论文部分内容阅读
膜分离过程作为一门新型的分离、浓缩、提纯及净化高新技术，具有能耗低、单级分离效率高、过程简单、不污染环境等优点，它已成为解决当代能源、资源和环境污染等问题的重要高新技术及可持续发展的技术基础。但在膜的实际应用中常常被膜污染的存在却限制了膜自动化、规模化、最优化的应用，因此准确地实现预测膜污染存在的情况下膜组件通量的变化规律就成为膜领域内亟待解决的重要问题之一。实际水处理过程中常见的多组分系统从过滤初期到达最终状态之前是一个非平衡的动态过程，所以传统的理论模型无法完成对这个过程的描述。基于直接分析实验数据的统计方法显示出了它的优势，神经网络就是这些方法中的一种。本论文探索用BP网络对超滤过程的膜通量随时间变化状态进行模拟。本研究采用超滤膜为美国Milliporc公司的截留分子量(MWCO)十万的板式膜，材质为聚偏氟乙烯(PVDF)，进行不同条件下的混凝超滤组合实验。为了提高实验精度，本实验采用超滤自动控制与监测系统，实现了操作条件的自动控制和实验数据的自动采集。利用实验数据并首次采用B-P传统算法、动量一自适应学习率调整算法和Levenberg-Marquardt算法，同时进行建模，比较三种算法的优劣。结果表明，新算法Levenberg-Marquardt算法网络预测时间最短，精度最高。另外，本文使用MATHCAD数学分析软件，利用实验数据对4个理论模型，标准堵塞模型、完全堵塞模型、中间堵塞模型、滤饼层模型中的参数进行求取，根据平均相对误差来分析模拟精度，并用最佳理论模型的结果与神经网络模型进行对比，结果显示利用7对数据建立的神经网络模型的误差为0.71％，低于用181对数据推求出来的滤饼层模型的误差0.81％。