基于人工神經(jīng)網(wǎng)絡(luò)的死端微濾膜通量及污染研究.pdf

1、本文在自制的體積為200ml,過濾面積為0.0024m2的死端微濾裝置上,分別使用孔徑為0.1μmPVDF和0.2μmPES的膜在不同操作條件(操作壓力：0.04～0.16MPa、0.04～0.12MPa;溫度：20～30℃、20～45℃；料液濃度：0.5～2.0g·L-1、0.3～2.0g·L-1)下對BSA溶液和酵母懸浮液進行了過濾實驗,并對各個操作條件下的死端微濾BSA溶液膜通量、酵母懸浮液膜通量及酵母懸浮液比阻進行了研究。研究步

2、驟分為四步：首先通過作圖確定了BSA溶液膜通量/酵母懸浮液膜通量/酵母懸浮液比阻隨不同操作條件的變化規(guī)律；然后采用多元線性回歸方法對回歸系數(shù)進行適當(dāng)處理得到標(biāo)準(zhǔn)化影響因子,根據(jù)各參變量系數(shù)、膜通量/比阻因子的方向和大小,對影響膜通量/比阻的操作條件進行了分析,確定了不同操作條件對BSA溶液膜通量/酵母懸浮液膜通量/酵母懸浮液比阻的定量影響程度；在定量影響程度被確定的基礎(chǔ)上,再利用人工神經(jīng)網(wǎng)絡(luò)方法建立了不同操作條件與BSA溶液膜通量/酵母

3、懸浮液微濾膜通量/酵母懸浮液比阻的基本BP和RBF神經(jīng)網(wǎng)絡(luò)模型,并對這兩個神經(jīng)網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化,得到了較優(yōu)的BP和RBF神經(jīng)網(wǎng)絡(luò)模型,最后以平均絕對相對誤差和相關(guān)系數(shù)作為衡量指標(biāo),對這兩個神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度進行了比較。研究結(jié)果表明： 對于BSA溶液膜通量來說,(1)BSA溶液膜通量隨溫度升高而增大,隨料液濃度的增大而減小。隨著操作壓力的增大,BSA溶液膜通量在不同料液濃度下表現(xiàn)出差異性,料液濃度為0.5～1.0g·L-1

4、范圍內(nèi),膜通量隨操作壓力的增大而增大。料液濃度為2.0g·L-1時,操作壓力在0.04～0.10MPa范圍內(nèi),膜通量隨操作壓力增大而增大,操作壓力在0.10～0.16MPa范圍內(nèi),膜通量隨操作壓力的增大先減小后增大。但對于不同料液濃度,總體上BSA溶液膜通量隨操作壓力的增大而增大。隨著料液濃度的增加,溫度的影響程度增加,操作壓力的影響程度減小。溫度、操作壓力和料液濃度的影響程度從大到小依次為操作壓力(69％)、溫度(18％)和料液濃度(

5、13％);(2)較優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型的拓樸結(jié)構(gòu)為3-9-1,隱層神經(jīng)元個數(shù)為9,學(xué)習(xí)率為0.05,學(xué)習(xí)函數(shù)為traingdx,隱層到輸出層傳遞函數(shù)為logsig,此神經(jīng)網(wǎng)絡(luò)模型對BSA溶液膜通量預(yù)測的平均絕對相對誤差為2.35％,相關(guān)系數(shù)為0.9960;(3)較優(yōu)RBF神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)設(shè)計函數(shù)為newrbe,散布常數(shù)為400,此神經(jīng)網(wǎng)絡(luò)模型對BSA溶液膜通量預(yù)測的平均絕對相對誤差為6.08％,相關(guān)系數(shù)為0.9729：(4)在本論文實驗

6、范圍內(nèi),利用所得較優(yōu)神經(jīng)網(wǎng)絡(luò)模型,對BSA溶液膜通量進行預(yù)測時,通過對比預(yù)測的平均絕對相對誤差和預(yù)測相關(guān)性,發(fā)現(xiàn)采用BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)模型。對于酵母懸浮液膜通量來說,(1)酵母懸浮液膜通量隨溫度升高而增大,隨料液濃度的增大而減小。隨著操作壓力的增大,膜通量出現(xiàn)先增大后減小,操作壓力為0.02～0.1 MPa范圍內(nèi),膜通量隨操作壓力的增大而增大,在0.02～0.1MPa范圍內(nèi)有略所下降。但總體上是上升的趨勢。溫度、操作壓力

7、和料液濃度對膜通量的影響程度從大到小依次為料液濃度(86.80％)、操作壓力(10.12％)和溫度(3.08％);(2)運用較優(yōu)BSA溶液膜通量的BP神經(jīng)網(wǎng)絡(luò)模型對酵母懸浮液膜通量進行預(yù)測時,平均絕對相對誤差可達3.14％,相關(guān)系數(shù)為0.997;(3)運用較優(yōu)BSA溶液膜通量的RBF神經(jīng)網(wǎng)絡(luò)模型對酵母懸浮液膜通量進行預(yù)測時,效果不佳,通過進一步的優(yōu)化發(fā)現(xiàn)較優(yōu)的散布常數(shù)為170,此時的預(yù)測平均絕對誤差和相關(guān)系數(shù)分別為10.98％和0.99

8、23;(4)在本論文實驗范圍內(nèi),利用較優(yōu)BP和RBF神經(jīng)網(wǎng)絡(luò)模型對膜通量進行預(yù)測時,通過對比預(yù)測的平均絕對相對誤差和相關(guān)系數(shù),發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)模型。 對于酵母懸浮液比阻來說,(1)酵母懸浮液比阻隨著操作壓力的增加而增加,隨料液濃度的變化規(guī)律性較復(fù)雜,在0.3～1.0g·L-1范圍內(nèi),隨料液濃度的增加而增加,但在1.0～2.0g·L-1范圍內(nèi),比阻將呈現(xiàn)下降趨勢。溫度對比阻的影響基本呈下降的趨勢。操作壓力、料

9、液濃度和溫度對比阻的影響從大到小的順序依次是操作壓力(75.31％)、料液濃度(12.89％)和溫度(11.8％);(2)較優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型的拓樸結(jié)構(gòu)為3-7-1。隱層神經(jīng)元個為7,學(xué)習(xí)率為0.05,學(xué)習(xí)函數(shù)為traingdx,隱層到輸出層傳遞函數(shù)為Logsig,此神經(jīng)網(wǎng)絡(luò)模型對酵母懸浮液比阻預(yù)測的平均絕對相對誤差為3.55％,相關(guān)系數(shù)為0.9960;(3)較優(yōu)RBF神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)設(shè)計函數(shù)為newrbe,散布常數(shù)為9900,此時預(yù)