基于神经网络的纳滤膜通量预测

论文摘要

随着科学技术的日新月异,城市自来水作为水源制取直饮水正成为可能。其中,纳滤技术以其低操作压力、高产水量及出水水质好受到人们的青睐。实际水处理过程中,影响纳滤分离性能的因素很多,它们之间存在复杂的非线性关系。通过配水的方式得到的很多纳滤通量理论模型有其各自的适用体系,或是结构参数多、计算复杂。对于多组分的自来水,目前还没有很好的理论模型予以通量估算或预测,因为导致产水通量下降的因素包括水质条件、膜材料性能及操作条件,且.它们之间往往是互相作用和影响。如何准确预测水通量,从而为膜污染的判定提供理论依据成为纳滤开发研究领域内亟特解决的问题之一。神经网络以其强大的非线性计算能力以及直接分析实验数据的统计方法正逐渐受到广大膜科学工作者的重视。以大连市自来水作为水源,采用北京时代沃顿有限公司生产的芳香聚酰胺VNF-1812（?）内滤膜,以时间为主轴进行了720h的纳滤实验。首先研究了操作压力、时间、进水水温及回收率对纳滤膜通量变化的影响。然后以时间、温度、pH、压差、进水电导、进水流量、TOC作为输入,出水通量作为输出建立了七种神经网络膜通量预测模型,并对各种模型参数设定进行了研究,确定了最优通量预测效果模型。最后,用非平衡热力学模型对膜通量进行了估算,并将其与神经网络的预测作了优劣比较。结果表明,经过学习训练的神经网络较理论模型具有良好的泛化能力,可以很好的预测膜的产水通量。基于LM算法的BP网络和RBF网络运算速度快,操作简便；从运算精度及各项指标来看,具有LM算法的BP网络效果最好；从实用性角度来看,时间序列的神经网络具有很好的现实指导意义,能为膜性能的变化提供实时的预测。理论模型预测的水通量误差较大,对自来水的纳滤过程还需要不断的完善,与理论模型相比,神经网络运算快、精度高。因此,神经网络在膜通量预测及指导膜性能变化方面有着较明显的优势。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 纳滤及其模型介绍
• 1.1 我国城市自来水现状及水处理技术
• 1.1.1 我国城市自来水现状
• 1.1.2 家用自来水处理技术发展阶段
• 1.2 膜科学技术发展简况
• 1.3 膜的分类
• 1.4 纳滤膜
• 1.4.1 纳滤膜的一般特点
• 1.4.2 纳滤膜材料分类及其组件
• 1.4.3 纳滤膜研究体系及其应用现状
• 1.5 已研究的纳滤模型
• 1.5.1 膜基本理论
• 1.5.2 非平衡热力学模型
• 1.5.3 CFSK模型
• 1.5.4 Donnan平衡模型
• 1.5.5 溶解-扩散模型
• 1.5.6 电荷模型
• 1.5.7 细孔模型
• 1.5.8 静电位阻模型
• 1.5.9 杂化模型
• 1.5.10 其它模型介绍
• 1.6 本章小节
• 第二章 人工神经网络
• 2.1 人工神经网络介绍
• 2.2 人工神经网络发展的历史回顾
• 2.3 人工神经网络的应用
• 2.4 人工神经网络的学习方法
• 2.4.1 学习方式
• 2.4.2 学习规则
• 2.5 神经网络分类
• 2.6 神经网络模型
• 2.6.1 线性神经网络
• 2.6.2 BP神经网络
• 2.6.3 径向基函数神经网络
• 2.7 运用工具箱设计网络的原则和过程
• 2.8 神经网络在膜科学中的应用现状
• 2.9 常规数学模型与神经网络模型的比较
• 2.10 神经网络应用于纳滤膜的思路
• 第三章 纳滤实验
• 3.1 前言
• 3.2 实验仪器及试剂
• 3.2.1 实验仪器
• 3.2.2 实验试剂
• 3.3 纳滤膜的选择及水质指标测定方法
• 3.3.1 纳滤膜的选择
• 3.3.2 水质指标测定方法
• 3.4 纳滤实验
• 3.4.1 实验装置及进水水质
• 3.4.2 实验条件的确定
• 3.5 实验结果讨论
• 3.5.1 膜通量衰减与运行随时间的关系
• 3.5.2 进出水电导率变化情况
• 3.5.3 进出水pH的变化情况
• 3.5.4 进出水TOC的变化情况
• 3.6 本章小节
• 第四章 基于神经网络的膜通量预测
• 4.1 神经网络的设计
• 4.1.1 输入变量和输出变量的选择
• 4.1.2 隐层层数的选择
• 4.1.3 隐层节点数的确定
• 4.1.4 网络参数的设计
• 4.2 实验数据的采集及处理
• 4.2.1 实验数据采集
• 4.2.2 实验数据处理
• 4.3 网络训练效果评判
• 4.4 基于线性网络的膜通量预测
• 4.5 基于BP网络的膜通量预测
• 4.5.1 基于自适应修改学习率算法的膜通量预测
• 4.5.2 基于比例共轭梯度算法的膜通量预测
• 4.5.3 基于动量批梯度下降算法的膜通量预测
• 4.5.4 基于Levenberg-Marquardt（LM）算法的膜通量预测
• 4.6 基于RBF网络的膜通量预测
• 4.7 基于时间序列神经网络的膜通量预测
• 4.8 理论模型膜通量预测
• 4.9 本章小节
• 第五章 总结与展望
• 参考文献
• 附录 产水量标准化温度校正系数表
• 攻读硕士学位期间发表的学术论文
• 致谢