Modeling the reserve osmosis processes performance using artificial neural networks

Libotean, Dan Mihai

Pertenece a la colección TDX:SerieTesis

TÍTULO:

Modeling the reserve osmosis processes performance using artificial neural networks - TDX:337

Handle:

http://hdl.handle.net/20.500.11797/TDX337

Fecha:	2007-11-14
Departamento/Instituto:	Departament d'Enginyeria Química Universitat Rovira i Virgili.
Director:	Giralt i Marcé, Jaume
Autor:	Libotean, Dan Mihai
Título:	Modeling the Reverse Osmosis Processes Performance using Artificial Neural Networks Modeling the reserve osmosis processes performance using artificial neural networks

Descripción:	One of the more serious problems encountered in reverse osmosis (RO) water treatment processes is the occurrence of membrane fouling, which limits both operation efficiency (separation performances, water permeate flux, salt rejection) and membrane life‐time. The development of general deterministic models for studying and predicting the development of fouling in full‐scale reverse osmosis plants is burden due to the complexity and temporal variability of feed composition, diurnal variations, inability to realistically quantify the real‐time variability of feed fouling propensity, lack of understanding of both membrane‐foulants interactions and of the interplay of various fouling mechanisms. A viable alternative to the theoretical approaches is constituted by models developed based on direct analysis of experimental data for predicting process operation performance. In this regard, the use of artificial neural networks (ANN) seems to be a reliable option. Two approaches were considered; one based on characterizing the organic compounds passage through RO membranes, and a second one based on modeling the dynamics of permeate flow and separation performances for a full‐scale RO desalination plant.Organic solute sorption, permeation and rejection by RO membranes from aqueous solutions were studied via artificial neural network based quantitative structure‐property relationships (QSPR) for a set of 50 organic compounds for polyamide and cellulose acetate membranes. The separation performance for the organic molecules was modeled based on available experimental data achieved by radioactivity measurements to determine the solute quantity in feed, permeate and sorbed by the membrane. Solute rejection was determined from a mass balance on the Una de las aplicaciones más importante de los procesos de filtración por membrana es en el área de tratamiento de agua por ultrafiltración, nanofiltración u ósmosis inversa. Entre los problemas más serios encontrados en estos procesos destaca la aparición de los fenómenos de ensuciamiento y envejecimiento de las membranas que limitan la eficacia de la operación tanto en la separación de los solutos, como en el flujo de permeado, afectando también el ciclo de vida de las membranas.Para reducir el coste de la producción y mejorar la robustez y eficacia de estos procesos es imprescindible disponer de modelos capaces de representar y predecir la eficiencia y el comportamiento de las membranas durante la operación. Una alternativa viable a los modelos teóricos, que presentan varias particularidades que dificultan su postulado, la constituyen los modelos basados en el análisis de los datos experimentales, entre cuales destaca el uso de las redes neuronales. Dos metodologías han sido evaluadas e investigadas, una constando en la caracterización de las interacciones entre las membranas y los compuestos orgánicos presentes en el agua de alimentación, y la segunda basada en el modelado de la dinámica de operación de las plantas de desalinización por ósmosis inversa.Relaciones cuantitativas estructura‐propiedad se han derivado usando redes neuronales de tipo back‐propagation, para establecer correlaciones entre los descriptores moleculares de 50 compuestos orgánicos de preocupación para la salud pública y su comportamiento frente a 5 membranas comerciales de ósmosis inversa, en términos de permeación, absorción y rechazo. Para reducir la dimensión del espacio de entrada, y para evitar el uso de la información redundante en el entrenamiento de los modelos, se han usado
Tipo:	info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/doctoralThesis
Coautor:	Departament d'Enginyeria Química Universitat Rovira i Virgili.
Títol:	Modeling the reserve osmosis processes performance using artificial neural networks
Idioma:	eng
Materia:	62 - Enginyeria. Tecnologia 54 - Química
Formato:	application/pdf
Autor:	Libotean, Dan Mihai
Derechos:	info:eu-repo/semantics/openAccess ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al repositori institucional de la Universitat Rovira i Virgili. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a aquest repositori (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
Fecha:	2007-11-14
Editor:	Universitat Rovira i Virgili
Materia:	62 - Enginyeria. Tecnologia 54 - Química
Idioma:	eng
Editor:	Universitat Rovira i Virgili
Fuente:	TDX (Tesis Doctorals en Xarxa)
Identificador:	urn:isbn:9788469127018 http://hdl.handle.net/10803/8555
Formato:	application/pdf
Palabra clave:	reverse osmosis membrane process fouling neural networks QSPR organic chemical passage organic rejection water desalination flux decline prediction

Busca tu registro en:

Archivos desponibles
Archivo	Descripción	Formato
Memoria	Memoria	application/pdf

Todos los objetos de esta colección

Información