PEMODELAN PROSES REVERSE OSMOSIS KINERJA MENGGUNAKAN JARINGAN SARAF BUATAN (4)

PEMODELAN PROSES REVERSE OSMOSIS KINERJA MENGGUNAKAN JARINGAN SARAF BUATAN (4)

Mengingat hambatan yang signifikan dalam mengembangkan model berdasarkan fenomenologishipotesis untuk menggambarkan dinamika proses RO, teknik yang berfokus pada directanalisis data eksperimen diselidiki. Oleh karena itu, jaringan saraf tiruan berbasismodel telah terbukti menjadi alternatif yang layak untuk memodelkan variasi kinerja pabrikmenggunakan bermakna secara fisik, mudah dan murah untuk mengukur parameter proses. Sebelumnyaupaya menggunakan jaringan saraf tiruan untuk menggambarkan proses filtrasi dinamis yang difokuskanpada pemodelan penurunan fluks permeat, atau peningkatan setara dalam resistensi membran total,serta variasi dalam pertunjukan pemisahan, biasanya terkait dengan penolakan

Bagian dari pendekatan yang tersedia untuk memodelkan proses pemisahan membran dengan cara:JST dianggap sebagai prosedur kondisi mapan, untuk mengidentifikasi pengaruh perbedaanvariabel proses pada kinerja pemisahan. Oleh karena itu, Niemi dkk. ​​menggunakan sarafjaringan untuk mensimulasikan reverse osmosis etanol berair dan larutan asam asetat, danultrafiltrasi limbah pabrik pemutih. 

Eksperimen laboratorium mempertimbangkan berbagaibeberapa parameter proses (yaitu, kecepatan aliran umpan, suhu, konsentrasi dan tekanan) adalah dasar model JST yang dibangun untuk memperkirakan fluks permeat dan penolakan. NSnilai eksperimental ekstrim digunakan dalam fase pelatihan, dan pengujian selanjutnyamodel menggunakan seluruh kumpulan data. Prediksi jaringan saraf (NN) sedikit lebih baikdaripada yang diperoleh dengan model perpindahan massa berpori halus, mengurangi secara signifikanwaktu komputasi. Pengaruh tekanan, konsentrasi dan suhu umpanatas laju aliran permeat untuk proses RO menggunakan membran FilmTec SW30 luka spiraldiselidiki oleh Abbas dan Al-Bastaki. 

Percobaan yang berbeda dilakukan memvariasikan tiga parameter umpan yang disebutkan sebelumnya, sambil mempertahankan konstanlaju aliran umpan dan tekanan permeat. Jaringan saraf propagasi balik 3:5:1 adalahdilatih menggunakan nilai eksperimental yang diukur untuk suhu operasi ekstrem (yaitu,10 C dan 30 C), dan diuji dengan data yang sesuai dengan suhu antara(yaitu, 20 C). Laju aliran permeat yang diprediksi dan ditentukan secara eksperimental berkorelasilinier dengan kemiringan best line fit 1,08, dan koefisien determinasiR 2 = 0,989. Namun, ketika data eksperimen sesuai dengan suhu ekstrimnilai dipilih untuk set pengujian, dan jaringan dilatih dengan set data yang tersisa,model mengungkapkan kinerja yang buruk. Hasil ini mengkonfirmasi harapan bahwa ANNtidak dapat diterapkan untuk ekstrapolasi data (yaitu, rentang operasional yang tidak tercakup olehkumpulan data pelatihan)

Beberapa studi membahas masalah evolusi kinerja sistem selama prosesoperasi. Dornier dkk. mempelajari penggunaan jaringan saraf untuk kasus tebu mentahsistem mikrofiltrasi sirup gula, untuk mengintegrasikan efek kondisi hidrodinamik padaevolusi waktu resistensi hidrolik total membran. Menggunakan NN arsitektur dengan tiga input (yaitu, waktu, tekanan trans-membran dan kecepatan aliran silang),dua lapisan tersembunyi (masing-masing dengan 5 dan 3 neuron, sebagai hasil dari optimasiproses) dan satu output (yaitu, resistansi membran total), itu menunjukkan bahwa hasil terbaikdiperoleh ketika percobaan di pusat dan pinggiran rentang parametrik digunakan dalam melatih model berdasarkan kondisi operasi konstan. 

Untuk kasus ini, totalresistensi membran diprediksi dengan koefisien variasi 7,0% (didefinisikan sebagairasio antara kesalahan kuadrat rata-rata akar dan nilai rata-rata eksperimental, dinyatakan dalampersen), dan korelasi antara nilai prediksi dan eksperimen yang dicirikanoleh R 2 = 0,975. Kapasitas model jaringan saraf untuk mewakili evolusi proseskinerja di bawah kondisi operasi variabel juga diselidiki. Dalam hal ini,jaringan dilatih dengan empat percobaan yang berbeda dengan waktu filtrasi mulai dari140 hingga 180 jam, dan diuji menggunakan tiga set lainnya saat waktu filtrasi bervariasi dari 100 hingga180 jam. Nilai yang dapat diterima diperoleh untuk koefisien variasi dan koefisienpenentuan antara resistansi membran eksperimental dan yang diprediksi secara keseluruhanbasis data (masing-masing 16,1% dan 0,874). Namun, resistensi membran total tidak bisadireproduksi dengan baik untuk satu percobaan dengan dinamika yang berbeda dari yang digunakan dipelatihan. Selain itu, model tersebut diharapkan tidak dapat diterapkan di luar rentang waktudipertimbangkan dalam pelatihan (yaitu, maksimum 180 jam)

Razavi dkk. mempelajari kemampuan pendekatan jaringan saraf untuk simulasi dinamisultrafiltrasi susu crossflow di bawah kualitas pakan konstan. Menggunakan eksperimen laboratoriumdata, fluks permeat dan hambatan hidrolik total diprediksi sebagai fungsi dariwaktu operasi, pH dan persen lemak pakan. Serangkaian kondisi pemrosesan digunakan untukmengembangkan simulasi kurva tunggal untuk memungkinkan pemilihan jumlah danpengaturan titik pelatihan. Selanjutnya, 6 titik percobaan untuk setiap set umpankondisi kualitas, termasuk data yang sesuai dengan awal dan akhir filtrasiperiode, dipilih untuk melatih model jaringan saraf. Hasilnya, hanya menggunakan 10% daridata eksperimen untuk basis pembelajaran, model akurasi tinggi dibangun dengan rata-ratakesalahan relatif 1,06%

Delgrange dkk. menggunakan pemodelan jaringan saraf untuk minuman ultrafiltrasipabrik percontohan air untuk memprediksi hambatan hidrolik dan tekanan trans-membran diakhir siklus filtrasi dan pada awal yang berikutnya. Konfigurasi input terbaikparameter yang ditemukan termasuk kekeruhan air baku, suhu dan permeatlaju aliran. Karena riwayat proses mempengaruhi kinerja membran, informasi dariawal siklus dan dari akhir yang sebelumnya dipertimbangkan. Ramalankesalahan lebih rendah dari 5% diperoleh saat memodelkan kedua kasus reversibel dan ireversibel pengotoran. Meskipun kekeruhan adalah satu-satunya parameter kualitas air yang dianggap sebagai input, baikprediksi diperoleh juga ketika air umpan mengandung bahan organik, sebagai akibat darimempertimbangkan informasi sejarah. 

Dalam studi berikutnya, Delgrange-Vincent et al. mengembangkan model berdasarkan dua jaringan saraf feed-forward yang saling berhubungan dalam acara berulang, untuk memprediksi produktivitas pabrik percontohan ultrafiltrasi. Evolusidari total resistansi membran pada akhir setiap siklus operasional, dan pada awalsiklus baru setelah pencucian balik diprediksi berdasarkan parameter operasi filtrasi (yaitu,aliran permeat, waktu filtrasi), parameter kualitas air (yaitu, kekeruhan, oksigen terlarut,pH, serapan ultraviolet) dan parameter operasi backwash (yaitu, tekanan backwashdan konsentrasi klorin). Model memungkinkan prediksi yang baik bahkan dalam kasusmengubah kualitas air dan kondisi operasi, baik untuk pengotoran reversibel dan ireversibel,dengan 90% dari titik eksperimen diprediksi dengan kurang dari 10% kesalahan. 

Shetty dkk. menyelidiki penggunaan jaringan saraf untuk memprediksi evolusi waktu membranresistensi dalam proses nanofiltrasi air minum, untuk beberapa konfigurasi: datarlembaran membran, elemen spiral-luka tunggal dan ganda, baik untuk bangku dan skala penuhtes. Model berdasarkan arsitektur back-propagation, menerapkan Levenberg-Marquardtalgoritma pembelajaran dikembangkan untuk menghubungkan laju aliran influen (yaitu, jumlah air umpan danlaju aliran air pemulihan), fluks permeat, indeks total padatan terlarut (TDS), ultravioletabsorbansi pada 254 nm, pH dan suhu air umpan dan waktu operasional denganevolusi resistensi membran total. 

Ketika pemulihan bervariasi selama prosesoperasi, baik laju aliran umpan dan laju aliran influen dianggap sebagai parameter input.Adanya data eksperimen yang sesuai dengan nilai minimum dan maksimum masing-masingparameter input terjamin dalam set data pelatihan. Ditunjukkan bahwa hanya menggunakan 10% daripoin eksperimental untuk pelatihan memungkinkan prediksi 93% data dengan absolutkesalahan relatif di bawah 5%

Laju dinamis ultrafiltrasi aliran silang dispersi koloid yang diberi umpan konstankualitas diprediksi menggunakan JST oleh Bowen et al. Penurunan fluks permeat adalahdiprediksi berdasarkan kekuatan ion (yaitu, ukuran interaksi elektrostatik rata-rataantara ion dalam elektrolit), potensial zeta (yaitu, potensial elektrostatik yang dihasilkan olehakumulasi ion pada permukaan partikel koloid yang tersusun menjadilapisan ganda), waktu dan tekanan yang diterapkan. 

Dalam upaya pertama, jaringan saraf 4:12:1 adalah dilatih menggunakan 4 hingga 6 titik eksperimental dari profil filtrasi yang sesuai dengan ekstrem pH dan kondisi kekuatan ion, dan nilai tekanan tinggi, sedang dan rendah. Hampir 84% data eksperimen diprediksi dalam margin kesalahan 10%, dengan kesalahan rata-rata5,6%. Akurasi prediksi yang lebih baik diperoleh saat melatih jaringan 4:10:1 dengandata eksperimental yang sesuai dengan tekanan operasi ekstrem untuk setiap kekuatan ion pH kombinasi, dan tekanan operasi menengah untuk satu set kondisi solusi. Di dalamkasus, hampir 95% data eksperimen diprediksi dalam margin kesalahan 10%, dengan rata-rata kesalahan 3,6%. 

Chellam menyelidiki penggunaan JST dalam simulasi transienpenurunan fluks permeat yang disebabkan oleh koloid polidispersi selama kualitas pakan konstanmikrofiltrasi aliran silang. Pengotoran yang disebabkan oleh tiga jenis partikel yang kaku dan stabil dengan distribusi ukuran yang berbeda di bawah berbagai kondisi hidrodinamika adalahdianalisis. Fluks permeat sesaat dimodelkan sebagai fungsi dari umpan awalkonsentrasi, fluks umpan awal, laju geser masuk, tekanan trans-membran sesaatdan waktu filtrasi. Untuk masing-masing suspensi koloid, model JST individu adalahdilatih menggunakan nilai ekstrim dari parameter input. Menggunakan sekitar 23% dari data eksperimen untuk fase pelatihan, model yang akurat mampu memprediksi sebagian besar pengamatan (~95% dariseluruh kumpulan data) dengan kesalahan relatif kurang dari 10% dikembangkan.

LAYANAN ADY WATER

Jual silica gel minimal pembelian 1 kg. Ukuran sachet silica gel yang dijual 1 gram, 2 gram, 5 gram, 10 gram, 25 gram, 50 gram, 100 gram, 250 gram, 500 gram, 1 kilogram. Jual silica gel curah per karung 25 kilogram. Sudah suplai silica gel untuk kebutuhan bandara, industri sepatu, makanan (FOOD GRADE), gas separasi / kromatografi kolom, aquarium, kebutuhan pribadi, dll

Ady Water jual membran RO merek: CSM, VONTRON, LUSO, FILMTEC. 

Ady Water jual membran RO ukuran 50 GPD, 75 GPD, 100 GPD, 200 GPD, 400 GPD, 500 GPD, 1000 GPD, 2000 GPD, 5000 GPD, 10000 GPD, dan ukuran yang lebih besar. 

Ady Water menerima PROJECT untuk instalasi mesin reverse osmosis dan membran reverse osmosis untuk industri. 

Aplikasi membran RO untuk industri AMDK, industri Food & Beverage, Depot Air Minum Isi Ulang, dll. Ada tiga jenis membran RO: SWRO (Sea Water Reverse Osmosis), TWRO (Tap Water Reverse Osmosis), BWRO (Brackish Water Reverse Osmosis)

Nomor WA Sales Yang Mudah Dihubungi

Senang dapat membantu Anda, Semoga kami dapat segera menyelesaikan masalah air yang sedang Anda hadapi. Terimakasih

1. Ghani 0821 2742 4060

2. Yanuar 0812 2165 4304

3. Rusmana 0821 2742 3050

4. Fajri 0821 4000 2080

5. Kartiko 0812 2445 1004

6. Andri 0812 1121 7411

Alamat kantor/gudang Ady Water yang bisa dikunjungi langsung. 

Silahkan Bapak/Ibu mengunjungi alamat kantor/gudang kami. Kami akan melayani Anda dengan senang hati dan semoga dapat membantu masalah air yang sedang Anda hadapi. 

1. Alamat Bandung:

Jalan Mande Raya No. 26, RT/RW 01/02 Cikadut-Cicaheum, Bandung 40194

2. Alamat Jakarta Timur

Jalan Tanah Merdeka No. 80B, RT.15/RW.5 Rambutan, Ciracas, Jakarta Timur 13830

3. Alamat Jakarta Barat

Jalan Kemanggisan Pulo 1, No. 4, RT/RW 01/08, Kelurahan Pal Merah, Kecamatan Pal Merah, Jakarta Barat, 11480

Katalog Ady Water

http://bit.ly/KatalogAdyWater