新型分离技术 第二版课件 教学课件 ppt 作者 陈欢林 主编膜技术的一些新进展.pptVIP

膜科学的一些新进展 主要内容 计算机模拟在膜科学中的应用 人工神经网络 分子模拟 可食性膜材料 神经网络 神经网络 神经网络是一种旨在模仿人脑结构及其功能的信息处理系统，由大量简单的信息处理单元(节点，也称神经元)广泛连接而成。这些节点以层状结构组织，每层含若干个节点，每个节点通过连接权重接收来自前一层节点的信息，再通过转移函数作用后向下一层节点输出。 典型的神经元网络 神经网络 神经网络在使用之前需要使用一定数目的样本(输入、输出数据对)对其进行训练(学习)，网络在训练过程中学习输入与输出间的内在规律。训练好的网络以权矩阵的方式记忆学习到的规律，并能在使用时根据新的输入给出准确的响应输出。 误差反向传播网络 在学习过程中，输入信息从输入层通过隐层传向输出层，如果输出层得不到期望输出，则转入误差反向传播：将误差信号沿原路返回，并以此位依据修改各节点间的连接权重，使误差信号减小，如此反复，至误差在设定的范围内。 神经网络在膜技术中的应用 膜过程是一个与物系性质、膜的结构形态以及操作条件等多因素相关的过程，膜过程的模型化较为困难； 神经网络技术具有自学习功能，是非线性映射的工具，已经在MF、UF、NF、RO等过程中得到应用。 神经网络在MF中的应用 MF的特点 MF是最早实现工业化应用的膜分离过程，广泛应用于制药行业的除菌和电子工业高纯水制备。膜污染是MF过程中的一个常见现象，涉及对流传质、扩散传质、流体力学以及膜与溶质间相互作用等多个因素，建立传递模型较为困难。 神经网络在MF中的应用 1995年，Dornier首次将神经网络技术应用于MF过程：描述蔗糖溶液的陶瓷膜错流MF过程的膜污染规律。 网络设有3个输入节点(跨膜压差Δp、错流流速u和时间t)和一个表征膜污染程度参数的输出节点(流体动力学阻力Rt)； 隐层结构通过实验数据进行训练和测试，隐层节点数为8的单隐层网络与隐层节点数分别为5和3的双隐层网络具有很好的预测效果。 神经网络在MF中的应用 描述MF过程的双隐层神经网络 神经网络在MF中的应用 Piron对酵母粉在NaCl溶液中的悬浮液的管式膜MF实验进行了研究，将单纯的神经网络模型和神经网络与物理模型的杂化模型的预测能力进行了比较，杂化模型中运用两个独立的神经网络分别计算扩散层浓度梯度和滤饼层比阻力，并将它们作为一个基于反向传递与质量衡算的物理模型的参数，杂化模型准确性优于单纯的神经网络模型，但依赖于物理模型假设的正确性。 神经网络在MF中的应用 杂化网络计算结果 神经网络在UF中的应用 UF的特点 UF被广泛地用于食品、医药、水处理以及生物技术领域，膜污染也是UF过程中一个最为主要的问题； 传统的模型方法在描述UF过程时会遇到数学形式复杂、需要溶液的详细理化性质等困难，且难以获得理想的效果。 神经网络在UF中的应用 1995年，Niemi首次在UF过程研究中采用神经网络，采用单隐层误差反向传播网络研究UF处理牛皮纸浆漂白废水，模拟效果好，奠定了采用神经网络技术模拟UF过程的基础。 神经网络在UF中的应用 Bowen基于一系列牛血清溶液和二氧化硅胶体的死端流UF实验，建立预测蛋白质溶液和胶体UF过程的动态过滤特性的神经网络模型。 神经网络在NF中的应用 NF的特点： NF膜的截留分子量介于UF和RO之间，且对无机电解质也具有一定的截留效果，NF过程的分离机理主要依赖于筛分效应和电荷效应，关于NF过程的模型有很多，但很多情况下不能很好地描述NF过程，采用神经网络技术可以解决该问题。 神经网络在NF中的应用 Bowen建立了预测NF膜对无机盐结论的单隐层前馈神经网络模型，特别为部分输入和输出神经元设置了开关，根据输入数据的类型来控制其闭合，使得该网络能预测单组分容易与混合物容易两种情况下的截留率。 神经网络在RO中的应用 Jafar等研究了海水淡化过程中使用神经网络的可能性，使用径基函数网络来预测RO淡化厂的产水质量，该控制方案被用于美国Florida州一个RO淡化工厂后，将工厂的开工率提高了5%。 神经网络应用的注意点 神经网络在膜过程中的应用，其训练样本的质量对网络的预测能力影响很大，通常选择那些信息密度大的点作为训练样本，例如，极值点、大曲率位置上的点等。尽管神经网络是一种黑箱模型，但对过程机理的认识液可以帮助恰当地选择输入参数，并在需要的时候对输入参数进行一定形式的变换，以降低网络训练的难度。 分子模拟 分子模拟 分子模拟的概念 分子模拟是个广泛的概念，主要包括基于量子力学的模拟和基于统计力学的模拟； 量子力学模拟主要是计算量子化学(computational quantum chemistry，CQC)； 统计力学模拟包括两个方法：分子动力学模拟(molecular dynami