بکارگیری مدل سازی الگوریتم ژنتیک - شبکه عصبی مصنوعی جهت پیشگویی شار تراوه، دفع کلرید سدیم و مقاومت هیدرولیکی کل در فرآیند نانوفیلتراسیون

در این پژوهش اثر پارامترهای عملیاتی (دما و فشار) و خصوصیات خوراک (غلظت خوراک و pH) بر کارایی فرآیند نانوفیلتراسیون (شار تراوه، دفع کلرید سدیم و مقاومت هیدرولیکی کل) مورد بررسی قرار گرفته و روش الگوریتم ژنتیک - شبکه عصبی مصنوعی برای مدل سازی این پارامترها در طی فرآیند نانوفیلتراسیون فاضلاب حاصل از احیاء رزین های تبادل یونی ستون های رنگبری صنعت قند مورد استفاده قرار گرفته است. جهت انجام آزمایشات از غشاء لوله ای پلی آمیدی مدل AFC80 ساخت شرکت PCI استفاده گردید. به منظور پیشگویی شار تراوه، دفع کلرید سدیم و مقاومت هیدرولیکی کل از شبکه عصبی پرسپترون چند لایه پیشخور با 4 ورودی و 3 خروجی استفاده شد. از روش الگوریتم ژنتیک جهت بهینه سازی تعداد نرون ها در لایه مخفی شبکه عصبی مصنوعی استفاده گردید. نتایج نشان داد با افزایش اختلاف فشار عرضی و غلظت خوراک مقاومت هیدرولیکی کل افزایش می یابد. همچنین با افزایش دمای فرآیند و pH خوراک، شار تراوه افزایش پیدا می کند، در حالی که مقاومت هیدرولیکی کل کاهش می یابد. میانگین شار تراوه kg/m2h 7/3±7/7 به دست آمد. درصد دفع کلرید سدیم بین 16 تا 7/42% بود. نتایج مدل سازی به روش الگوریتم ژنتیک - شبکه عصبی مصنوعی نشان داد که ترکیب شبکه عصبی مصنوعی با الگوریتم ژنتیک نتیجه بهتری را ارائه می کند و با ترکیب آن ها سرعت تحلیل و دقت مدل سازی افزایش می یابد. با استفاده از شبکه ای با تعداد 24 نرون در یک لایه پنهان، تابع فعال سازی سیگموئیدی و درصد داده های به کار رفته برای تربیت/ آزمون / ارزیابی برابر 30/20/50 می توان به خوبی شار تراوه (98/0r=)، دفع کلرید سدیم (94/0r=) و مقاومت هیدرولیکی کل (96/0r=) در طی نانوفیلتراسیون فاضلاب ستون رنگبری را پیشگویی نمود.