Removal of Indigo Blue Dye Using Iron Oxide Nanoparticles – Process Optimization Via Taguchi Method

Introduction     

For  water  and  wastewater  treatment  procedures,  the  presence  of  micro  and  nanopollutants  in  water  resources  has  recently  emerged  as  a  significant  challenge.  These  pollutants  are  composed  of  waste  products  from  both  natural  and  manmade,  such  as  pesticides,  industrial  chemicals,  heavy  metals,  radioactive  elements,  personal  care  items,  steroid  hormones,  industrial  chemicals,  and  many  other  new  emerging  contaminants  (Robledo-Padilla  et  al.,  2020).  Industrialization  has  significantly  impacted  the  world  economy  in  recent  decades  but  has  also  had  various  detrimental  environmental  effects  (Patnaik,  2018).  One  of  the  primary  sources  of  pollution  is  the  discharge  of  harmful  chemicals  into  the  environment  via  industrial  wastewater  (Yadav  et  al.,  2022;  Shindhal  et  al.,  2021).  The  discharge  of  colored  compounds  is  one  of  the  main  reasons  for  water  contamination.  These  dyes  are  routinely  dumped  into  natural  streams  that  people  use  for  everyday  activities  like  drinking,  bathing,  and  taking  showers;  therefore,  this  type  of  pollution  may  result  in  various  significant  issues  for  individuals.  Most  significantly,  these  wastewaters  seriously  endanger  people’s  health  because  they  are  toxic  and  cancer-causing.  Additionally,  impeding  the  introduction  of  synthetic  dyes  into  natural  streams  has  a  negative  effect  on  the  photochemical  processes  cesses  that  take  place  in  aquatic  ecosystems  (Zolgharnein,  and  Rastgordani,  2018).  Dyes  must  thus  be  eliminated  from  all  discharges  due  to  more  excellent  knowledge  of  their  toxicity  and  strict  environmental  safety  regulations  to  prevent  contamination  of  the  biological  ecology  (Pundir  et  al.,  2018).  As  a  synthetic  dye  with  an  aromatic  molecular  structure  that  is  more  durable  and  more  difficult  to  biodegrade,  indigo  dye  wastewater  treatment  is  one  of  the  most  challenging  processes.  By  changing  their  chemical  composition,  new  molecules  called  xenobiotics  may  develop  that  are  potentially  more  dangerous  than  the  original  substances  (Robledo-Padilla  et  al.,  2020).  These  carcinogens  have  several  adverse  effects  on  aquatic  organisms  and  significantly  affect  the  environment’s  natural  food  chain.  Despite  the  development  of  numerous  chemical,  physical,  and  biological  methods  such  as  coagulation/flocculation,  ozonation,  electrochemical  methods,  biological  treatment,  photocatalyst,  and  adsorption  for  the  treatment  of  wastewaters  containing  indigo  blue  dyes  in  the  last  decade,  the  design  and  development  of  new  industrial  techniques  with  high  efficacy  and  reusability  to  treat  these  wastewaters  before  releasing  them  into  the  environment  is  a  crucial  requirement  (Haghgir  et  al.,  2022).

One  of  these  strategies,  adsorption,  has  proven  to  be  particularly  successful  in  eliminating  different  pollutants  from  wastewater  streams  (Abbasi,  2020).  In  the  simple,  efficient,  cost-effective  adsorption  approach,  various  synthetic  and  natural  materials  can  be  used  as  adsorbents  (Mosoarca  et  al.,  2022b;  Mosoarca  et  al.,  2022c).  Examples  of  frequently  used  adsorbents  include  activated  carbon,  lignin,  zeolite,  metal-organic  frameworks,  biomass  residue,  nanomaterials,  etc.  As  nanotechnology  has  developed  quickly  in  recent  years,  the  application  of  nanomaterials  in  the  environmental  sphere  has  increased  (Sultan  et  al.,  2022;  Wang  et  al.,  2022).  Nanosized  materials  are  destructive  sorbents  with  several  benefits  over  their  commercial  analogs,  including  strong  surface  reactivity  and  ease  of  synthesis  from  readily  available  natural  materials.  They  have  also  been  shown  to  be  superior  adsorbent  materials  (Janani  et  al.,  2022;  Mansour  et  al.,  2022).  Time,  initial  dye  concentration,  pH,  adsorbent  dose,  temperature,  and  ionic  strength  influence  adsorption.  In  order  to  get  the  highest  dye  removal  efficiency  feasible,  these  parameters  should  be  optimized.  Optimizing  experiment  conditions  is  essential  for  adsorption.  The  Taguchi  approach  is  one  of  the  best  methods  for  determining  the  best  design  configuration  in  multifactor  situations  (Babji  et  al.,  2022;  Mosoarca  et  al.,  2022a).  Numerous  earlier  experiments  that  use  various  optimization  techniques  to  maximize  dye  removal  are  documented  in  the  literature.  The  Taguchi  method  can  maximize  the  response  while  minimizing  the  number  of  tests  and  considering  how  the  various  variables  interact  and  affect  each  other.

However,  some  articles  recommend  Taguchi  designs  to  enhance  dye  removal.  Abbas  et  al.  (2022)  and  Mahapatra,  and  Kumar,  (2022),  also  found  the  Taguchi  method  appropriate,  for  the  optimization  process.  This  study  removed  indigo  blue  dye  from  synthetic  water  by  adsorbing  using  iron  oxide  nanoparticles  as  an  adsorbent.  One  of  the  key  objectives  was  to  use  the  Taguchi  technique  to  determine  the  optimum  adsorption  parameters  after  assessing  the  effects  of  various  controllable  factors  on  the  efficiency  of  the  process  and  the  signal-to-noise  ratio  (S/N).  The  percentage  contribution  of  each  parameter  to  the  dye  removal  process  was  calculated  using  the  ANOVA  analysis.  Additionally,  it  was  determined  that  Taguchi  model  forecasts  were  accurate.

Methodology

Determining  dye  in  the  solution 

The  initial  and  final  concentrations  of  the  indigo  blue  dye  in  the  solutions  were  calculated  using  UV-visible  spectroscopy.  On  a  UV-VIS  Spectrophotometer,  the  wastewater’s  equilibrium  time  and  maximum  absorbance  wavelength  (λ  max)  were  measured.  The  standard  solutions  (10,  20,  40,  60,  80,  and  100  mg/L),  which  cover  the  working  ranges,  were  prepared  using  the  reference  standard  stock  solution  for  indigo  blue  dye,  which  has  a  concentration  of  1000  mg/L.  Using  the  calibration  curve  produced  by  the  standard  solutions  of  indigo  blue  dye,  the  concentration  of  the  sample  was  determined  by  measuring  its  absorbance.  The  percentage  of  indigo  blue  dye  adsorption (%b) by  iron  oxide  nanoadsorbents  was  expressed  as  follows:

where  Co  (mg/L)  is  the  initial  concentration  and  Ce  (mg/L)  is  the  final  concentration  in  the  solution  (Ghosh  and  Sinha,  2015).   

Experimental  design

The  initial  indigo  blue  dye  concentration,  contact  time,  and  adsorbent  dosage  were  used  as  independent  (input)  variables  to  investigate  the  effects  of  each  on  the  removal  of  indigo  blue  dye  from  the  aqueous  matrix and there cumulative effects on dye adsorption.  These  parameters  and  their  range  were  selected  based  on  the  literature  (Palai  et  al.,  2021)  and  according  to  some  preliminary  experiments.  The  pH  and  temperature  conditions  were  set  at  7  and  28⁰  Celsius  to  make  the  adsorption  process  more  affordable  and  environmentally  friendly,  respectively.

In particular, batch systems (polycarbonate cylindrical cells with lids) with continuous agitation (150 rpm) were used for the adsorption test. Because  most  conventional  technologies  are  unsuccessful  in  treating  dye  pollution  at  low  concentrations  due  to  high  operating  costs,  the  initial  indigo  blue  dye  solution  range  was  chosen  to  be  6-20  mg/L  (Ghosh  and  Sinha,  2015).  Table  1  displays  the  range  of  the  initial  indigo  blue  dye  concentration,  contact  time,  and  adsorbent  dosage  employed  in  the  this  study.  All  statistical  examinations  for  optimizing  experimental  variables  were  performed  using  Minitab  software  version  21.

  Table 1: Range  of  the  investigated  parameters

Parameters	Range
	Low	High
Dose  (gm) Conc.  (mg/lit.) Contact  time  (minutes)	0.05 6 60	0.2 20 120

The  variance  analysis  (ANOVA)  was  used  to  assess  the  degree  to  which  these  models  accurately  matched  the  experimental  data.  The  Fischer  (F-test)  test  with  a  95  percent  confidence  interval  was  used  to  assess  the  statistical  significance  of  the  models  and  the  interaction  effects  of  each  factor  on  the  responses.  The  decision  was  made  assuming  that  a  model  is  a  suitable  approach  to  the  actual  data,  the  error  resulting  from  lack  of  fit  is  insignificant,  and  the  variation  brought  on  by  the  regression  is  substantial  at  a  95%  confidence  level.  Additionally,  the  model’s  appropriateness  was  evaluated  using  the  regression  coefficient  (R²),  corrected  regression  coefficient  (ADJ-R²),  predicted  multiple  determination  coefficient  (Pre-R²),  and  the  sum  of  squares  of  predicted  residual  errors  (PRESS).

Taguchi

The  Taguchi  technique,  an  orthogonal  design  array-based  fractional  factorial  design,  was  developed  by  the  statistician  and  engineer  Genichi  Taguchi.  This  design  makes  it  easy  to  conduct  a  limited  number  of  experiments  to  examine  the  effects  of  various  components  on  reactions  at  various  levels.  The  orthogonal  array  architecture  facilitates  the  organization  of  the  variables  and  the  levels  at  which  they  should  be  modified.  In  addition,  the  factorial  design  evaluates  all  possible  combinations,  saving  time,  money,  and  resources,  whereas  the  Taguchi  technique  only  examines  at  pairs  of  possibilities.  These  arrays  can  be  used  to  determine  the  crucial  elements  of  an  experiment  and  predict  the  interactions  between  variables  and  operational  parameters  (Sy  Mohamad  et  al.,  2020).

Analyzing  the  signal-to-noise  ratio  (S/N)  is  also  essential  for  assessing  the  results  of  experiments.  Generally  speaking,  three  alternative  signal-to-noise  ratios  (S/N)  can  be  used:  lower  is  better,  nominal  is  best,  and  larger  is  better.  The  signal-to-noise  ratio  can  be  calculated  by  using  the  following  equation:

where  n  is  the  number  of  experiments  conducted  under  similar  experimental  conditions,  and  PRE  denotes  the  outcomes  of  the  measurements  (Ghosh,  and  Mondal,  2019).

Result  and  discussion 

Taguchi  and  statistical  analysis

The  Taguchi  method  was  used  to  identify  the  optimum  conditions  for  indigo  blue  dye  adsorption.  In  the  Taguchi  method,  the  phrases  “signal”  and  “noise”  refer  to  the  desired  and  undesirable  values  for  the  output  characteristic,  respectively.  The  Taguchi  technique  uses  the  signal-to-noise  (S/N)  ratio  to  assess  quality  traits  that  differ  from  the  target  value.  The  S/N  ratios  change  depending  on  the  type  of  characteristic.  In  an  orthogonal  array  of  Taguchi  experimental  designs  with  two  levels,  the  initial  dye  concentration,  contact  time,  and  adsorbent  dose  were  the  three  variables  employed.  The  Taguchi  technique  states  that  analyzing  experimental  results  requires  an  investigation  of  the  signal-to-noise  ratio  because  the  current  experiment  focuses  on  the  “larger  the  better”  option.  The  optimal  levels  of  the  parameters  for  getting  the  maximal  response  variable  (dye  adsorption  %)  were  identified  and  are  displayed  in  Fig.  1  according  to  the  S/N  ratio  as  the  primary  effect  graph  for  the  SN  ratio.  The  results  of  the  regression  analysis  were  displayed  in  the  main  effect  graphs.  Only  the  significant  variables  at  a  95%  confidence  level  are  displayed.

Figure 1: Main effects plot for SN ratio A) Fe3O4 and B) Fe3O4@ME nanoparticles Click here to View Figure

Regression  analysis  was  used  to  determine  the  indigo  blue  dye’s  adsorption  rate  (Eqs.  3  and  4).  Model  graphs,  including  3D  graphs  and  predicted  vs  actual  value  plots,  as  well  as  analysis  of  variance  (ANOVA)  (table  2)  and  model  statistic  summary  (table  3),  are  used  to  express  the  mathematical  model  fitting  and  statistical  analysis  of  observed  experimental  data  for  both  nanoparticles  for  indigo  blue  dye  adsorption  (  %  ).  The  significance  of  the  regression  coefficients  was  evaluated  using  a  Student’s  t-test  with  a  95%  confidence  level.  Additionally,  the  model  showed  an  adjusted  correlation  coefficient  R²  (adj)  for  Fe₃O₄  and  Fe₃O₄@ME  nanoparticles  of  90.86  %,  and  the  predicted  R²  coefficient  for  Fe₃O₄  and  Fe₃O₄@ME  nanoparticles  is  94.28  and  94.29  %,  respectively,  which  fit  the  statistical  model  rather  well.

Dye  adsorption  Fe₃O₄  =  74.73  –  48.9  Dose  (gm)-  0.619  Initial  conc.  (mg/lit)  +  0.2206  Contact  time  (min)                 (3)

Dye adsorption Fe₃O₄@ME = 64.73 – 48.9 Dose (gm)- 0.619 Initial conc. (mg/lit) + 0.2206 Contact time (min)      (4)

Table 2: Analysis  of  variance  (ANOVA)  for  the  adsorption  of  indigo  blue dye using  Fe₃O₄ and Fe₃O₄@ME nanoparticles   

Fe3O4						Fe3O4@ME
Source	DF	Adj  SS	Adj  MS	F-Value	P-Value	Source	DF	Adj  SS	Adj  MS	F-Value	P-Value
Regression	3	806.70	268.899	27.52	0.002	Regression	3	806.70	268.899	27.52	0.002
Dose  (mg)	1	80.67	80.667	8.26	0.035	Dose  (mg)	1	80.67	80.667	8.26	0.035
Conc.  (mg/lit)     Contact  time  (min)	1 1	112.67 613.37	112.667 613.365	11.53 62.77	0.019 0.001	Conc.  (mg/lit)     Contact  time  (min)	1 1	112.67 613.37	112.667 613.365	11.53 62.77	0.019 0.001
Error	5	48.86	9.771			Error	5	48.86	9.771
Total	8	855.56				Total	8	855.56

 

Figure  2  illustrates  the  accuracy  of  the  predicted  adsorption  percent  data  using  the  Taguchi  technique.  The  adsorption  of  indigo  blue  dye  using  Fe₃O₄  and  Fe₃O₄@ME  nanoparticles  may  be  demonstrated  to  be  reasonably  predicted  using  Taguchi  experimental  design,  even  though  it  is  based  on  a  limited  number  of  experiments  as  all  the  points  are  scattered  around  the  middle  straight  line  in  a  normal  probability  plot.  The  “actual”  impacts  are  determined  using  a  normal  probability  plot. 

Figure 2: Residual plots for PBD for A) Fe3O4 and B) Fe3O4@ME nanoparticles Click here to View Figure

The  relative  importance  and  interactions  of  the  main  effects  were  readily  evident  on  the  Pareto  chart  (Fig.  3).  The  horizontal  columns  in  the  Pareto  chart  display  these  values  for  each  effect.  The  calculated  effects  were  tested  using  a  student’s  t-test  to  see  if  they  differed  statistically  from  zero.  Values  above  a  reference  line  or  falling  inside  the  95  percent  confidence  interval  are  considered  significant  (Bingol  et  al.,  2010).  According  to  Fig.  3,  the  three  major  components  (A,  B,  and  C)  that  were  beyond  the  reference  line  were  significant  at  the  0.05  level.

Figure 3: Pareto plots of A) Fe3O4 and B) Fe3O4@ME nanoparticles Click here to View Figure

By  examining  surface  plots  of  the  adsorption  percent  vs  different  pairings  of  effective  factors,  one  can  better  understand  the  simultaneous  effects  of  the  experimental  variable  on  the  dye  adsorption  process.  The  combined  effects  of  the  initial  dye  concentration,  contact  time,  and  adsorbent  dosage  are  shown  in  Figs.  4  and  5.

Table 3: Model summary statistics 

Model	R2	Adjusted  R2	Predicted  R2	Std.  Dev
Taguchi  (Fe3O4)	0.9428	0.9086	0.7652	3.12593
Taguchi  (Fe3O4@ME)	0.9429	0.9086	0.7952	3.12593

 

Figure 4: Three-dimensional response surfaces for indigo blue dye adsorption using Fe3O4 nanoparticle Click here to View Figure

Figure 5: Three-dimensional response surfaces for indigo blue dye adsorption using  Fe3O4@ME nanoparticles Click here to View Figure

Conclusion 

Indigo  blue  dye  removal  from  a  synthetic  aqueous  solution  was  the  main  focus  of  the  current  investigation,  which  focused  on  using  Fe₃O₄  and  Fe₃O₄@ME  nanoparticles  as  adsorbents.  Using  batch  mode  tests,  the  Taguchi  method  optimized  the  process  variables  for  the  indigo  blue  dye’s  adsorption.  Using  the  Taguchi  experimental  design  with  an  L9  orthogonal  array,  the  process  parameters  were  optimized  for  the  highest  percent  elimination  of  indigo  blue  dye.  The  following  is  the  order  in  which  each  parameter  contributes  to  the  percent  removal  of  indigo  blue  dye:  contact  time  >  initial  dye  conc.  >  adsorbent  dose  for  both  Fe₃O₄  and  Fe₃O₄@ME.  The  confirmation  experiment’s  dye  removal  percentage  was  higher  than  all  test  runs.  Process  parameters  were  carefully  optimized  to  raise  the  indigo  blue  dye  removal  percentage.  Additionally,  the  model  demonstrated  an  adjusted  square  correlation  coefficient  R²  (adj)  of  90.86%,  for  Fe₃O₄  and  Fe₃O₄@ME  nanoparticles,  which  fit  the  statistical  model  well.  In  this  study,  at  optimized  conditions,  the  percent  dye  removal  for  Fe₃O₄  and  Fe₃O₄@ME  nanoparticles  was  86  and  76,  respectively. This may be associated with presence of cell biomass for  Fe₃O₄  nanomaterials which increases the percentage adsorption of indigo blue dye. This  suggests  that  Fe₃O₄  has  a  greater  impact  on  dye  adsorption  than  Fe₃O₄@ME.  These  results  suggest  that  indigo  blue  dye  may  be  removed  from  synthetic  aqueous  solutions  and  that  iron  oxide  nanoparticles  can  be  utilized  to  treat  industrial  wastewater.

Conflict of Interest

The  authors  reported  no  potential  conflict  of  interest.

Funding Sources

The  University  Grants  Commission  (UGC-JRF),  Delhi,  India  supported  this  work  [NTA  Ref.  No.  –  190510167473].

References 

1. S.  H.,  Younis,  Y.  M.,  Rashid,  K.  H.  and  Khadom,  A.  A.  2022.  Removal  of  methyl  orange  dye  from  simulated  wastewater  by  electrocoagulation  technique  using  Taguchi  method:  kinetics  and  optimization  approaches.  React.  Kinet.  Mech.  Catal.  135(5):2663-2679.  https://doi.org/10.1007/s11144-022-02269-9 
   CrossRef
2. Abbasi,  S.  2020.  Adsorption  of  dye  organic  pollutant  using  magnetic  Fe3O4  embedded  on  the  surface  of  graphene  oxide.  J  Inorg.  Organomet.  Polym.  Mater.  30(6):1924-1934.  https://doi.org/10.1007/s10904-019-01336-4 
   CrossRef
3. A.,  Rambabu,  G.,  Balaji  Naik,  D.  and  Siva  Kumar,  G.  2022.  Optimisation  of  performance  parameters  of  a  variable  compression  ratio  diesel  engine  with  hibiscus  cocos  nucifera  biodiesel  using  Taguchi  method.  Int.  J.  Ambient.  Energy.  1-12.  https://doi.org/10.1080/01430750.2022.2102072 
   CrossRef
4. Bingol,  D.,  Tekin,  N.  and  Alkan,  M.  2010.  Brilliant  Yellow  dye  adsorption  onto  sepiolite  using  a  full  factorial  design.  Appl.  Clay  Sci.  50(3):315-321.  https://doi.org/10.1016/j.clay.2010.08.015 
   CrossRef
5. Ghosh,  A.,  Das,  P.  and  Sinha,  K.  2015.  Modeling  of  biosorption  of  Cu  (II)  by  alkali-modified  spent  tea  leaves  using  response  surface  methodology  (RSM)  and  artificial  neural  network  (ANN).  Appl.  Water  Sci.  5(2):191-199.  https://doi.org/10.1007/s13201-014-0180-z 
   CrossRef
6. Ghosh,  S.  B.  and  Mondal,  N.  K.  2019.  Application  of  Taguchi  method  for  optimizing  the  process  parameters  for  the  removal  of  fluoride  by  Al-impregnated  Eucalyptus  bark  ash.  Environ.  Nanotechnol.  Monit.  Manag.  11:100206.  https://doi.org/10.1016/j.enmm.2018.100206 
   CrossRef
7. A.,  Hosseini,  S.  H.,  Tanzifi,  M.,  Yaraki,  M.  T.,  Bayati,  B.,  Saemian,  T.  and  Koohi,  M.  2022.  Synthesis  of  polythiophene/zeolite/iron  nanocomposite  for  adsorptive  remediation  of  azo  dye:  Optimized  by  Taguchi  method.  Chem.  Eng.  Res.  Des.  525-537.  https://doi.org/10.1016/j.cherd.2022.05.042 
   CrossRef
8. R.,  Gurunathan,  B.,  Sivakumar,  K.,  Varjani,  S.,  Ngo,  H.  H.  and  Gnansounou,  E.  2022.  Advancements  in  heavy  metals  removal  from  effluents  employing  nano-adsorbents:  way  towards  cleaner  production.  Environ.  Res.  203:111815.  https://doi.org/10.1016/j.envres.2021.111815 
   CrossRef
9. Taguchi  Optimization  Studies  for  Abatement  of  2‐Chlorophenol  Using  Neem  Seed  Activated  Carbon.  Chem.  Eng.  Technol.  45(4):641-648.  https://doi.org/10.1002/ceat.202100427 
   CrossRef
10. A.  T.,  Alprol,  A.  E.,  Khedawy,  M.,  Abualnaja,  K.  M.,  Shalaby,  T.  A.,  Rayan,  G.  and  Ashour,  M.  2022.  Green  Synthesis  of  Zinc  Oxide  Nanoparticles  Using  Red  Seaweed  for  the  Elimination  of  Organic  Toxic  Dye  from  an  Aqueous  Solution.  Mater.  15(15):5169.  https://doi.org/10.3390/ma15155169 
    CrossRef
11. Mosoarca,  G.,  Popa,  S.,  Vancea,  C.,  Dan,  M.  and  Boran,  S.  2022(b).  Removal  of  Methylene  Blue  from  Aqueous  Solutions  Using  a  New  Natural  Lignocellulosic  Adsorbent—Raspberry  (Rubus  idaeus)  Leaves  Powder.  Poly.  14(10):1966.  https://doi.org/10.3390/polym14101966 
    CrossRef
12. G.,  Vancea,  C.,  Popa,  S.  and  Boran,  S.  2022(c).  Optimization  of  crystal  violet  adsorption  on  common  lilac  tree  leaf  powder  as  natural  adsorbent  material.  Global  NEST.  24(1):87-96.  https://doi.org/10.30955/gnj.003951 
    CrossRef
13. G.,  Vancea,  C.,  Popa,  S.,  Boran,  S.  and  Radulescu-Grad,  M.  E.  2022(a).  Crystal  violet  removal  from  aqueous  solutions  using  dry  bean  pods  husks  powder–optimization  and  desorption  studies.  Univ.  Ann.  Chem.  33(2):129-134.  https://doi.org/10.2478/auoc-2022-0019 
    CrossRef
14. Palai,  P.,  Muduli,  S.,  Priyadarshini,  B.  and  Sahoo,  T.  R.  2021.  A  facile  green  synthesis  of  Fe3O4  nanoparticles  and  its  adsorptive  removal  of  Congo  red  dye  from  aqueous  solution.  Mater.  Today:  Proc.  38:2445-2451.  https://doi.org/10.1016/j.matpr.2020.07.387 
    CrossRef
15. Patnaik,  R.  2018.  Impact  of  industrialization  on  environment  and  sustainable  solutions–reflections  from  a  south  Indian  region.  In  IOP  Conference  Series:  Earth  and  Environmental  Science  (Vol.  120,  No.  1,  p.  012016).  IOP  Publishing.  10.1088/1755-1315/120/1/012016 
    CrossRef
16. R.,  Chary,  G.  H.  V.  C.  and  Dastidar,  M.  G.  2018.  Application  of  Taguchi  method  for  optimizing  the  process  parameters  for  the  removal  of  copper  and  nickel  by  growing  Aspergillus  sp.  Water  Resour.  Ind.  20:83-92.  https://doi.org/10.1016/j.wri.2016.05.001 
    CrossRef
17. F.,  Aquines,  O.,  Silva-Núñez,  A.,  Alemán-Nava,  G.  S.,  Castillo-Zacarías,  C.,  Ramirez-Mendoza,  R.  A.,  and  Parra-Saldívar,  R.  2020.  Evaluation  and  predictive  modeling  of  removal  condition  for  bioadsorption  of  indigo  blue  dye  by  Spirulina  platensis.  Microorg.  8(1),  82.  https://doi.org/10.3390/microorganisms8010082 
    CrossRef
18. Shindhal,  T.,  Rakholiya,  P.,  Varjani,  S.,  Pandey,  A.,  Ngo,  H.  H.,  Guo,  W.  and  Taherzadeh,  M.  J.  2021.  A  critical  review  on  advances  in  the  practices  and  perspectives  for  the  treatment  of  dye  industry  wastewater.  Bioengineered.  12(1):70-87.  https://doi.org/10.1080/21655979.2020.1863034 
    CrossRef
19. M.,  Siddique,  M.,  Khan,  R.,  Fallatah,  A.  M.,  Fatima,  N.,  Shahzadi,  I.  and  Abbasi,  A.  M.  2022.  Ligustrum  lucidum  Leaf  Extract-Assisted  Green  Synthesis  of  Silver  Nanoparticles  and  Nano-Adsorbents  Having  Potential  in  Ultrasound-Assisted  Adsorptive  Removal  of  Methylene  Blue  Dye  from  Wastewater  and  Antimicrobial  Activity.  Mater.  15(5):1637.  https://doi.org/10.3390/ma15051637 
    CrossRef
20. Sy  Mohamad,  S.  F.,  Mohd  Said,  F.,  Abdul  Munaim,  M.  S.,  Mohamad,  S.  and  Azizi  Wan  Sulaiman,  W.  M.  2020.  Application  of  experimental  designs  and  response  surface  methods  in  screening  and  optimization  of  reverse  micellar  extraction.  Crit.  Rev.  Biotechnol.  40(3):341-356.  https://doi.org/10.1080/07388551.2020.1712321  CrossRef
    CrossRef
21. X.,  Zhang,  P.,  Xu,  F.,  Sun,  B.,  Hong,  G.  and  Bao,  L.  2022.  Adsorption  of  methylene  blue  on  azo  dye  wastewater  by  molybdenum  disulfide  nanomaterials.  Sustainability.  14(13):7585.  https://doi.org/10.3390/su14137585 
    CrossRef
22. S.,  Punia,  S.,  Sharma,  H.  R.  and  Gupta,  A.  2022.  Nano-remediation  for  the  decolourisation  of  textile  effluents:  A  review.  Nanofabrication.  7.  https://doi.org/10.37819/nanofab.007.226 
    CrossRef
23. Optimization  of  simultaneous  removal  of  binary  mixture  of  indigo  carmine  and  methyl  orange  dyes  by  cobalt  hydroxide  nano-particles  through  Taguchi  method.  J.  Mol.  Liq.  262:405-414.  https://doi.org/10.1016/j.molliq.2018.04.038 
    CrossRef

---

This work is licensed under a Creative Commons Attribution 4.0 International License.