزان 43 هزار تن در سال می باشد.

ضمناً واحدهای آلفا الفین به ظرفیت 200 هزار تن و واحد بوتادین به ظرفیت 130 هزار تن در سال، واحدهای دیگر این مجتمع می باشد.
واحد الفین مجتمع پتروشیمی جم، با ظرفیت یك میلیون و320 هزار تن در سال اتیلن، در حال حاضر بزگ­ترین واحد الفین جهان است. این واحد كه به واحد كراكینگ نیز معروف می­باشد از قسمت­های مختلفی تشكیل یافته است كه عبارتند از:

• كوره های كراكینگ
• قسمت گرم
• كمپسور گاز، شستشو با كاستیك وخشك كردن
• بازیابی اتیلن و متان زدایی
• جداسازی برش دوکربنه
• جداسازی برش سه کربنه
• جداسازی برش چهار کربنه
• سیستم­های تبرید
• سیستم­های كمكی
• مخازن محصول

خوراك واحد از قسمت­های مختلف تهیه می­شود كه از طریق چندین خط لوله به واحد ارسال می­شود كه به سه دسته تقسیم می گردد:

• خوراك مایع از پنج خط تشكیل شده شامل:
• رافینیت[1] برشC5 ازمجتمع آروماتیك چهارم در دمای 45 درجه سانتیگراد و فشار 6 بار
• C5+از مجتمع الفین نهم در دمای 50 درجه سانتیگراد و مینیموم فشار لازم 11 بار
• LPG[2] از آروماتیك چهارم در دمای 45 درجه سانتیگراد و فشار 16 بار
• دو خط اتان یكی اتان تازه از پتروشیمی پارس (واحد استحصال اتان) ودیگری از فازهای 4و5 كه تحت فاز گازی می­باشد .این خوراك به كوره­های گازی ارسال می­شود . دمای مورد نظر 35 درجه سانتیگراد و فشارمینیموم حدود 17 بار می­باشد.
• یك جریان برش C3+از الفین نهم وارد می­گردد این خوراك به قسمت جداسازی واقع در منطقه كمپرسور ارسال می­گردد. دمای مورد نظر 45 درجه سانتیگراد ومینیمم فشار 16 بار می­باشد.

خوراک­های مایع از آروماتیک چهار با هم مخلوط شده و به ظرف ذخیره خوراک مایع ارسال می­شود. این مخلوط بوسیله پمپ و پس از مخلوط شدن با پروپان برگشتی وبرش­های چهار کربنه وLPG  به پیش­گرم­کن خوراک مایع رفته و سپس به کوره ها ارسال می­شود.
پیش از توضیح واحدهای مختلف موجود در الفین دهم نمودار کنده­ای[3] این مجتمع به منظور درک بهتر توضیحات پیش­رو ارائه می­گردد (تصویر1).

کمومتریکس یا شیمی سنجی در حقیقت کاربرد علوم آمار، کامپیوتر و ریاضی در شیمی می‌باشد [1]. از روش‌های ذکر شده برای درک بهتر اطلاعات شیمیایی که در آزمایشگاه بدست می‌آید استفاده می‌شود، به این صورت که با استفاده از تحلیل داده‌های شیمیایی بدست آمده اطلاعات مفید استخراج می شود تا با توجه به این اطلاعات بتوان آزمایش‌های مورد نظر را با بازدهی بهتر طراحی کرد.کاربرد روش‌های ریاضی در شیمی سابقه دیرین دارد ولی با توجه به پیشرفت علوم کامپیوتر و کاربرد آن در علوم روش‌های کمومتریکس در دهه اخیر پیشرفت بسیار داشته است. در این دو دهه روش‌های کمومتریکس مختلفی توسط شیمیدان‌ها با کمک متخصصین علوم کامپیوتر، ریاضی و آمار ارائه شده است. بسیاری از شیمیدان‌ها و کسانی که از روش‌های کمومتریکس استفاده می‌کنند دانشمند سوئدی به نام ولدرا به عنوان اولین کسی که این روش‌ها را معرفی کرده است نام می‌برند و به او لقب پدر علم کمومتریکس را داده‌اند [2]. کمومتریکس درشاخه­های مختلف شیمی مورد استفاده قرار می‌گیـرد. بـرخی از کاربرد­های آن شامل کنترل فرآیندها، تجزیه و تحلیل و شناخت الگوها، پردازش علائم و بهینه کردن شرایط می­باشد.  یکی از زمینه­های مهم کاربرد کمومتریکس در مطالعاتی است که خواص مولکولها را به ویژگی­های ساختاری آنها نسبت می­دهد. موارد خاصی از این تحقیقات و مطالعات شامل موارد رابطه‌ی كمی ساختار-فعالیت(QSAR)، رابطه‌ی كمی ساختار-سمیت(QSTR)، رابطه‌ی كمی ساختار-خصوصیت(QSPR) است که به منظور سهولت و کلی نگری تمامی این موارد تحت عنوان QSAR قرار می گیرند.
1-1) اجزای اصلی QSAR
یك رابطه ی كمی‌ساختار – فعالیت از سه بخش مجزای زیر تشكیل می‌گردد  ;[3]

• داده‌های معتبر مربوط به فعالیت یا ویژگی مورد مطالعه كه باید مدل سازی و در نهایت پیش بینی شوند. تعدادی از خصوصیاتی كه می‌توانند برای مدل سازی QSAR مورد استفاده قرار گیرند به شرح زیر می‌باشند: فعالیت دارویی، فعالیت سمی، خصوصیات فیزیكوشیمیایی و تاثیرات سموم شیمیایی در محیط زیست.
• توصیف‌كننده‌ها یا همان متغیرهایی كه مدل براساس آنها ساخته می‌شود. ویژگی‌های هر ملكول كه معمولا با در نظر گرفتن ساختار ملكولی به صورت كمی‌محاسبه می‌شوند، در واقع همان متغیر‌های مورد استفاده در مدل سازی می‌باشند.
• روشی (اعم از ریاضی یا آماری) كه برای فرمول بندی مدل از آن استفاده می‌گردد.

روش‌های بسیاری جهت مدل سازی QSAR به كار می‌روند كه تعدادی از آن‌ها به قرار زیر می‌باشند:
رگرسیون خطی چند تایی (MLR)، روشی ریاضی است که معمولا برای برقراری ارتباط بین ویژگی­های ساختاری مولکول و خواص آن در مطالعات QSPR/QSAR به کار می­رود. این روش هنگامی که بین توصیف­کننده­ها بر­هم­کنشی وجود نداشته و ارتباط آن­ها با فعالیت مورد نظر خطی باشد مفید است.[4]

شبکه عصبی مصنوعی (ANN)، كه با تقلید از شبكه­های عصبی بیولو‍ژیكی مثل مغز انسان ساخته شده­اند الگویی برای پردازش اطلاعات می­باشند كه بر پایه اتصال به هم پیوسته چندین واحد پردازشی عمل می­كنند [5].
ماشین بردار پشتیبان (SVM)، یكی دیگر از روش­های یادگیری راهنمایی شده است كه از آن برای طبقه بندی و آنالیز رگرسیون استفاده می­كنند[6] .
كمترین مربعات جزیی (PLS)، این روش با روش MLR، تفاوت چندانی ندارد. تنها فرضیاتی كه براساس آن ضرایب متغیرهای مدل محاسبه می‌گردند در دو روش با هم متفاوت است[7] .
1-2) انواع روشهای QSAR
روش‌هایQSAR  را می‌توان به سه گروه تقسیم‌بندی کرد[8]. اولین روش، QSAR دو بعدی است که در آن ساختار سه ‌بعدی مولکول در نظر گرفته نمی‌شود. در این روش مولکول با استفاده از یک سری توصیف‌کننده‌های مولکولی نمایش داده می‌شود که مقادیر عددی آن مشخصه مفاهیم متنوعی از ساختار مولکولی است و در مجموع با در نظر گرفتن فعالیت مشاهده شده مدل پیشگو ساخته می‌شود.
روش دوم QSAR سه بعدی است که بطور مثال با رهیافت CoMFA نشان داده می‌شود [8]. در این روش ساختار سه بعدی مولکول مورد بررسی قرار می‌گیرد. به این منظور ابتدا مولکول در یک شبکه منظم سه‌ بعدی قرار گرفته و سپس برهمکنش‌های الکتروستاتیک و فضایی بین مولکول مورد نظر و یک اتم فرضی قرار گرفته در محل نقاط تقاطع این شبکه توری مانند (مثل کربن)، محاسبه شده و به عنوان توصیف‌کننده استفاده می‌شود تا با ایجاد مدل، برهمکنشهای الکتروستاتیک و فضایی مطلوب بدست آید. به وضوح این روش مزایای بسیار زیادی نسبت به روش ساده‌تر دو بعدی دارد اما پیچیدگی‌های آن نیز بیشتر است.
روش سوم که QSAR چهار بعدی است، یک روش توسعه یافته از QSAR سه بعدی می‌باشد و توسط هاپفینگر و همکارانش ارائه شد [9] که اطلاعات مربوط به صورتبندی را در بعد چهارم در نظر می‌گیرد. مشابه با روش CoMFA،  QSARچهار بعدی با مشخص کردن یک مجموعه از نقاط شبکه که خصوصیات مولکول را ارزیابی کند شروع می‌شود. این روش علاوه بر نقاط شبکه از کل صورتبندی، نمونه برداری کرده و از اطلاعات بدست آمده از آن استفاده می‌کند تا سلولهای اشغال شده در شبکه را ارزیابی کند و از این خصوصیات مولکولی برای ساختن مدل استفاده می‌کند.
 
1-3) اهداف QSAR
روابط كمی‌ساختار – فعالیت باید به عنوان ابزاری علمی‌تلقی گردند كه اجازه ی كشف و همچنین تجزیه و تحلیل روابط نهفته در میان داده‌های موجود را به ما می‌دهند. اهداف زیادی را از ایجاد یك QSAR می‌توان برشمرد كه تعدادی از آنها به صورت زیر است[8]:
1- پیش بینی فعالیت زیستی وخصوصیات فیزیكو- شیمیایی
2- درك بهتر مكانیسم عمل دریك سری از تركیبات شیمیایی
3- صرفه جویی درهزینه‌های تولید محصول ( داروها ، آفت كش‌ها ، و تركیبات شیمیایی جدید)
4- كاهش دادن ودربرخی موارد حتی جایگزینی استفاده از حیوانات آزمایشگاهی
با توجه به این اهداف، مدل سازی خصوصیات مایعات یونی که از پرکاربردترین ترکیبات در علم شیمی بشمار می­روند، می­تواند بسیار مفید واقع گردد. در ادامه مایعات یونی به صورت مختصر معرفی گردیده­اند.
 
1-4) نگاهی گذرا برمایعات یونی
مایعات یونی اولین بار در سال ١٩١٤ با سنتز اتیل آمونیوم نیترات (نقطه ذوب C˚12) شناخته شدند اما تا سال ١٩۵١ كاربرد گسترده ای نداشتند [10] . در پی یافتن روش جدیدی برای تهیه آلومینیم به طریق آبكاری با مخلوط كردن دو پودر سفید رنگ آلكیل پیریدینیوم كلرید با 3AlCl مشاهده شد که این دو با یكدیگر واكنش می‌دهند و مایع بی رنگ آلكیل پیریدینیوم تتراكلروآلومینات تولید می‌شود[11] . با این توصیف همچنان به این دسته از تركیبات فقط با كنجكاوی نگاه می‌شد تا اینكه در چند دهه اخیر به عنوان جایگزین، برای حلال‌های آلی متداول واكنش‌های شیمیایی مطرح شدند. به طور كلی تعریف‌های گوناگونی برای یك مایع یونی وجود دارند كه شاید پذیرفته شده‌ترین آنها «یك ماده متشكل از یون‌ها با نقطه ذوب پایین‌تر از 100 درجه‌ی سانتی‌گراد» باشد [12] . مایعات یونی را با نام های نمك های مذاب، مایعات یونی غیرآبی یا مایعات یونی دمای اتاق نیز می‌شناسند[13] . اگر دمای ذوب نمک زیر دمای اتاق (25درجه‌ی سانتی‌گراد) باشد به آن مایع یونی دمای اتاق می‌گویند. این تركیبات متشكل از یک کاتیون آلی غیر متقارن سنگین شامل فسفر یا نیتروژن مانند آلكیل ایمیدازولیوم، پیرولیدینیوم، آمونیم، فسفونیوم و انواع مختلفی از آنیون‌های آلی مانند تری فلئورو استات و یا آنیون‌های معدنی کلرید، برمید، تترافلئوروبورات و هگزافلئوروفسفات و … می‌باشند [13]. ترکیب آنیون‌ها و کاتیون‌های مختلف به طور گسترده تعداد مایعات یونی را گسترش داده‌است و تاکنون بیش از 2000 مایع یونی شناخته شده‌اند. از آنجا که معمولا می‌توان با اتصال یک کاتیون و آنیون خاص مایع یونی مورد نیاز برای یک کاربرد به خصوص را تولید کرد به این حلال‌ها، حلال‌ طراح[17] نیز گفته می‌شود[12] .
مهمترین ویژگی‌های مایعات یونی عبارت‌اند از:[14]

• خواص فیزیكی مایعات یونی با تغییر تركیب شیمیایی آنیون‌ها و كاتیون‌ها تغییر می‌كنند.
• مایعات یونی غیر فرارند بنابراین در سیستم‌های با خلاء زیاد قابل استفاده‌اند كه این موضوع از بروز برخی مشكلات فرایندی جلوگیری می‌كند.
• بسیاری از تركیبات آلی و معدنی در آنها قابل حل‌اند.
• عدم حلالیت مایعات یونی در برخی از حلال‌ها (مانند آلكان‌ها) یك محیط قطبی غیر آبی ایجاد می‌كند كه این عامل، در سیستم‌های جداسازی دو فازی و چند فازی، بازیابی كاتالیست را (فرایند سبز) آسان می‌كند.
• این تركیبات می‌توانند، نه تنها به عنوان یك حلال، بلكه به عنوان یك كاتالیست فعال نیز در واكنش شركت كنند.

همچنین مایعات یونی خواص بی نظیر دیگری از قبیل پنجره‌ی الکتروشیمیایی وسیع، هدایت الکتریکی زیاد، تحرک یونی، گستره‌ی دمایی مایع وسیع، به شدت سولواته کننده، عدم فراریت، اشتعال ناپذیری و گستره‌ی پایداری گرمایی وسیع نیز دارند.
[1]. Chemometrics
[2].  Wold
[3]. Quantitative structure activity relationship
[4]. Quantitative structure toxicity relationship
[5]. Quantitative structure property relationship
[6]. Descriptors
[7]. Multiple linear regression
[8]. Artificial neural network
[9]. Support vector machine
[10]. Partial least square

1. 1. Comparative molecular field analysis
2. 2. Hopfinger

[13] . Electroplate
[14]. Molten salts
[15]. Non aqueous ionic liquids
[16].  ionic liquids
[17]. Designer solvent


 

کمبود میزان آب آشامیدنی در دسترس و افزایش روزافزون گازهای گلخانه‌ای در جو زمین، سبب شده تا دانشمندان و پژوهشگران به دنبال راه‌حلی اساسی برای رفع این مشکل باشند؛ زیرا این گازها موجب افزایش دمای سطح زمین و به‌تبع آن، آب شدن یخچال‌های طبیعی و تبخیر آب‌های سطحی خواهند شد.
با توجه به کمبود آب آشامیدنی، محققان در تلاش هستند که برای آبیاری زمین‌های کشاورزی یا در کارخانه‌های صنعتی از پساب های موجود استفاده کنند. اما نمی‌توان از فاضلاب‌ها به‌طور مستقیم استفاده کرد زیرا برخی از آن‌ها حاوی مواد سمی، خطرناک و مضر برای سلامتی انسان ها و محیط زیست هستند. همچنین بعضی از پساب‌ها را نمی‌توان مستقیماً دفن و یا وارد محیط‌زیست کرد، خصوصاً پساب‌ مربوط به بیمارستان‌ها، کارخانه‌های مواد شیمیایی و تسلیحات نظامی و شیمیایی زیرا میزان آلاینده‌های موجود در این پساب بسیار بالاست. با این تفاسیر قبل از استفاده، بایستی تصفیه بر روی آن ها انجام شود و مواد آلاینده، میکروب‌ها و مواد مضر آن ها از بین برود. اما بسته به نوع و کیفیت پساب، روش‌های مختلفی ارائه‌شده است که در این فصل به برخی از آن ها اشاره خواهد شد.
 

1-2       شناسایی آلاینده فنلی

فنل و ترکیبات فنلی جزء مواد آلی بسیار پایدار بوده و از آلاینده‌های متداول منابع آبی می‌باشند. این ترکیبات بطور طبیعی از قطران

 زغال‌سنگ و تقطیر بنزین و به‌صورت مصنوعی در اثر حرارت دادن سولفات بنزن سدیمی با سود آبدار در فشار بالا تولید می‌شوند[]. به‌طورمعمول، سالانه حدود 6 میلیون تن فنل در سراسر جهان تولید می‌شود[2]. فنل و مشتقاتش در فاضلاب‌های صنایع مختلفی از قبیل پالایشگاه‌های نفت، کوره‌های زغال‌سنگ، کک سازی‌ها، کارخانه‌های پتروشیمی[2]، رزین و پلاستیک، کارخانه‌های پارچه و چرم، کاغذ و خمیرکاغذ، فرآیندهای ریخته‌گری و کارخانه‌های بازیافت کائوچو حضور داشته و عمدتاً از طریق تخلیه فاضلاب‌های این صنایع وارد محیط می‌شوند[3].

 
میزان فنل در پساب‌ صنایع مختلف، در جدول ‏1‑1 گزارش‌شده است.
جدول ‏1‑1  میزان فنل در پساب صنایع مختلف [4]

 
فنل حتی با غلظت‌های کم نیز به زندگی ماهی‌ها آسیب می رساند[5]، بطوریکه محدوده سمیت این آلاینده برای انسان بین mg/l 24-10، برای ماهی‌ها بین mg/l 25-9 و غلظت کشنده در خون برابر با mg/l 150 است[6]. سازمان بهداشت جهانی[1]، حداکثر غلظت مجاز فنل در آب آشامیدنی را mg/l 1 تعیین کرده است[7].
مسمومیت انسان توسط فنل سبب بروز سردرد و سرگیجه، حالت تهوع، اشکال در بلعیدن غذا، آسیب کبدی، غش و … خواهد شد[8].
در جدول ‏1‑2، خواص فیزیکی و شیمیایی این آلاینده ذکرشده است.
[1] World Health Organisation (WHO)