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

محورهای موضوعی : بهره‌برداری از منابع آب غیر متعارف

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.

تاریخ دریافت : 1400/12/15 تاریخ پذیرش : 1401/03/01 تاریخ انتشار : 1401/10/01

کلید واژه: پایداری, روش‌های داده‌مبنا, غشای تبادل یونی, شوری آب,

چکیده مقاله :

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.

چکیده انگلیسی:

Background and Aim: Desalination of saline and brackish water as a relatively permanent resource is a reliable solution to compensate for water shortages. The Electrodialysis process, as one of the desalination methods, separates almost unsalted water from saline water and is becoming a solution for water scarcity all over the worldworldwide. Modeling methods allow provide the study of desalination of saline and brackish water by the Electro Dialysisdialysis, as well as predicting the behaviors and process patterns of these systems.  The purpose of this study is to model the Electrodialysis process by Design of Experiments and to evaluateing the GMDH neural network method in estimating the separation percentage and the output flux of the brackish water Electrodialysis cell.Method: The volumetric flow values in six levels (1, 2.5, 5, 10, 15, and 20 mL min-1), solute concentration in three levels (200, 500, and 1000 mg L-1), temperature in three levels (50 , 60, and 70°C), voltage at three levels (10, 20, and 30 V) and pressure at three levels (200, 400, and 800 Pa) were extracted. In order to model the effect of each above inputs on the separation percentage and output flux of brackish water Electrodialysis cells, The full factorial design and the GMDH neural network were are used to model the effect of each above inputs on the separation percentage and output flux of brackish water Electrodialysis cells. In modeling the output of the Electrodialysis cell output using the GMDH neural network, after determining the input variables, randomization, normalization and segmentation of input and output variables were performeddone. For modeling, 90% of the data (437 samples) were randomly assigned for training and 10% of the data (49 samples) were are used for validation. On the other hand, due to having specific levels for each of the inputs, it was possible to use a Full Factorial experimental design.Results: The linear results of statistical regression analysis table results showeshowd that there is a significant difference between all simple and interaction effects of the treatments for the response variable of separation percentage and flux at the one percent level. With decreasing volume flow and solute concentration, and increasing temperature, voltage, and pressure, the separation percentage and output flux showed a significant increase. The results of modeling with the GMDH neural network showed demonstrates that in the training step, the prediction accuracy of separation percentage (R2=0.90, MBE=-0.16 and RMSE=7.48) and flux (R2=0.79, MBE =0.001 and RMSE=0.08).  The These criteria same values in the testing step were are 0.85, -3, and 9.37 for separation percentage and 0.78, -0.008, and 0.07 for flux. Correlation of target and output data, proximity of target and output values to y = x diagram, low transgression of error values from zero value and proximity of error distribution (histogram) to normal distribution were obtained. Conclusion: After determining the significant differences of all simple and interaction effects of treatments for response variables, the means were compared. It is ideal to Hhaveing more separation percentage and output flux response variables was ideal. Therefore, the results of comparing the means showed illustrate that the best volumetric flow level equal to 1 ml / min, input flow concentration of 200 mg / l, temperature of 70 ° C, input voltage of 30 volts and pressure of 800 Pascals, lead to the highest separation percentage and output flux. In addition, with decreasing volumetric flow,  and decreasing solute concentration, and increasing temperature, increasing voltage and increasing pressure, separation percentage and output flux showed a significant increaserise. Also, according to the statistical indicators for the whole data, appropriate correlation, slightly underestimation, and small error were are obtained. ThereforeThus, using the Design of Experiments and GMDH neural network has suitable accuracy for modeling desalination of brackish water using the Electrodialysis process.

منابع و مأخذ:

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.