Bu çalismada DS 5 tipi nanofiltrasyon membran kullanan membran prosesinde tuz giderim verimini belirlemek için ileri beslemeli bir YSA modeli kullanilmistir. Yapay Sinir Agini (YSA) egitmek ve test etmek için kullanilacak olan 238 adet deneysel veri literatürden toplanmistir. Bu deneysel verilerin 178 tanesi YSA’nin egit im setinde ve 60 tanesi de test setinde kullanilmak üzere rasgele seçilerek iki kisma ayrilmistir. YSA modeli bes girdi ve bir çiktidan olusmaktadir. Girdiler basinç, tuz konsantrasyonu, boya konsantrasyonu, yatay akis hizi ve pH iken çikti yalnizca tuz giderme verimidir. YSA’nin egitimi için optimizasyon algoritmasi olarak ölçeklenmis konjuge gradyent algoritmasi kullanilmistir. Test setinde YSA’nin performansini degerlendirmek için ortalama mutlaka yüzde hata (OMYH) ve ortalama karesel hata (OKH) metotlari kullanilmistir. Egitim ve test islemleri sonucunda en uygun gizli katman ve islem elemani sayisi deneysel veriler ile YSA sonuçlari arasindaki en düsük OMYH ve OKH performans degerlerine sahip olan tek gizli katmanli ve 9 islem elemanli yapi olarak belirlenmistir. Egitim ve test sonuçlari için ortalama mutlak yüzde hata degerleri sirasiyla 4,22 ve 3,84’dür. Bu degerlere göre deneysel sonuçlar ile YSA sonuçlari arasinda çok iyi bir uyum oldugu görülmektedir.

In this paper, a feedforward neural network (NN) model is used to determination the salt rejection efficiency of a Nanofiltration (NF) experimental setup, which uses a DS5 nanofiltration membrane. Experimental data were collected from literature. Two hundred thirty eight experimental data were used for training and testing the network. The NN was fed with five inputs: the feed pressure, pH, salt concentration, dye concentration and cross flow velocity to determination the salt rejection efficiency. The Scaled Conjuge Gradient Algorithm (SCG) was used as optimization algorithm for training the NN. The best network configuration was set as 5-9-1 with trying and testing. The model will determine the salt rejection efficiency of nanofiltration membranes based on input and output parameters. The network was trained with a hundred seventy eight experimental data and tested with sixty experimental data. The mean absolute percentage error method was used to evaluate performance of NN. The mean absolute percentage error of training and testing results were 4.22 and 3.84 respectively. It is shown that the agreement between NN predictions and experimental data was very good.