مدل‌سازی نمک‌زدایی از آب لب‌شور به ‌روش الکترودیالیز، با استفاده از طراحی آزمایش‌ها و شبکه عصبی GMDH

الموضوعات :

مریم شرفی ¹ , محمود اکبری ²

1 - کارشناسی ارشد مهندسی شیمی، دانشکده شیمی و مهندسی شیمی، دانشگاه صنعتی مالک ‌اشتر، تهران، ایران.
2 - استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی و محیط‌زیست، دانشگاه اراک، اراک، ایران.

تاريخ الإرسال : 03 الأحد , شعبان, 1443 تاريخ التأكيد : 21 الأحد , شوال, 1443 تاريخ الإصدار : 28 الخميس , جمادى الأولى, 1444

الکلمات المفتاحية: پایداری, روش‌های داده‌مبنا, غشای تبادل یونی, شوری آب,

ملخص المقالة :

زمینه و هدف: نمک‌زدایی از آب شور و لب‌شور، به عنوان یک منبع نسبتا دائمی، راه حلی مطمئن برای جبران کمبود آب است. فرآیند الکترودیالیز به عنوان یکی از روش‌های نمک‌زدایی، تقریبا آب بدون املاح را از آب شور جدا می‌کند و در حال تبدیل شدن به یک راه‌حل برای کمبود آب در سراسر جهان است. روش‌های مدل‌سازی، امکان بررسی کم‌هزینه نمک‌زدایی از آب شور و لب‌شور به روش الکترودیالیز و هم‌چنین پیش‌بینی رفتارها و الگوهای فرآیندی این سیستم‌ها را فراهم می‌کنند. هدف این تحقیق، مدل‌سازی فرایند الکترودیالیز با طراحی آزمایش‌ها و ارزیابی روش شبکه عصبی GMDH، در تخمین درصد جداسازی و میزان شار خروجی سلول الکترودیالیز آب لب‌شور است.روش پژوهش: مقادیر جریان حجمی در شش سطح (1، 5/2، 5، 10، 15 و 20 میلی‌لیتر در دقیقه)، غلظت املاح در سه سطح (200، 500 و 1000 میلی‌گرم در لیتر)، دما در سه سطح (50، 60 و 70 درجه سانتی‌گراد)، ولتاژ در سه سطح (10، 20 و 30 ولت) و فشار در سه سطح (200، 400 و 800 پاسکال) استخراج گردید. به‌منظور مدل‌سازی میزان تاثیر هریک از ورودی‌های مذکور بر درصد جداسازی و میزان شار خروجی سلول الکترودیالیز آب لب‌شور، از طرح فاکتوریل کامل و شبکه عصبی GMDH استفاده شد. در مدل‌سازی خروجی سلول الکترودیالیز با استفاده از شبکه عصبی GMDH، پس از تعیین متغیرهای ورودی، تصادفی‌سازی، نرمال‌سازی و تقسیم بندی متغیر های ورودی و خروجی انجام شد. برای مدل‌سازی، 90 درصد داده‌ها (437 نمونه) بطور تصادفی به‌منظور آموزش و 10 درصد داده‌ها (49 نمونه) برای صحت‌سنجی در نظر گرفته شد. از طرفی با توجه به دارا بودن سطوح مشخص برای هر یک از ورودی‌ها، امکان استفاده از طرح آزمایشی فاکتوریل کامل نیز فراهم بود.یافته‌ها: نتایج جدول تجزیه رگرسیون خطی نشان داد بین کلیه اثرات ساده و متقابل تیمارها برای متغیرهای پاسخ درصد جداسازی و شار، اختلاف معنی‌داری در سطح یک درصد وجود دارد. با کاهش جریان حجمی و غلظت املاح و افزایش دما، ولتاژ و فشار، درصد جداسازی و شار خروجی افزایش معنی‌داری نشان دادند. نتایج مدل‌سازی با شبکه عصبی GMDH نیز در مرحله آموزش، دقت پیش‌بینی درصد جداسازی (90/0=R2، 16/0-=MBE و 48/7=RMSE) و میزان شار خروجی (79/0=R2، 001/0=MBE و 08/0=RMSE) را نشان داد. همین شاخص ها در مرحله صحت‌سنجی به ترتیب 85/0، 3- و 37/9 برای درصد جداسازی و 78/0، 008/0- و 07/0 برای میزان شار خروجی هستند. تطابق داده‌های هدف و خروجی، نزدیکی مقادیر هدف و خروجی به نمودار y=x، تخطی کم مقادیر خطا از مقدار صفر و نزدیکی توزیع (هیستوگرام) خطا به توزیع نرمال، حاصل شدند.نتایج: پس از مشخص شدن اختلاف بسیار معنی‌دار کلیه اثرات ساده و متقابل تیمارها برای متغیرهای پاسخ، مقایسه میانگین‌ها صورت گرفت. بیشتر بودن هر دو متغیر پاسخ درصد جداسازی و شار خروجی، ایده‌آل هست. لذا نتایج مقایسه میانگین‌ها نشان داد بهترین سطح جریان حجمی برابر با 1 میلی‌لیتر بر دقیقه، غلظت جریان ورودی 200 میلی‌گرم بر لیتر، دمای 70 درجه سانتی‌گراد، ولتاژ ورودی 30 ولت و فشار 800 پاسکال، منجر به بیشترین درصد جداسازی و شار خروجی می‌شوند. ضمن این‌که با کاهش جریان حجمی و غلظت املاح، و افزایش دما، ولتاژ و فشار، درصد جداسازی و شار خروجی افزایش معنی‌داری نشان دادند. همچنین با توجه به شاخص‌های آماری برای کل داده‌ها، همبستگی مناسب، اندکی کم‌برآورد و خطای اندک به دست آمد. بنابراین استفاده از طراحی آزمایش‌ها و شبکه عصبی GMDH، در مدل‌سازی نمک‌زدایی از آب لب‌شور با استفاده از فرآیند الکترودیالیز، کارایی مناسبی دارد.

المصادر:

Akbari, M., Gheysari, M., Mostafazadeh-Fard, B. and Shayannejad, M., 2018. Surface irrigation simulation-optimization model based on meta-heuristic algorithms. Agricultural water management, 201, pp.46-57.
Al-Amshawee, S., Yunus, M.Y.B.M., Azoddein, A.A.M., Hassell, D.G., Dakhil, I.H. and Hasan, H.A. 2020. Electrodialysis desalination for water and wastewater: A review. Chemical Engineering Journal, 380:122231.
Chehayeb, K.M., Farhat, D.M. and Nayar, K.G., 2017. Optimal design and operation of electrodialysis for brackish-water desalination and for high-salinity brine concentration. Desalination, 420: 167-182.
Ho, W. and Sirkar, K., 2012. Membrane handbook. Springer Science & Business Media.
Ivakhnenko, A.G. and Ivakhnenko, G.A., 1995. The review of problems solvable by algorithms of the group method of data handling (GMDH). Pattern Recognition And Image Analysis C/C Of Raspoznavaniye Obrazov I Analiz Izobrazhenii, 5, pp.527-535.
Jing, G., Du, W. and Guo, Y. 2012. Studies on prediction of separation percent in electrodialysis process via BP neural networks and improved BP algorithms, Desalination 291: 78–93, https://doi.org/10.1016/j.desal.2012.02.002.
La Cerva, M., Gurreri, L., Cipollina, A., Tamburini, A., Ciofalo, M. and Micale, G., 2019. Modelling and cost analysis of hybrid systems for seawater desalination: Electromembrane pre-treatments for Reverse Osmosis. Desalination, 467:.175-195.
Mei, Y., Li, X., Yao, Z., Qing, W., Fane, A.G. and Tang, C.Y., 2020. Simulation of an energy self-sufficient electrodialysis desalination stack for salt removal efficiency and fresh water recovery. Journal of Membrane Science, 598: 117771.
SAS Institute. 2013. The SAS system for Windows Release 9.3. SAS Institute, Cary NC.
Zhao, D., Lee, L.Y., Ong, S.L., Chowdhury, P., Siah, K.B. and Ng, H.Y., 2019. Electrodialysis reversal for industrial reverse osmosis brine treatment. Separation and Purification Technology, 213:.339-347.