3.4. Model fitting and ANOVAThe dat

3.4. Model fitting and ANOVA

The data obtained for color removal were fitted to various models including linear, two factorial, quadratic and cubic. High and low levels of each factor were coded as 1 and −1, respectively, and the mean value was coded as zero. The analysis of variance shows that the process is most suitably described with a cubic polynomial model. The equation of the model in terms of coded factors is as follows:

Color removal (%) = +11.32−47.47 A−6.28B−17.73 C + 4.10B2

+15.83 C2+55.59 A3+6.16B3 (3)

where A is the coagulant dose, B the pH, and C the dye concentra- tion.

The ANOVA for the model is presented in Table 2. By using an F-test, the significance and lack of fit of the model were evaluated. According to ANOVA, the lack of fit was not significant at the 95% confidence level. The F-value of the model (13.91) with a P-value less than 0.0001 implied that the model was significant. The small P- value and a high coefficient of determination (R2 = 0.8903) showed the suitability of the model for representing the real relationship among the variables.

The significance of each parameter in the model was examined by testing the null hypothesis. If the P-value is less than the signif- icance level, the null hypothesis is rejected, which means that the term is significant (Lee et al., 2010). Some of the insignificant terms of the model were not eliminated to maintain the model hierarchy and obtain a not significant lack of fit. Eliminating all insignificant terms causes that the adjusted R2 (a measure of the amount of variation around the mean explained by the model, adjusted for the number of terms in the model) decreases and the lack of fit

becomes significant (Chaibakhsh et al., 2010). The results show that the coagulant dose and dye concentration significantly affect the color removal performance of O. basilicum and the dye con- centration is the most significant parameter. However, pH (within the selected range) is not a significant factor in the color removal efficiency of the natural coagulant. The parameters also have no interactive effects on the response. This means that the modifica- tion of one of the factors does not affect the other factors inside the working region. Negative coefficient values of the individual factors, A, B and C, indicate that the factors negatively affect the response and by increasing these terms the color removal percent- age may decrease.

Fig. 6 shows the experimental versus predicted color removal percentage obtained from the Eq. (1). The linear distribution is indicative of a well-fitting model. The normal probability plot is also presented in Fig. 6. The plot shows that the residuals follow a nor- mal distribution. The generated mathematical model can be used for prediction of the color removal percentage within the given range of the main parameters.

It should be mentioned that the data obtained for COD reduction could not be fitted well to the models including linear, two factorial, quadratic and cubic. It seems that using a suitable experimental design or employing other nonlinear modeling techniques such as

neural networks, fuzzy logic or a combination of these approaches could be useful for this aim (Sanayei et al., 2014).

ผลลัพธ์ (ไทย) 1:

3.4. รูปแบบเหมาะสมและการวิเคราะห์ความแปรปรวนข้อมูลที่ได้เอาสีติดตั้งรุ่นต่าง ๆ รวมทั้งเส้น 2 แฟก กำลังสอง และลูกบาศก์ สูงและต่ำระดับของแต่ละปัจจัยมีรหัสเป็น 1 และ −1 ตามลำดับ และค่าเฉลี่ยมีกำหนดเป็นศูนย์ ผลต่างของการวิเคราะห์แสดงว่าการอธิบายมากที่สุดเหมาะสมกับแบบจำลองพหุนามลูกบาศก์ สมการของแบบจำลองในรูปแบบของรหัสปัจจัยเป็นดังนี้:สีเอา (%) = 4.10B2 + 11.32−47.47 A−6.28B−17.73 C+15.83 C2 55.59 A3 + 6.16B3 (3)เป็นยา coagulant, B pH และ C concentra ย้อมสเตรชันวิเคราะห์ความแปรปรวนสำหรับรูปแบบการนำเสนอในตารางที่ 2 โดยใช้ทดสอบ ความสำคัญและขาดความพอดีของรูปแบบถูกประเมิน ตามการวิเคราะห์ความแปรปรวน การขาดพอดีไม่อย่างมีนัยสำคัญที่ระดับความเชื่อมั่น 95% ค่า F ของแบบจำลอง (13.91) กับค่า P น้อยกว่ามาก 0.0001 นัยว่า รูปแบบสำคัญ ค่า P ที่เล็กและสัมประสิทธิ์สูงของการกำหนด (R2 = 0.8903) แสดงให้เห็นว่าความเหมาะสมของรูปแบบสำหรับการแสดงความสัมพันธ์ระหว่างตัวแปรจริงความสำคัญของแต่ละพารามิเตอร์ในแบบจำลองถูกตรวจสอบ โดยการทดสอบสมมติฐานว่าง ถ้าค่า P มีค่าน้อยกว่าระดับ signif-icance สมมติฐานเป็น null ถูกปฏิเสธ ซึ่งหมายความ ว่า คำสำคัญ (Lee et al., 2010) บางคำสำคัญของรูปแบบไม่ได้ถูกตัดออกเพื่อรักษาลำดับชั้นของแบบจำลอง และได้รับไม่พอไม่สำคัญพอดี ขจัดเงื่อนไขที่สำคัญทั้งหมดทำที่ R2 ปรับปรุง (การวัดความผันแปรรอบ ๆ ค่าเฉลี่ยจำนวนอธิบายตามแบบ ปรับจำนวนข้อในแบบ) ลดลงและขาดพอดีเป็นสำคัญ (Chaibakhsh et al., 2010) ผลลัพธ์แสดงว่า coagulant ยาและความเข้มข้นของสีย้อมอย่างมีนัยสำคัญต่อประสิทธิภาพการกำจัดสีของ basilicum โอ และย้อมคอน-centration พารามิเตอร์สำคัญที่สุด อย่างไรก็ตาม ค่า pH (ภายในช่วงที่เลือก) ไม่ได้เป็นปัจจัยในประสิทธิภาพการกำจัดสีของ coagulant ธรรมชาติ พารามิเตอร์มีผลการตอบสนองไม่โต้ตอบ ซึ่งหมายความ ว่า modifica-สเตรชันของปัจจัยมีผลต่อปัจจัยอื่น ๆ ภายในพื้นที่ทำงาน ค่าสัมประสิทธิ์ติดลบของปัจจัยแต่ละตัว A, B และ C บ่งชี้ว่า ปัจจัยมีผลในการตอบสนอง และอาจลดสีเอาเปอร์เซ็นต์อายุ โดยเพิ่มเงื่อนไขเหล่านี้Fig. 6 แสดงการทดลองเทียบกับสีที่คาดการณ์เอาเปอร์เซ็นต์ได้จาก Eq. (1) การแจกแจงแบบเชิงเส้นเป็นส่อแบบห้องพักเหมาะสม นอกจากนี้ยังมีการนำเสนอพล็อตความน่าเป็นปกติใน Fig. 6 พล็อตแสดงว่า ค่าคงที่เหลือทำตามการกระจาย หรืออัป สามารถใช้แบบจำลองทางคณิตศาสตร์ที่สร้างสำหรับทำนายสีเอาเปอร์เซ็นต์ภายในช่วงที่กำหนดพารามิเตอร์หลักมันควรจะกล่าวว่า การลด COD ได้ข้อมูลไม่สามารถติดตั้งกันไปรวมทั้งเส้น 2 แฟก กำลังสอง และลูกบาศก์ เหมือนที่ใช้ออกแบบการทดลองที่เหมาะสม หรือใช้เทคนิคการสร้างแบบจำลองไม่เชิงเส้นเช่นเครือข่ายประสาท ตรรกศาสตร์ หรือการรวมกันของวิธีเหล่านี้อาจมีประโยชน์สำหรับจุดมุ่งหมายนี้ (Sanayei et al., 2014)

ผลลัพธ์ (ไทย) 2:

3.4 รุ่นที่เหมาะสมและการวิเคราะห์ความแปรปรวนข้อมูลที่ได้รับการกำจัดสีกำลังพอดีกับรูปแบบต่าง ๆ รวมทั้งการเชิงเส้นสองปัจจัย, กำลังสองและลูกบาศก์ ในระดับที่สูงและต่ำของแต่ละปัจจัยที่ถูกเข้ารหัสเป็นที่ 1 และ -1 ตามลำดับและค่าเฉลี่ยเป็นรหัสเป็นศูนย์ การวิเคราะห์ความแปรปรวนแสดงให้เห็นว่ากระบวนการที่เกิดขึ้นส่วนใหญ่อธิบายที่เหมาะสมกับรูปแบบพหุนามลูกบาศก์ สมการของรูปแบบในแง่ของปัจจัยรหัสเป็นดังนี้: กำจัดสี (%) = + 11.32-47.47-6.28B-C + 17.73 4.10B2 15.83 C2 + 55.59 A3 + 6.16B3 (3) ที่เป็น ปริมาณการตกตะกอน, บีพีเอช, สีย้อมและ C เข้มข้นการ. ANOVA สำหรับรูปแบบที่จะนำเสนอในตารางที่ 2 โดยใช้ F-การทดสอบอย่างมีนัยสำคัญและการขาดความเหมาะสมของรูปแบบได้รับการประเมิน ตามการวิเคราะห์ความแปรปรวนขาดพอดีไม่ได้อย่างมีนัยสำคัญที่ระดับความเชื่อมั่น 95% F-ค่าของรูปแบบ (13.91) กับ P-value น้อยกว่า 0.0001 ส่อให้เห็นว่ารูปแบบการอย่างมีนัยสำคัญ ค่า P- ขนาดเล็กและค่าสัมประสิทธิ์สูงของความมุ่งมั่น (R2 = 0.8903) แสดงให้เห็นถึงความเหมาะสมของรูปแบบสำหรับการเป็นตัวแทนของความสัมพันธ์ที่แท้จริงระหว่างตัวแปร. ความสำคัญของแต่ละพารามิเตอร์ในรูปแบบที่ถูกตรวจสอบโดยการทดสอบสมมติฐาน ถ้า P-value น้อยกว่าระดับ icance signif-, สมมติฐานถูกปฏิเสธซึ่งหมายความว่าคำที่มีนัยสำคัญ (Lee et al., 2010) บางส่วนของข้อตกลงที่ไม่มีนัยสำคัญของรูปแบบไม่ได้ถูกตัดออกเพื่อรักษารูปแบบลำดับชั้นและได้รับไม่ได้อย่างมีนัยสำคัญการขาดความพอดี ขจัดเงื่อนไขทั้งหมดที่ไม่มีนัยสำคัญทำให้เกิดการที่ปรับ R2 (วัดจากจำนวนของการเปลี่ยนแปลงรอบหมายถึงการอธิบายโดยรูปแบบการปรับจำนวนข้อตกลงในรูปแบบ) ลดลงและการขาดความพอดีเป็นสำคัญ (Chaibakhsh et al., 2010 ) ผลการศึกษาพบว่าปริมาณการตกตะกอนและความเข้มข้นของสีย้อมส่งผลกระทบต่อประสิทธิภาพการกำจัดสีของ basilicum ทุมและสีย้อม centration งเป็นพารามิเตอร์ที่สำคัญที่สุด อย่างไรก็ตามค่า pH (ในช่วงที่เลือก) ไม่ได้เป็นปัจจัยที่สำคัญในประสิทธิภาพในการกำจัดสีของตกตะกอนตามธรรมชาติ พารามิเตอร์ยังไม่มีผลกระทบกับการตอบสนองแบบโต้ตอบ ซึ่งหมายความว่าการ modifica- ของหนึ่งในปัจจัยที่ไม่ได้ส่งผลกระทบต่อปัจจัยอื่น ๆ ในภูมิภาคการทำงาน ค่าสัมประสิทธิ์เชิงลบของปัจจัยส่วนบุคคล, A, B และ C ระบุว่าปัจจัยที่มีผลเสียต่อการตอบสนองและโดยการเพิ่มคำเหล่านี้อายุการกำจัดสีเปอร์เซ็นต์อาจลดลง. รูป 6 แสดงให้เห็นถึงการทดลองเมื่อเทียบกับร้อยละการกำจัดสีคาดการณ์ที่ได้รับจากสมการ (1) การกระจายเชิงเส้นที่บ่งบอกถึงรูปแบบกระชับ พล็อตน่าจะเป็นปกตินอกจากนี้ยังจะนำเสนอในรูป 6. พล็อตที่เหลือแสดงให้เห็นว่าเป็นไปตามการกระจายที่ปกติ สร้างแบบจำลองทางคณิตศาสตร์สามารถนำมาใช้ในการทำนายร้อยละการกำจัดสีอยู่ในช่วงที่กำหนดของตัวแปรหลัก. มันควรจะกล่าวว่าข้อมูลที่ได้รับการลดซีโอดีไม่สามารถติดตั้งได้ดีกับรูปแบบรวมถึงการเชิงเส้นสองปัจจัย, และกำลังสอง คิว ดูเหมือนว่าการใช้การออกแบบการทดลองที่เหมาะสมหรือการใช้เทคนิคการสร้างแบบจำลองเชิงเส้นอื่น ๆ เช่นเครือข่ายประสาทตรรกศาสตร์หรือการรวมกันของวิธีการเหล่านี้อาจจะมีประโยชน์สำหรับจุดมุ่งหมายนี้ (Sanayei et al., 2014)

ผลลัพธ์ (ไทย) 3:

3.4 . นางแบบและ ANOVA

ข้อมูลการกำจัดสีถูกติดตั้งกับรุ่นต่างๆรวมถึงการเชิงเส้น 2 Factorial กำลังสองและลูกบาศก์ สูงต่ำและระดับของปัจจัยแต่ละด้านมีรหัสเป็น 1 และ− 1 ตามลำดับ และค่าเฉลี่ยเป็นรหัสที่ศูนย์ การวิเคราะห์ความแปรปรวนพบว่ากระบวนการส่วนใหญ่สามารถอธิบายกับลูกบาศก์แบบนางแบบสมการของแบบจำลองในแง่ของรหัสปัจจัยดังต่อไปนี้ :

การกำจัดสี ( % ) = 11.32 −−− 47.47 เป็น 6.28b 17.73 C 4.10b2

15.83 C2 55.59 A3 6.16b3 ( 3 )

ซึ่งเป็นยาที่ตกตะกอนที่ pH B และ C ย้อมครุ่นคิด - tion .

หลายรูปแบบที่แสดงในตารางที่ 2 โดยการใช้ค่าความสำคัญและขาดความพอดี แบบประเมิน . ตามการวิเคราะห์การผันแปรขาดความพอดี อย่างมีนัยสำคัญที่ระดับความเชื่อมั่นร้อยละ 95 ส่วนค่าของแบบจำลอง ( 13.91 ) กับ p-value น้อยกว่า 0.0001 ) พบว่าแบบจำลองทางสถิติ เล็ก p และการหาค่าสัมประสิทธิ์สูง ( R2 = 0.8903 ) มีความเหมาะสมของแบบจำลองแสดงความสัมพันธ์ที่แท้จริงระหว่างตัวแปร .

ความสำคัญของแต่ละพารามิเตอร์ในแบบจำลองถูกตรวจสอบโดยการทดสอบสมมติฐานโมฆะ . ถ้า p-value น้อยกว่า signif - icance ระดับสมมติฐานโมฆะถูกปฏิเสธซึ่งหมายความว่าระยะทางสถิติ ( ลี et al . , 2010 ) บางส่วนของเงื่อนไขที่สำคัญของแบบจำลองไม่ได้ตัดออกเพื่อรักษารูปแบบลำดับชั้นและได้รับการขาดไม่สําคัญของพอดีขจัดเงื่อนไขที่ไม่ทั้งหมด สาเหตุที่ปรับ R2 ( วัดจากปริมาณของการแปรไปหมายถึงอธิบายตามแบบ ปรับจำนวนของข้อตกลงในรูปแบบ ) ลดลงและขาดพอดี

กลายเป็นอย่างมีนัยสำคัญ ( chaibakhsh et al . , 2010 ) ผลการวิจัยแสดงให้เห็นว่า ปริมาณสารตกตะกอนและย้อมสมาธิมีผลต่อประสิทธิภาพการกำจัดสีจาก .โหระพาและย้อมคอน - centration เป็นพารามิเตอร์ที่สำคัญที่สุด อย่างไรก็ตาม พีเอช ( ภายในช่วงที่เลือก ) เป็นปัจจัยที่สำคัญในการกำจัดสารสีจากธรรมชาติ พารามิเตอร์ยังไม่มีการโต้ตอบต่อการตอบสนอง ซึ่งหมายความว่า modifica - tion ของปัจจัยหนึ่งที่ไม่ได้ส่งผลกระทบต่อปัจจัยอื่น ๆ ในพื้นที่ทำงานโดยลบค่าของปัจจัยแต่ละตัว A , B และ C นั้น พบว่า ปัจจัยที่ส่งผลกระทบต่อการตอบสนองและเพิ่มเงื่อนไขเหล่านี้สามารถกำจัดสีได้สูงอายุอาจลด

รูปที่ 6 แสดงจำนวนเปอร์เซ็นต์เมื่อเทียบกับคาดการณ์สามารถกำจัดสีได้จากอีคิว ( 1 ) การกระจายเชิงเส้นบ่งบอกถึงรูปแบบพอดี .เรื่องความน่าจะเป็นแบบปกติยังแสดงในรูปที่ 6 แปลง พบว่า ค่าติดตาม หรือมอล แจกจ่าย สร้างแบบจำลองทางคณิตศาสตร์ที่สามารถใช้ในการทำนายร้อยละของการกำจัดสีภายในกําหนดช่วงของพารามิเตอร์หลัก

มันควรจะกล่าวว่า ข้อมูลที่ได้ สำหรับสารอินทรีย์ ไม่สามารถติดตั้งกับรุ่นรวมทั้งสองแบบเชิงเส้น ,กำลังสองและลูกบาศก์ ดูเหมือนว่าการใช้ที่เหมาะสม หรือใช้แบบทดลองแบบเทคนิคอื่น ๆเช่น

เครือข่ายประสาท ตรรกศาสตร์หรือการรวมกันของวิธีการเหล่านี้อาจจะมีประโยชน์สำหรับจุดประสงค์นี้ ( sanayei et al . , 2010 )