بخشی از مقاله
چکیده
هدف اصلی در این مقاله تخمین عملکرد غشاهای اسمز معکوس یعنی فاکتور جداسازی، شار حلال خالص عبوری و کل شار عبوری از غشا برپایه مدل اصلاح شده نیروی سطحی - جریان حفرهای به وسیله ی شبکه عصبی آموزش دیده شده توسط الگوریتم بهینهسازی ازدحام ذرات میباشد. معادلات این مدل پیچیده میباشند و حل آنها به صورت عددی نیازمند زمان زیادی میباشد. از این رو شبکههای عصبی مصنوعی، به عنوان ابزارهای مناسبی در پیشبینی و مدلسازی این غشاها در تصفیه آب و فاضلاب از جمله شیرینسازی آب معرفی گردیدهاند.
از الگوریتم ازدحام ذرات برای آموزش شبکه عصبی که شامل 3 لایه - یک لایه ورودی، یکلایه مخفی و یک لایه خروجی - میباشد استفاده شده است. دادههای تجربی که از 4 نوع غشا اسمز معکوس تهیه شدهاند، جهت آموزش شبکه عصبی مورد استفاده قرار گرفتند. از کل دادههای موجود % 80 برای آموزش شبکه عصبی و%20 برای آزمایش آن مورد استفاده قرار گرفته است.
نتایج نشان میدهد که آموزش شبکه عصبی به وسیلهی الگوریتم ازدحام ذرات یک ابزار کارامد در پیشبینی رفتار غشاهای اسمز معکوس میباشد که میتوانند عملکرد آنها را بدون نیاز به حل معادلات پیچیده پیشبینی بکنند. بنابراین میتوان با استفاده از این الگوریتم رفتار غشاها اسمز معکوس را در مهندسی آب و فاضلاب تخمین زد.
.1 مقدمه
شیرینسازی و تصفیه منابع آب غیر شرب به عنوان اصلیترین منع تأمین آب آشامیدنی در بسیاری از کشورهای دنیا به کار میرود. از این رو، فرایندهای غشایی در تهیه آب آشامیدنی از اهمیت زیادی برخوردار میباشند .[1] از جمله این فرایندها جداسازی میتوان به اسمز معکوس1 و نانوفیلتراسیون 2 اشاره کرد. فرآیند اسمز معکوس کاربردهای متنوعی را در صنایع مختلف به خود اختصاص داده است، بطوریکه امروزه یکی از مهمترین فرآیندهای غشایی محسوب شده و به عنوان یک عملیات واحد استاندارد در مهندسی شیمی تثبیت شده است.
با توجه به کاربردهای متنوع فرآیند اسمز معکوس، توصیف و پیش بینی عملکرد غشاهای اسمز معکوس و همچنین طراحی واحدهای صنعتی آن، به درک مناسب از اصول پدیده های انتقال در غشا مورد نیاز است. لذا استفاده از مدل هایی که به بررسی نحوه عملکرد - شار عبوری از غشا و میزان جداسازی - این غشاها در شرایط تجربی گوناگون و دستیابی به نتایج قابل اعتماد بپردازند، مفید خواهند بود. این بدین معناست که در این زمینه یک مدل انتقال قوی و کارآمد میتواند بسیار مناسب باشد
یکی از بهترین مدلهایی که جهت توصیف فرآیندهای اسمز معکوس با دقت بسیار بالا ارائه شده، مدلی تحت عنوان مدل اصلاح شده نیروی سطحی - جریان حفره ای1 یا مدل MD-SF-PF می باشد که توسط مهدیزاده و همکاران ارائه گردیده است.
مزیت این مدل این است که توانسته است بر اساس یک مکانیزم فیزیکی، علاوه بر تبیین روابط حاکم بر فرآیندهای اسمز معکوس، عملکرد غشاها را در شرایط مختلف عملیاتی، با دقت بالائی پیشگویی نماید. عمده ترین مشکل در استفاده از این مدل، حل معادلات دیفرانسیل غیر خطی آن می باشد
در سال های اخیر، استفاده از شبکه های عصبی در زمینه فرایندهای غشایی گسترش یافته است. شبکههای عصبی دارای کاربرد های زیادی میباشند که ازمهمترین آنها میتوان به تقریب تابع2 اشاره کرد. یک شبکه عصبی شامل تعداد زیادی سلول عصبی یا عناصر پردازشی می باشد که توسط وزن های سیناپسی به یکدیگر متصل می شوند. به طورکلی سا ختار شبکه های عصبی را می توان به دو د سته کلی شبکه های پیشخورد3 و شبکه های برگشتی4 تقسیم بندی نمود. شبکه های پیشخورد دارای ساختار ساده ای هستند و مشکل پایداری شبکه های برگشتی را ندارند. در این مقاله از شبکههای عصبی پیشخوردکه توسط الگوریتم بهینه سازی ازدحام ذرات5 آموزش دیده شده است برای پیشبینی رفتار غشاهای اسمز معکوس مورد استفاده قرار گرفتهاند. در این روش وزنهای شبکه عصبی طبق الگوریتم ازدحام ذرات تعیین میشوند.
.2 عملکرد غشا
عملکرد غشا، معمولاً بر حسب شار عبوری6 و جداسازی7، مانند شکل 1 بیان می شود. شدت جریان ماده منتقل شده به ازا واحد سطح غشا را شار عبوری و نسبت کاهش جزئی غلظت ماده حل شده در خوراک ورودی را جداسازی گویند.
شکل :1 شمایی از فرایند اسمز معکوس
جداسازی - f - بر حسب غلظت های مولی خوراک و محصول که به ترتیب با mA1 و mA3 نشان داده می شوند، به صورت زیر بیان می شود :
برای محلول های نسبتاً رقیق، غلظت ملالیته mAi، با غلظت ملاریته، CAi، تقریباً برابر بوده و جداسازی در این حالت برابر است با :
.3مدل اصلاح شده نیروی سطحی - جریان حفره ای
مدل MD-SF-PF یک مدل وابسطه به مکانیزم میباشد که در سال 1989 توسط مهدیزاده و دیکسون ارائه گردید .[4] این مدل که تطابق زیادی با دادههای تجربی دارد، غشا را دارای منافذ استوانهای میکروپروس در نظر میگیرد. پروفیل سرعت و غلظت در این مدل هم تابع شعاع و هم محور میباشند. بر هم کنش بین دیواره غشا و ماده حل شونده توسط یک تابع پتانسیل توصیف میشود.
خلاصه ی مدل MD-SF-PF بر اسا پارامترهای ورودی شبکه عصبی به صورت زیر میباشد. این پارامترهای ورودی شامل مشخصات غشا ] شعاع غشا - Rw - ، ثابت اصطکاک بین حلشونده و غشا - XA1 - و ثابت اصطکاک بین حلال و غشا [ - XA2 - ،پارامترهای مدل ] - نسبت طول منافذ به تخلخل غشا - ، - پارامتر مربوط به تابع پتانسیل - ، - پارامتر مربوط به تابع پتانسیل - [، غلظت متوسط در طول غشا - - C، دما - T - ، فشارعملیاتی - - P میباشند
پارامترهای بدون بعد که نشان دهنده مختصات شعاعی و محوری میباشند به صورت زیر تعریف میشوند. که در آن Rw شعاع و طول منافذ غشا میباشند. معادلات دیفرانسیلی که بیان کننده پروفیل سرعت در داخل منافذ غشا اسمز معکوس میباشند به شرح زیر است
