مدلسازی-شبیه سازی فرآیند نانوفیلتراسیون آب پرس تفاله چغندر قند

چکیده در این تحقیق، تصفیه آب پرس تفاله چغندر قند با استفاده از نانوفیلتراسیون مورد بررسی قرار گرفته و سپس این فرآیند مدلسازی شده است. برای این منظور دما در سه سطح (25، 40 وc°55)، اختلاف فشار عرضی در سه سطح (10، 15 و 20 بار) و غلظت در سه سطح (بریکس1، 2 و 3) بر کارایی فرآیند نانوفیلتراسیون (شار تراوه، درصد گرفتگی و درصد دفع اجزاء) بررسی شد. از سه روش مدلسازی شبکه های عصبی مصنوعی (anns)، مدلسازی فیزیکی dspm و مدلسازی هیبریدی برای مدل کردن فرآیند نانوفیلتراسیون آب پرس تفاله چغندرقند استفاده شد. هدف از مراحل مدلسازی، ارائه مدل هایی به منظور پیشگویی شار تراوه و درصد دفع اجزاء (ساکارز، قند انورت، cod، آلفا آمینو اسید، اسیدهای آلی، سدیم، پتاسیم، کلسیم، منیزیم، کلر و سولفات) به عنوان تابعی از پارامترهای عملیاتی (دما، اختلاف فشار در عرض غشاء و زمان) و خصوصیت محلول خوراک (بریکس) بوده است. مدلسازی کارایی نانوفیلتراسیون محلول های واقعی برای طراحی یک فرآیند غشایی جدید از اهمیت ویژه ای بر خوردار است. مدلسازی شبکه عصبی با استفاده از نرم افزار نروسلوشن نسخه 6 در 5 مرحله جهت تعیین تعداد نرون های لایه مخفی، نوع تابع انتقال، نوع قانون یادگیری، تعیین درصد داده های مورد استفاده برای مرحله تربیت، تعیین درصد داده های مورد استفاده برای مرحله ارزیابی و آزمون انجام پذیرفت. هدف کلی در این مرحله از مدلسازی، انتخاب شبکه ای با کمترین خطا و بیشترین ضریب همبستگی با داده های تجربی و در عین حال کمترین نرون و کمترین درصد داده های مورد استفاده برای مراحل تربیت و ارزیابی بوده است. زمان، اختلاف فشار عملیاتی، دما و بریکس به عنوان ورودی های شبکه عصبی مصنوعی در مدلسازی شار تراوه در نظر گرفته شد. نتایج نشان داد که شبکه ای با یک لایه پنهان، تعداد 6 نرون در لایه پنهان، تابع انتقال سیگموئیدی ، قانون یادگیری لیونبرگ و درصد داده های مورد استفاده برای تربیت/ارزیابی/ آزمون برابر 15/40/45 می تواند به خوبی (998/0r=) شار تراوه نانوفیلتراسیون آب پرس تفاله را پیشگویی نماید. هم چنین برای مدلسازی درصد دفع اجزاء مختلف، اختلاف فشار عملیاتی، دما و بریکس به عنوان ورودی های شبکه انتخاب شد. نتایج در این مورد حاکی از آن بود که شبکه ای با یک لایه پنهان، تعداد 16 نرون در لایه پنهان، تابع انتقال خطی تانژانت هایپربولیک، قانون یادگیری لیونبرگ و درصد داده های مورد استفاده برای تربیت/ارزیابی/ آزمون برابر 50/25/25، می تواند به خوبی (974/0r=) درصد دفع اجزاء مختلف موجود در آب پرس تفاله را توسط نانوفیلتراسیون پیشگویی نماید. مدلسازی فیزیکی فرآیند نانوفیلتراسیون آب پرس تفاله با استفاده از مدل فیزیکی dspm انجام پذیرفت. برنامه کامپیوتری مربوط به این مدل توسط نرم افزار مطلب نسخه 2008 نوشته شد. در این مدلسازی درصد دفع یون ها بر اساس خصوصیات جزء باردار (از قبیل غلظت اولیه، بار، ضریب نفوذ و شعاع هیدرودینامیکی) و خصوصیات محلول (از قبیل ویسکوزیته، دما)، شرایط عملیاتی حاکم (اختلاف فشار) و خصوصیات غشاء (از قبیل بار سطحی، اندازه منافذ، ضخامت لایه موثر) پیش بینی می شود. نتایج مدلسازیdspm نشان داد که این مدل قابلیت پیشگویی درصد دفع اکثر یون های مورد بررسی را تحت شرایط عملیاتی مختلف نانوفیلتراسیون آب پرس تفاله دارا است (970/0r=). به منظور مدلسازی هیبریدی نانوفیلتراسیون آب پرس تفاله از روش نیمه پارامتری کردن پشت سر هم استفاده شد. به این ترتیب که ابتدا درصد دفع یون ها با استفاده از مدلسازی dspm سپس با استفاده از شبکه عصبی مصنوعی مدل شد. نتایج این مرحله از مدلسازی نشان داد که شبکه ای با مشخصات یک لایه پنهان، تعداد 12 نرون در لایه پنهان، تابع انتقال خطی تانژانت هایپربولیک، قانون یادگیری لیونبرگ و درصد داده های مورد استفاده برای تربیت/ارزیابی/ آزمون برابر 20/10/70 می تواند به خوبی (962/0r=) درصد دفع یون های مختلف موجود در آب پرس تفاله را توسط نانوفیلتراسیون پیشگویی نماید.