Представлены результаты исследований сорбционного извлечения ионов аммония из водных сред волокнистым сорбентом ВИОН КН-1. Слабокислотное ионообменное волокно ВИОН КН-1 обладает развитой поверхностью, хорошей способностью к набуханию, высокой скоростью сорбции и большой устойчивостью к истиранию движущимся потоком. Установлено, что лимитирующей стадией процесса сорбции ионов аммония является внутренняя диффузия. Рассчитаны кинетические параметры процесса сорбции, с увеличением концентрации уменьшается время полусорбции и увеличивается коэффициент внутренней диффузии. Проведено сравнительное исследование применимости моделей Ленгмюра и Фрейндлиха для описания экспериментальных изотерм сорбции ионов аммония волокном. Определены константы и параметры этих уравнений. Путем сопоставления коэффициентов регрессии R2 показано, что модель Ленгмюра лучше описывает экспериментальные данные по сорбции ионов аммония волокнистым сорбентом. Проведено исследование сорбции в динамических условиях. По кривым зависимости степени извлечения от концентрации и от объема пропущенного раствора установлено, что с уменьшением концентрации в динамическом режиме сорбционные характеристики волокон не уменьшаются, что делает их использование целесообразным при очистки разбавленных растворов, содержащих ионы аммония. При низких концентрациях ионов аммония в исходном растворе степень извлечения составляет более 93 %. Для прогнозирования степени извлечения ионов аммония из сточных вод применили автоматизированную нейронную сеть пакета прикладных программ STATISTICA. Входными параметрами для обучения нейронной сети были выбраны: концентрация ионов аммония, объем пропущенного раствора через слой сорбента и масса навески волокна. Выходной параметр – степень извлечения ионов аммония. Обученная нейронная сеть MPL-3-5-1 имеет высокие коэффициенты детерминации для обучающей, тестовой и контрольной выборок, что определяет высокую производительность обученной сети и может использоваться для прогноза степени извлечения ионов аммония волокнистым сорбентом ВИОН КН-1.

1. Дюжева Н.В., Тинькова А.А. Анализ конъюнктуры мирового рынка минеральных удобрений // Вестник Астраханского Государственного Технического Университета. Серия: Экономика. 2020. № 1. С. 91–100. doi: 10.24143/2073–5537–2020–1–91–100

2. Илькив Н. Российский рынок минеральных удобрений // Агрофорум. 2021. № 7. С. 44–48.

3. Глушанкова И., Бессонова Е., Рудакова Л., Власова О. и др. Очистка сточных вод производства минеральных фторсодержащих солей от ионов аммония // Экология и промышленность России. 2015. № 19. С. 16–19. doi: 10.18412/1816–0395–2015–7–16–19

4. Cruz H., Gabon M.Y., Salehin S., Seviour T. et. al. Magnetic poly(acrylic acid) – based hydrogels for rapid ammonium sorption and efficient sorbent separation from sewage // Environmental Science and Ecotechnology. 2021. V.6. P. 100097. doi: 10.1016/j.ese.2021.100097

5. Pinelli D., Foglia A., Fatone F., Papa E. et. al. Ammonium recovery from municipal wastewater by ion exchange: Development and application of a procedure for sorbent selection // Journal of Environmental Chemical Engineering. 2022. V. 10. №. 6. P. 108829. doi: 10.1016/j.jece.2022.108829.

6. Shakoor M.B., Ye Zh., Chen Sh. Engineered biochars for recovering phosphate and ammonium from wastewater: A review // Science of The Total Environment. 2021. V. 779. Р. 146240. doi: 10.1016/j.scitotenv.2021.146240

7. Bhatt P., Joshi S., Bayram G.M.U., Khati P. Developments and application of chitosan-based adsorbents for wastewater treatments // Environmental Research. 2023. P. 115530. doi: 10.1016/j.envres.2023.115530

8. Перегудов и др. Сорбционные и хроматографические процессы. 2021. Т. 21. № 3. С. 347–359. doi: 10.17308/sorpchrom.2021.21/3468

9. Shunkevich A.A., Akulich Z.I., Mediak G.V., Soldatov V.S. Acid–base properties of ion exchangers. III. Anion exchangers on the basis of polyacrylonitrile fiber // Reactive and Functional Polymers. 2005. V. 63(1). P. 27–34. doi: 10.1016/j.reactfunctpolym.2005.02.002

10. Lee C.–G., Alvarez P.J.J., Nam A., Park S.–J. et. al. Arsenic(V) removal using an amine-doped acrylic ion exchange fiber: Kinetic, equilibrium, and regeneration studies // Journal of Hazardous Materials. 2017. V. 325. P. 223–229. doi:10.1016/j.jhazmat.2016.12.003

11. Перегудов Ю.С., Тимкова А.В., Горбунова Е.М., Плотникова С.Е. Применение ионообменного волокна на стадии доочистки сточных вод гальванического производства // Вестник ВГУИТ. 2018. T. 80. № 4. С. 330–336. doi: 10.20914/2310–1202–2018–4–330–336

12. Cheng Y., He P., Dong F., Nie X. et.al. Polyamine and amidoxime groups modified bifunctional polyacrylonitrile-based ion exchange fibers for highly efficient extraction of U(VI) from real uranium mine water // Chemical Engineering Journal. 2019. V. 367. P. 198–207. doi: 10.1016/j.cej.2019.02.149

13. Kopylova V.D., Zverev O.V., Astapov A.V., Peregudov Yu. S. Thermokinetics of sorption of Zn(II) by VION KN1 carboxyl-containing fibre // Fibre Chemistry. 2006. V. 38. P. 151–154. doi: 10.1007/s10692 – 006–0061–9

14. Xu W., Zheng W., Wang F., Xiong, Q. et.al. Using iron ion-loaded aminated polyacrylonitrile fiber to efficiently remove wastewater phosphate // Chemical Engineering Journal. 2021. V. 403(1). P. 1–11. doi: 10.1016/j.cej.2020.126349

15. Грачек В.И., Шункевич А.А., Поликарпов А.П. Исакович О.И. Cорбционные свойства нового волокнистого хелатного ионита // Proceedings of the National Academy of Sciences of Belarus, Chemical series. 2020.V. 56. № 2. Р. 206–211. doi: 10.29235/1561–8331–2020–56–2–206–211

16. Wang F., Wang X., Jiang Yu., Ni Zh. et al. Study of adsorption performance and adsorption mechanism for U (VI) ion on modified polyacrylonitrile fibers // Journal of Radioanalytical and Nuclear Chemistry. 2020. V. 323. № 7. P. 365–377. doi: 10.1007/s10967–019 – 06928–5

17. Perepelkin K.E. Structure and structural mechanics of polymer fibres: current concepts // Сhemistry and technology of chemical fibres. 2009. V. 41. P. 9–21.

18. Селеменев В.Ф., Славинская Г.В., Хохлов В.Ю. и др. Практикум по ионному обмену. Воронеж: Издательство Воронежского университета, 2004. 160 с.

19. Бринк Х., Ричардс Д., Феверолф М. Машинное обучение. СПб.: Питер, 2017. 336 с.

20. Han H.–G., Chen Q., Qiao J.–F. An efficient self-organizing RBF neural network for water quality prediction // Neural Networks. 2011. V. 24(7). P. 717–725. doi: 10.1016/j.neunet.2011.04.006

21. Heddam S., Bermad A., Dechemi N. Applications of Radial-Basis Function and Generalized Regression Neural Networks for Modeling of Coagulant Dosage in a Drinking Water-Treatment Plant: Comparative Study // Journal of Environmental Engineering. 2011. V. 137 (12). doi: 10.1061/(ASCE)EE.1943–7870.0000435

22. Jayaweera C.D., Aziz N. Development of Extreme Learning Machine Radial Basis Function Neural Network Models to Predict Residual Aluminum for Water Treatment Plants // Proceedings of the Future Technologies Conference (FTC). 2018. P. 835–848. doi: 10.1007/978–3–030–02686–8_62