基于人工神經網絡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進行適當處理得到標準化影響因子,根據各參變量系數、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上,再利用人工神經網絡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神經網絡模型,并對這兩個神經網絡模型參數進行優(yōu)化,得到了較優(yōu)的BP和RBF神經網絡模型,最后以平均絕對相對誤差和相關系數作為衡量指標,對這兩個神經網絡模型的預測精度進行了比較。研究結果表明： 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出差異性,料液濃度為0.5～1.0g·L-1

4、范圍內,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,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,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神經網絡模型的拓樸結構為3-9-1,隱層神經元個數為9,學習率為0.05,學習函數為traingdx,隱層到輸出層傳遞函數為logsig,此神經網絡模型對BSA溶液膜通量預測的平均絕對相對誤差為2.35％,相關系數為0.9960;(3)較優(yōu)RBF神經網絡模型的網絡設計函數為newrbe,散布常數為400,此神經網絡模型對BSA溶液膜通量預測的平均絕對相對誤差為6.08％,相關系數為0.9729：(4)在本論文實驗

6、范圍內,利用所得較優(yōu)神經網絡模型,對BSA溶液膜通量進行預測時,通過對比預測的平均絕對相對誤差和預測相關性,發(fā)現采用BP神經網絡模型優(yōu)于RBF神經網絡模型。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,膜通量出現先增大后減小,操作壓力為0.02～0.1 MPa范圍內,膜通量隨操作壓力的增大而增大,在0.02～0.1MPa范圍內有略所下降。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神經網絡模型對酵母懸浮液膜通量進行預測時,平均絕對相對誤差可達3.14％,相關系數為0.997;(3)運用較優(yōu)BSA溶液膜通量的RBF神經網絡模型對酵母懸浮液膜通量進行預測時,效果不佳,通過進一步的優(yōu)化發(fā)現較優(yōu)的散布常數為170,此時的預測平均絕對誤差和相關系數分別為10.98％和0.99

8、23;(4)在本論文實驗范圍內,利用較優(yōu)BP和RBF神經網絡模型對膜通量進行預測時,通過對比預測的平均絕對相對誤差和相關系數,發(fā)現BP神經網絡模型優(yōu)于RBF神經網絡模型。 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)律性較復雜,在0.3～1.0g·L-1范圍內,隨料液濃度的增加而增加,但在1.0～2.0g·L-1范圍內,比阻將呈現下降趨勢。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神經網絡模型的拓樸結構為3-7-1。隱層神經元個為7,學習率為0.05,學習函數為traingdx,隱層到輸出層傳遞函數為Logsig,此神經網絡模型對酵母懸浮液比阻預測的平均絕對相對誤差為3.55％,相關系數為0.9960;(3)較優(yōu)RBF神經網絡模型的網絡設計函數為newrbe,散布常數為9900,此時預