基于人工神经网络的死端微滤膜通量及污染研究

摘要

本文在自制的体积为200ml,过滤面积为0.0024m2的死端微滤装置上,分别使用孔径为0.1μmPVDF和0.2μmPES的膜在不同操作条件(操作压力：0.04～0.16MPa、0.04～0.12MPa;温度：20～30℃、20～45℃；料液浓度：0.5～2.0g·L-1、0.3～2.0g·L-1)下对BSA溶液和酵母悬浮液进行了过滤实验,并对各个操作条件下的死端微滤BSA溶液膜通量、酵母悬浮液膜通量及酵母悬浮液比阻进行了研究。研究步骤分为四步：首先通过作图确定了BSA溶液膜通量/酵母悬浮液膜通量/酵母悬浮液比阻随不同操作条件的变化规律；然后采用多元线性回归方法对回归系数进行适当处理得到标准化影响因子,根据各参变量系数、膜通量/比阻因子的方向和大小,对影响膜通量/比阻的操作条件进行了分析,确定了不同操作条件对BSA溶液膜通量/酵母悬浮液膜通量/酵母悬浮液比阻的定量影响程度；在定量影响程度被确定的基础上,再利用人工神经网络方法建立了不同操作条件与BSA溶液膜通量/酵母悬浮液微滤膜通量/酵母悬浮液比阻的基本BP和RBF神经网络模型,并对这两个神经网络模型参数进行优化,得到了较优的BP和RBF神经网络模型,最后以平均绝对相对误差和相关系数作为衡量指标,对这两个神经网络模型的预测精度进行了比较。研究结果表明： 对于BSA溶液膜通量来说,(1)BSA溶液膜通量随温度升高而增大,随料液浓度的增大而减小。随着操作压力的增大,BSA溶液膜通量在不同料液浓度下表现出差异性,料液浓度为0.5～1.0g·L-1范围内,膜通量随操作压力的增大而增大。料液浓度为2.0g·L-1时,操作压力在0.04～0.10MPa范围内,膜通量随操作压力增大而增大,操作压力在0.10～0.16MPa范围内,膜通量随操作压力的增大先减小后增大。但对于不同料液浓度,总体上BSA溶液膜通量随操作压力的增大而增大。随着料液浓度的增加,温度的影响程度增加,操作压力的影响程度减小。温度、操作压力和料液浓度的影响程度从大到小依次为操作压力(69％)、温度(18％)和料液浓度(13％);(2)较优BP神经网络模型的拓朴结构为3-9-1,隐层神经元个数为9,学习率为0.05,学习函数为traingdx,隐层到输出层传递函数为logsig,此神经网络模型对BSA溶液膜通量预测的平均绝对相对误差为2.35％,相关系数为0.9960;(3)较优RBF神经网络模型的网络设计函数为newrbe,散布常数为400,此神经网络模型对BSA溶液膜通量预测的平均绝对相对误差为6.08％,相关系数为0.9729：(4)在本论文实验范围内,利用所得较优神经网络模型,对BSA溶液膜通量进行预测时,通过对比预测的平均绝对相对误差和预测相关性,发现采用BP神经网络模型优于RBF神经网络模型。对于酵母悬浮液膜通量来说,(1)酵母悬浮液膜通量随温度升高而增大,随料液浓度的增大而减小。随着操作压力的增大,膜通量出现先增大后减小,操作压力为0.02～0.1 MPa范围内,膜通量随操作压力的增大而增大,在0.02～0.1MPa范围内有略所下降。但总体上是上升的趋势。温度、操作压力和料液浓度对膜通量的影响程度从大到小依次为料液浓度(86.80％)、操作压力(10.12％)和温度(3.08％);(2)运用较优BSA溶液膜通量的BP神经网络模型对酵母悬浮液膜通量进行预测时,平均绝对相对误差可达3.14％,相关系数为0.997;(3)运用较优BSA溶液膜通量的RBF神经网络模型对酵母悬浮液膜通量进行预测时,效果不佳,通过进一步的优化发现较优的散布常数为170,此时的预测平均绝对误差和相关系数分别为10.98％和0.9923;(4)在本论文实验范围内,利用较优BP和RBF神经网络模型对膜通量进行预测时,通过对比预测的平均绝对相对误差和相关系数,发现BP神经网络模型优于RBF神经网络模型。 对于酵母悬浮液比阻来说,(1)酵母悬浮液比阻随着操作压力的增加而增加,随料液浓度的变化规律性较复杂,在0.3～1.0g·L-1范围内,随料液浓度的增加而增加,但在1.0～2.0g·L-1范围内,比阻将呈现下降趋势。温度对比阻的影响基本呈下降的趋势。操作压力、料液浓度和温度对比阻的影响从大到小的顺序依次是操作压力(75.31％)、料液浓度(12.89％)和温度(11.8％);(2)较优BP神经网络模型的拓朴结构为3-7-1。隐层神经元个为7,学习率为0.05,学习函数为traingdx,隐层到输出层传递函数为Logsig,此神经网络模型对酵母悬浮液比阻预测的平均绝对相对误差为3.55％,相关系数为0.9960;(3)较优RBF神经网络模型的网络设计函数为newrbe,散布常数为9900,此时预测的平均绝对相对误差为8.36％,相关系数为0.8717;(4)在本论文实验范围内,利用较优BP和RBF神经网络模型对比阻预测时,通过对比预测的平均绝对相对误差和相关系数,发现BP神经网络模型优于RBF神经网络模型。

目录

文摘

英文文摘

声明

第1章绪论

1.1膜定义、分类及特性

1.2微滤膜的定义及性能特点

1.3微滤的定义及操作模式

1.3.1死端模式

1.3.2错流模式

1.4微滤过程的数学模型

1.5问题的提出及研究意义

1.6国内外研究现状

1.6.1 ANN在超滤过程中的研究现状

1.6.2 ANN在纳滤过程中的研究现状

1.6.3 ANN在微滤过程中的研究现状

1.7本研究的目的和内容

1.7.1本研究的目的

1.7.2本研究的主要内容

1.8本研究的目标

1.9本研究的创新点

1.10本章小结

第2章人工神经网络理论概要

2.1人工神经网络概念

2.2神经元特征函数

2.3人工神经网络模型和分类

2.4典型神经网络模型

2.4.1 BP神经网络模型

2.4.2 RBF神经网络模型

2.5本章小结

第3章实验材料、试剂、溶液的制备及实验装置

3.1实验材料、试剂

3.2实验设备

3.3溶液的制备

3.4实验装置和方法

3.5实验设计

3.6本章小结

第4章实验数据处理

4.1膜通量的计算

4.2死端工况下比阻的计算方法：

4.3多元线性回归的实验数据处理

4.3.1实验数据的标准化

4.3.2分析模型与分析方法

4.4神经网络的数据归一化

4.5本章小结

第5章死端微滤BSA溶液膜通量的实验研究

5.1实验步骤

5.2操作条件对BSA溶液膜通量的影响

5.2.1操作条件对BSA溶液膜通量的影响规律

5.2.2操作条件对BSA溶液膜通量的定量影响程度

5.3人工神经网络对死端微滤BSA膜通量的预测

5.3.1基本思路

5.3.2 BP模型的建立

5.3.3 BP神经网络模型的优化

5.3.4 RBF神经网络模型的优化

5.3.5模型的比较

5.4本章小结

第6章死端微滤酵母悬浮液膜通量的实验研究

6.1实验步骤

6.2操作条件对酵母悬浮液膜通量的影响

6.2.1酵母悬浮液粒度分析

6.2.2操作条件对酵母悬浮液膜通量的影响规律

6.2.3操作条件对酵母悬浮液膜通量的影响程度

6.3人工神经网络对酵母悬浮液膜通量的预测

6.3.1 BP神经网络模型对酵母悬浮液膜通量的预测

6.3.2 RBF神经网络模型对酵母悬浮液膜通量的预测

6.3.3模型的比较

6.4本章小结

第7章死端微滤酵母悬浮液比阻的实验研究

7.1实验步骤

7.2操作条件对酵母悬浮液比阻的影响

7.2.1操作条件对酵母悬浮液比阻的影响规律

7.2.2操作条件对酵母悬浮液比阻的影响程度

7.3人工神经网络对酵母悬浮液比阻的预测

7.3.1 BP神经网络模型对酵母悬浮液比阻的预测

7.3.2 RBF神经网络模型的优化

7.3.3模型的比较

7.4本章小结

结论与展望

参考文献

附录

攻读硕士学位期间发表的学术论文

致谢