Data driven identification of industrial reverse osmosis membrane process

Abstract

Çevrimiçi ölçümler kullanılarak başlıca kirlenme nedenlerini ve etkilerini karakterize etmek için karmaşık bir endüstriyel ters ozmoz membran işleminin tanımlanması için dinamik bir Yapay Sinir Ağı (YSA) geliştirilmiştir. YSA eğitimi ve doğrulaması için kullanılan tarihsel veriler, tesisteki bazı besleme özellikleri ve ölçülen proses değişkenleri hakkında 4 yıllık verileri içerir ve bunlar nihai ürün suyu akışı üzerinde etkileşimli, doğrusal olmayan ve sonucunda kirlenmenin meydana geldiği bir etkiye sahiptir. YSA formülasyonu, kısa vadede dinamik rejimi hesaba katmak için mevcut ve bir önceki haftanın çevrimiçi ölçümlerini alıp bir ve iki hafta sonraki ürün suyu akış tahminini yapmaktadır. Model performansı, ters ozmoz mebranların yıkama döngüsünün başı, ortası ve sonları dahil olmak üzere yeni ve rejenere membranlarda proses ömrü boyunca tatmin edicidir. Membranlarda kirliliğin göstergelerinden biri olan ürün suyu akışının üzerinde yüksek etkiye sahip değişkenleri belirlemek için bir duyarlılık analizi yapıldı. Duyarlılık analizine göre, kartuş filtre basınçları ve pH, ürün suyu akışı üzerinde en yüksek etkiye sahiptir. Karmaşık, çok değişkenli ve doğrusal olmayan yapıdaki değişkenlerin, belirli bir aralıkta prosese etkisini göstermek amacıyla tesisin çalışma çerçevesi hesaplanmıştır. Sonuçlar, mevcut literatüre nicel ve sezgisel olarak paralel sonuçlar gösterir ve büyük ölçekli endüstriyel proses için kirlenmenin temel sebepleri hakkında önemli bilgiler sağlar.A dynamic Artificial Neural Network (ANN) is developed for the identification of a complex industrial reverse osmosis membrane process to characterize the major fouling causes and their impacts using online measurements. The historical data used, for the ANN training and validation, includes 4-year-data on some feed properties and measured process variables in the plant, which have an interacting and nonlinear impact on the ultimate permeate flow, in turn fouling. The ANN formulation takes the current and previous week's online measurements to account for the dynamic regime and provides one-week and two-week ahead permeate flow predictions. The model performance is satisfactory at new and regenerated membranes in process lifetime, including early, middle and late of the cycle. A sensitivity analysis is provided to determine the variables with high impact on the permeate flow, and thus the fouling. Based on the sensitivity analysis, cartridge filter pressures and pH have the highest impact on the permeate flow rate. Plant operating window is also calculated to demonstrate the impact of the changes of those for a typical range under such complex multivariable and nonlinear nature. The results show quantitative and intuitively parallel conclusions to existing literature and provide significant insight on the major components of fouling in an industrial and large-scale process.