سنتز گیاهی نانوذرات دوفلزی Pd/Pt با هدایت شبکه عصبی مصنوعی روی پنبه: عامل‌دار کردن منسوجات پایدار با خواص ضدباکتریایی و رنگ‌سنجی از ضایعات زعفران

سنتز پایدار نانوذرات دوفلزی پالادیوم-پلاتین (NPs Pd/Pt) با استفاده از ضایعات کشاورزی، رویکردی سازگار با محیط زیست برای توسعه منسوجات کاربردی با خواص ضدباکتریایی و ثبات رنگ بهبود یافته ارائه می‌دهد. در این مطالعه، ضایعات زعفران شامل گلبرگ‌ها (SP) و پرچم‌ها (SS) به عنوان یک عامل کاهنده و تثبیت‌کننده سبز در روش فیتوسنتز با کمک مایکروویو برای رسوب نانوذرات Pd/Pt روی پارچه‌های پنبه‌ای به کار گرفته شد. برای بهینه‌سازی و پیش‌بینی دقیق قدرت رنگ (K/S) منسوجات تیمار شده، یک شبکه عصبی مصنوعی (ANN) همراه با یک الگوریتم ژنتیک (GA) پیاده‌سازی شد که با ضریب همبستگی بالا (R² = 0.99) از روش سنتی سطح پاسخ (RSM) پیشی گرفت. توصیف جامع با استفاده از پراکندگی نور پویا (DLS)، طیف‌سنجی فرابنفش-مرئی، طیف‌سنجی مادون قرمز تبدیل فوریه (FTIR)، میکروسکوپ الکترونی روبشی گسیل میدانی با طیف‌سنجی پراش انرژی پرتو ایکس (FESEM-EDX) و پراش پرتو ایکس (XRD) تشکیل موفقیت‌آمیز و توزیع یکنواخت نانوذرات Pd/Pt روی الیاف پنبه را تأیید کرد. پارچه‌های عمل‌آوری‌شده فعالیت ضدباکتریایی برتر را نشان دادند و به 99٪ بازدارندگی در برابر هر دو باکتری گرم مثبت S. aureus و گرم منفی E. coli دست یافتند، در کنار ثبات رنگ عالی در برابر سایش، شستشو و قرار گرفتن در معرض نور. این کار، ادغام نانوفناوری سبز و یادگیری ماشینی را برای ساخت منسوجات ضدباکتریایی هوشمند و پایدار نشان می‌دهد که به کاهش اثرات زیست‌محیطی و پیشبرد توسعه پارچه‌های کاربردی نسل بعدی کمک می‌کند.

The sustainable synthesis of palladium–platinum bimetallic nanoparticles (Pd/Pt NPs) using agricultural waste offers an eco-friendly approach to develop functional textiles with enhanced antibacterial and colorfastness properties. In this study, saffron waste comprising petals (SP) and stamens (SS) was employed as a green reducing and stabilizing agent in a microwave-assisted photosynthesis method to deposit Pd/Pt NPs onto cotton fabrics. To optimize and accurately predict the color strength (K/S) of the treated textiles, an artificial neural network (ANN) coupled with a genetic algorithm (GA) was implemented, outperforming traditional response surface methodology (RSM)with a high correlation coefficient (R² = 0.99). Comprehensive characterization using dynamic light scattering (DLS), UV–Visible spectroscopy, Fourier-transform infrared spectroscopy (FTIR), Field emission scanning electron microscopy with Energy Dispersive X-ray Spectroscopy (FESEM-EDX), and X-ray diffraction (XRD) confirmed the successful formation and uniform distribution of Pd/Pt NPs on cotton fibers. The treated fabrics exhibited superior antibacterial activity, achieving 99% inhibition against both Gram-positive S. aureus and Gram-negative E. coli, alongside excellent colorfastness to rubbing, washing, and light exposure. This work demonstrates the integration of green nanotechnology and machine learning for the fabrication of sustainable, smart antibacterial textiles, contributing to reduced environmental impact and advancing the development of next-generation functional fabrics.