Loading...

Bioremoval of Heavy Metals Through the use of an Indigenous Bacterial Isolate

Afghari, Amir Hossein | 2025

0 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 58241 (06)
  4. University: Sharif University of Technology
  5. Department: Chemical and Petroleum Engineering
  6. Advisor(s): Soheila Yaghmaei; Bagheri Lotfabad, Tayebeh
  7. Abstract:
  8. In this study, the biosorption process of zinc ions from aqueous solutions by the biomass of a native Bacillus paralicheniformis strain, isolated from the industrial wastewater of a textile factory in the Kashan region, was investigated and optimized. The objective was to develop an effective and eco-friendly biotechnological approach for the removal of heavy metals from industrial effluents. Due to its inherent resistance to harsh environmental conditions and high tolerance to metal ions, this strain was identified as a potent biosorbent. Attributes such as flocculation capability and surface adhesiveness facilitated biomass separation and reduced operational costs. Optimal conditions for Zn(II) biosorption were determined as biomass concentration of 2500 ppm, initial zinc concentration of 100 ppm, neutral pH (7), and contact time of 2 to 4 minutes between dead biomass and zinc ions. These parameters yielded a shorter equilibrium time and higher efficiency compared to similar studies. The maximum adsorption capacity under optimal conditions was measured at 22.24 mg Zn per gram of dead, dried biomass, indicating significant performance. Moreover, live biomass demonstrated enhanced adsorption kinetics and removal efficiency due to its metabolic activity, making it particularly suitable for bioremediation applications. An Artificial Neural Network (ANN) model utilizing the Levenberg–Marquardt algorithm was employed to predict the biosorption behavior, exhibiting high accuracy in forecasting adsorption capacity and removal percentage (with a suitable R² value). This highlights the pivotal role of artificial intelligence in the analysis and design of bioremediation processes. Zinc concentration was quantified via ICP-OES analysis and compared against a cost-effective electrical conductivity method. Innovations of this research include the use of a less-studied native strain, achievement of equilibrium in a remarkably short time, and a high adsorption capacity. The current study proposes further improvements such as investigating adsorption mechanisms at the surface level, conducting pilot-scale trials, and exploring multi-metal biosorption systems. The results demonstrate the considerable potential of bacterial biomass in treating wastewater contaminated with heavy metals, particularly zinc
  9. Keywords:
  10. ZINC ; Industrial Wastewaters ; Artificial Neural Network ; Heavy Metals ; Bioremediation ; Bioabsorption ; Bacillus Paralicheniformis

 Digital Object List

 Bookmark

  • پایان نامه - امیرحسین افقری
    • 1- مقدمه
      • 1-1- فلزات سنگین و اهمیت زیست محیطی آن‌ها
        • 1-1-1- تعریف فلزات سنگین
        • 1-1-2- منابع انتشار فلزات سنگین
        • 1-1-3- پسماندها و فاضلاب‌های صنعتی
        • 4-1-1- آلودگی فلزات سنگین در محیط زیست
      • 2-1- اثرات و پیامدهای آلودگی فلزات سنگین
        • 1-2-1- سمیت فلزات سنگین برای انسان و محیط
        • 1-2-2- سمیّت زیست محیطی
        • 3-2-1- آلودگی خاک
        • 4-2-1- آلودگی هوا
        • 5-2-1- آلودگی آب
      • 1-3- پایش و ارزیابی آلودگی فلزات سنگین
        • 1-3-1- شاخص‌های ارزیابی آلودگی منابع آب
          • 1-1-3-1- شاخص فلز
          • 2-1-3-1- شاخص آلودگی فلزات سنگین
          • 3-1-3-1- شاخص ریسک بالقوه زیست‌محیطی
          • 4-1-3-1- بار سمیت فلزات سنگین
          • 5-1-3-1- شاخص ارزیابی فلزات سنگین
          • 6-1-3-1- شاخص درجه آلودگی
        • 2-3-1- مقادیر استاندارد فلزات سنگین در آب آشامیدنی
        • 1-3-3- روش‌های سنجش و اندازه‌گیری غلظت فلزات سنگین در آب
          • 1-3-3-1- هدایت الکتریکی27F
          • 2-3-3-1- طیف‌سنجی جذب اتمی29F
          • 3-3-3-1-کروماتوگرافی مایع همراه با طیف‌سنجی جرمی31F
          • 4-3-3-1- طیف‌سنجی فلورسانس پرتو ایکس33F
          • 5-3-3-1- میکروسکوپ نیروی اتمی35F
          • 6-3-3-1- روش‌های شیمیایی کلاسیک
          • 7-3-3-1- طیف‌سنجی جرمی پلاسمای جفت‌شده القایی36F
          • 8-3-3-1- طیف‌سنجی نشر نوری با پلاسمای جفت‌شده القایی38F
      • 4-1- مروری بر فناوری‌های تصفیه آب آلوده به فلزات سنگین
        • 1-4-1- معرفی اجمالی روش‌های تصفیه فاضلاب
          • 1-4-2-1- روش‌های فیزیکی
            • 1-1-2-4-1- فیلتراسیون غشایی
            • 2-1-2-4-1- اسمز مستقیم
            • 3-1-2-4-1- اسمز معکوس
            • 4-1-2-4-1- الکترودیالیز
            • 5-1-2-4-1- شناورسازی
            • 6-1-2-4-1- جذب سطحی
          • 1-4-2-2- روش‌های شیمیایی
            • 1-2-2-4-1- رسوب شیمیایی
            • 2-2-2-4-1- تبادل یونی
            • 3-2-2-4-1- استخراج با حلال
            • 4-2-2-4-1- انعقاد و لخته سازی
            • 5-2-2-4-1- تصفیه الکتروشیمیایی
          • 1-4-2-3- روش‌های زیستی
            • 1-3-2-4-1- گیاه‌پالایی
            • 2-3-2-4-1- زیست پالایی
      • 5-1- زیست‌پالایی فلزات سنگین به‌عنوان یک روش نوین و پایدار
        • 1-5-1- اصول و سازوکارهای زیست‌پالایی
        • 2-5-1- جذب زیستی
        • 3-5-1- انباشت زیستی
        • 4-5-1- مقایسه بین جذب زیستی و انباشت زیستی
        • 1-5-5- عوامل مؤثر بر کارایی زیست‌پالایی
        • 6-5-1- سلول مرده و زنده باکتری
        • 7-5-1- روش‌های لیزکردن سلول باکتری
        • 8-5-1- معایب و محدودیت‌های تکنیک زیست‌پالایی
        • 9-5-1- محدودیت‌ها و چالش‌های روش‌های فیزیکی و شیمیایی‌
      • 1-6- بیوجاذب‌های زیستی مورد استفاده در زیست‌پالایی
        • 1-6-1- انواع جاذب‌های زیستی
          • 1-1-6-1- قارچ‌ها
          • 2-1-6-1- جلبک‌ها
          • 3-1-6-1- باکتری‌ها
        • 2-6-1- ساختار باکتری‌ها
        • 3-6-1- گروه‌های متصل شونده به فلز در سطح باکتری‌ها
      • 1-7- معرفی فلز هدف: فلز روی (Zn)، ویژگی‌ها، آلودگی و حذف زیستی
        • 1-7-1- ویژگی‌های فیزیکی، شیمیایی و زیستی فلز روی
        • 2-7-1- زیست‌فراهمی فلز روی
        • 3-7-1- سمیت فلز روی
        • 4-7-1- روی در محیط زیست
        • 5-7-1- روش‌های انتشار فلز روی
        • 6-7-1- مکانیسم‌های مقاومت به روی و زیست‌پالایی
        • 7-7-1- زیست پالایی روی
      • 1-8- کاربرد هوش مصنوعی در مدل‌سازی فرآیندهای زیست‌محیطی
        • 1-8-1- نقش مدل‌های یادگیری ماشین در تحلیل داده‌های زیست‌محیطی
        • 2-8-1- کاربرد شبکه عصبی مصنوعی در پیش‌بینی عملکرد زیست‌پالایی
        • 1-8-3- مروری بر مطالعات استفاده از ANN برای حذف فلزات سنگین
    • 2- پیشینه تحقیق
      • 1-2- اهداف تحقیق فعلی
    • 3- مواد و روش‌ها
      • 1-3- مواد و تجهیزات
        • 1-1-3- مواد شیمیایی
        • 2-1-3- محیط‌های کشت
          • 1-2-1-3- محیط کشت YTS
          • 2-2-1-3- محیط کشت LB
          • 3-2-1-3- محلول نرمال سالین
        • 3-1-3- سویه‌های باکتری
          • 1-3-1-3- سودوموناس پوتیدا
          • 2-3-1-3- سودوموناس آئروژینوزا
          • 3-3-1-3- کلبسیلا کوآزیپنومونیه
          • 4-3-1-3- باسیلوس پارالیکنیفورمیس
        • 4-1-3- تجهیزات
          • 1-4-1-3- دستگاه پلیت‌پیک
      • 2-3- آماده‌سازی زیست توده باکتریایی
        • 1-2-3- ذخیره باکتریایی
          • 1-1-2-3- کشت خطی (چهار مرحله‌ای)
          • 2-1-2-3- باز کردن ذخیره باکتریایی
          • 3-1-2-3- استوک (ذخیره) گیری باکتریایی
        • 2-2-3- کشت باکتری
          • 1-2-2-3- کشت جامد
          • 2-2-2-3- کشت مایع
          • 3-2-2-3- آزمایش تعداد واحدهای تشکیل‌دهنده کلنی
        • 3-2-3- آماده‌سازی زیست‌توده مرده و خشک
        • 4-2-3- آماده‌سازی زیست‌توده زنده و مرطوب
          • 1-4-2-3- راندمان تولید زیست توده
          • 2-4-2-3- آماده‌سازی نمونه میکروسکوپ الکترونی روبشی
          • 3-4-2-3- رنگ‌ آمیزی گرم
      • 3-3- آزمایش‌های جذب زیستی
        • 1-3-3- آماده‌سازی محلول فلز روی
        • 2-3-3- آزمایش‌های جذب زیستی
        • 3-3-3- آزمایش‌ زیست توده زنده
          • 1-3-3-3- اندازه‌گیری حداقل غلظت بازدارندگی و کشندگی
        • 4-3-3- اندازه‌گیری غلظت فلز روی
          • 1-4-3-3- معادلات
      • 4-3- تحلیل‌های تکمیلی
        • 1-4-3- اندازه‌گیری هدایت الکتریکی
        • 2-4-3- مدل‌های سینتیکی و ایزوترم
          • 1-2-4-3- مدل‌های سینتیکی
            • 1-1-2-4-3- مدل شبه مرتبه اول
            • 2-1-2-4-3- مدل شبه مرتبه دوم
          • 2-2-4-3- مدل‌های ایزوترم
            • 1-2-2-4-3- مدل لانگمویر
            • 2-2-2-4-3- مدل فروندلیچ
      • 5-3- شبیه‌سازی و مدلسازی داده‌ها
      • 6-3- تجزیه و تحلیل داده‌ها
    • 4- نتایج و بحث
      • 1-4- منحنی رشد
        • 1-1-4- سودوموناس پوتیدا
        • 2-1-4- کلبسیلا کوآزیپنومونیه
        • 3-1-4- باسیلوس پارالیکنیفورمیس
      • 2-4- مطالعات جذب زیستی
        • 1-2-4- اندازه‌گیری هدایت الکتریکی
          • 1-1-2-4- زیست توده زنده و مرطوب
          • 2-1-2-4- زیست توده مرده و مرطوب
          • 3-1-2-4- زیست توده مرده و خشک
        • 2-2-4- جذب زیستی
          • 1-2-2-4- انتخاب سویه
            • 1-1-2-2-4- رشد، ویژگی‌ها و سمیّت سویه منتخب
              • 1-1-1-2-2-4- باسیلوس پارالیکنیفورمیس
              • 2-1-1-2-2-4- مطالعات سمیّت و مقاومت به فلز روی
          • 2-2-2-4- زمان
          • 3-2-2-4- اختلاط و عدم اختلاط
          • 4-2-2-4- غلظت زیست توده
          • 5-2-2-4- غلظت فلز روی
          • 6-2-2-4- pH
          • 7-2-2-4- زیست توده زنده
            • 1-7-2-2-4- تصاویر میکروسکوپ الکترونی روبشی
          • 8-2-2-4- مطالعات سینتیکی و تعادلی
            • 1-8-2-2-4- مطالعات سینتیکی
              • 1-1-8-2-2-4- مدل شبه مرتبه اول
              • 2-1-8-2-2-4- مدل شبه مرتبه دوم
            • 2-8-2-2-4- مطالعات تعادل و ایزوترم
              • 1-2-8-2-2-4- مدل لانگمویر
              • 2-2-8-2-2-4- مدل فروندلیچ
          • 9-2-2-4- بررسی و مقایسه شرایط بهینه
      • 3-4- مدل‌سازی جذب زیستی با هوش مصنوعی
        • 1-3-4- جمع‌آوری و پیش‌پردازش داده‌ها
        • 2-3-4- توسعه مدل شبکه عصبی مصنوعی
        • 3-3-4- عملکرد و پیش‌بینی مدل
    • 5- نتیجه‌گیری
      • 1-5- مقدمه‌ای بر اهمیت پژوهش
      • 2-5- مزایای استفاده از سویه بومی
      • 5-3- بهینه‌سازی شرایط جذب زیستی: دستاوردهای کلیدی
      • 4-5- عملکرد زیست‌توده زنده: گامی فراتر از انتظار
      • 5-5- نوآوری‌ها و دستاوردهای برجسته
      • 5-6- پتانسیل هوش مصنوعی
      • 5-7- چالش‌ها و پیشنهادات برای آینده
      • 8-5- نتیجه‌گیری
    • 6- منابع
  • چکیده انگلیسی
    • A thesis submitted in partial fulfillment of the requirements for the M.Sc. degree of biotechnology
    • By:
    • Amirhossein Afghari
...see more