Vergelijkende analyse van ANFIS, ANN en BBD voor verbeterde voorspelling van methyloranje‑adsorptie in waterbehandeling

Fruitafval omzetten in schoon water

Stel je voor dat de schillen van je dagelijkse banaan kunnen helpen vervuilde rivieren schoon te maken. Deze studie onderzoekt precies dat idee. De onderzoekers zetten weggegooide bananenschillen om in een speciale vorm van houtskool, bekend als geactiveerde kool, en gebruikten die om een hardnekkig oranje kleurstofvervuiler uit water te verwijderen. Vervolgens vergeleken ze verschillende geavanceerde computerinstrumenten om te bepalen welk model het beste kon voorspellen en verfijnen hoe goed dit reinigingsproces werkt, met als doel waterzuivering goedkoper, groener en efficiënter te maken.

Het probleem van hardnekkige kleurstoffen in water

Over de hele wereld lozen textielfabrieken en andere industrieën felgekleurde kleurstoffen in waterlopen. Een van deze, methyloranje, is een veelvoorkomend voorbeeld van een grotere familie van langdurige "azo"‑kleurstoffen. Zelfs bij lage concentraties kunnen zulke kleurstoffen het zonlicht in rivieren en meren blokkeren, het aquatische leven schaden en gezondheidsrisico’s voor mensen veroorzaken, bijvoorbeeld door irritatie van huid en ogen of stress voor inwendige organen. Veel bestaande behandelingsmethoden — zoals membraanfiltratie, chemische precipitatie of geavanceerde oxidatie — vragen veel energie en geld, produceren extra afval of vereisen dure materialen. Daarom wenden wetenschappers zich tot adsorptie, een proces waarbij verontreinigingen aan het oppervlak van een vast materiaal hechten, als een eenvoudige en effectieve optie.

Bananenschillen als goedkoop reinigingsmateriaal

Bananenschillen zijn overvloedig agrarisch afval, vooral in regio’s zoals Oeganda waar bananen een basisvoedsel zijn. In plaats van ze weg te gooien of alleen als veevoer te gebruiken, zet deze studie de schillen om in geactiveerde kool door ze te verhitten en met een zuur te behandelen. Het resulterende materiaal is sterk poreus, met een grote interne oppervlakte en veel chemische ‘handvatten’ die kleurstofmoleculen kunnen vasthouden. Met verschillende laboratoriumtechnieken — microscopie om de oppervlaktestructuur te bekijken, spectroscopie om chemische groepen te identificeren en gasadsorptie om het poriënpatroon te meten — tonen de auteurs aan dat het bereide materiaal ruwe, sponsachtige oppervlakken, kleine kanaaltjes en nuttige chemische groepen zoals hydroxyl en carboxyl heeft, die samen een sterke opname van kleurstoffen ondersteunen.

De beste omstandigheden voor kleurstofverwijdering vinden

Om te onderzoeken hoe goed de banaan‑gebaseerde kool methyloranje verwijdert, varieerde het team drie belangrijke condities: hoe lang het water in contact bleef met de kool, de temperatuur en de pH (hoe zuur of basisch het water was). In plaats van blind alle mogelijke combinaties te testen, gebruikten ze een statistisch schema genaamd Box–Behnken‑ontwerp om slechts 17 gerichte experimenten te plannen. Hieruit identificeerden ze bijna‑ideale omstandigheden: licht warm water (ongeveer 42 °C), bijna neutrale pH (ongeveer 7) en een contacttijd van ruwweg een halfuur. Onder deze omstandigheden kon de kool meer dan 140 milligram kleurstof per gram materiaal vasthouden, een capaciteit die gunstig is vergeleken met veel andere goedkope adsorbenten in de literatuur.

Slimme modellen die leren hoe het systeem zich gedraagt

Aangezien echte afvalwaterbehandeling complex en vaak niet‑lineair is, testten de auteurs drie verschillende modelleringsbenaderingen om te voorspellen hoeveel kleurstof onder uiteenlopende omstandigheden zou worden verwijderd. De eerste, response surface‑methodologie, past een gekromd wiskundig oppervlak door de data. De tweede, een artificieel neuraal netwerk, bootst na hoe verbonden ‘neuronen’ in een computer patronen uit voorbeelden kunnen leren. De derde, een adaptive neuro‑fuzzy inference system (ANFIS), mengt neurale netwerken met fuzzy logica, een manier om geleidelijke veranderingen te hanteren in plaats van eenvoudige ja‑of‑nee‑regels. Alle drie de modellen kwamen nauwkeurig overeen met de experimentele data, maar de hybride neuro‑fuzzy benadering leverde de meest precieze voorspellingen en de laagste fouten, vooral bij het opvangen van subtiele interacties tussen pH, tijd en temperatuur.

Hoe de kleurstof hecht en hoe goed het materiaal standhoudt

Om dieper te begrijpen wat er gebeurt, analyseerden de onderzoekers hoe snel de kleurstof wordt opgenomen en hoe deze zich over het kooloppervlak verspreidt. Ze ontdekten dat het proces een zogenoemd pseudo‑tweede‑orde patroon volgde, wat wijst op sterke chemische bindingen tussen de kleurstofmoleculen en het kooloppervlak, in plaats van alleen zwakke fysische aantrekking. Een andere reeks tests, zogenoemde isotermstudies, toonde aan dat de kleurstof meerdere lagen vormt op een ongelijk oppervlak, wat overeenkomt met de sterk gevarieerde poriënstructuur die in de microscopiebeelden te zien is. Praktische proeven met echte watermonsters — kraanwater, rioolwater, industrieel water en gedestilleerd water — lieten verwijderingsrendementen van meer dan 90% in alle gevallen zien, hoewel complexe afvalstromen met veel concurrerende stoffen iets slechter presteerden. De kool kon meerdere keren worden hergebruikt met slechts een geleidelijke daling in prestatie, wat wijst op goede maar niet onbeperkte herbruikbaarheid.

Waarom dit werk er toe doet voor het dagelijks leven

Simpel gezegd toont deze studie aan dat iets alledaags als bananenschillen kan worden omgezet in een hoogpresterend materiaal om gekleurd afvalwater te helpen zuiveren, en dat geavanceerde ‘lerende’ modellen betrouwbaar kunnen aangeven hoe het proces het beste kan worden gestuurd. De banaan‑gebaseerde kool kan grote hoeveelheden van een hardnekkige kleurstof onder realistische omstandigheden opnemen, en het adaptive neuro‑fuzzy model is bijzonder krachtig voor het voorspellen en optimaliseren van die prestaties. Samen brengen deze vorderingen ons dichter bij betaalbare, duurzame waterzuiveringstechnologieën die lokaal agrarisch afval benutten en tegelijkertijd rivieren, meren en de menselijke gezondheid beschermen.

Bronvermelding: Bbumba, S., Karume, I. Comparative analysis of ANFIS, ANN, and BBD for enhanced prediction of methyl orange adsorption in water treatment. Sci Rep 16, 12822 (2026). https://doi.org/10.1038/s41598-026-43445-4

Trefwoorden: geactiveerde kool uit bananenschillen, verwijdering van methyloranje, rioolwaterzuivering, adsorptiemodellering, neuro‑fuzzy systemen