Modeling the reserve osmosis processes performance using artificial neural networks
- Autores: Mihai Libotean Dan
- Directores de la Tesis: Jaume Giralt Marce (dir. tes.)
- Lectura: En la Universitat Rovira i Virgili ( España ) en 2007
- Idioma: inglés
- Tribunal Calificador de la Tesis: Francesc Giralt Prat (presid.), Gabriela Espinosa Porragas (secret.), Rafael Mujeriego Sahuquillo (voc.), Albert Díaz Guilera (voc.), Joan Ferrer Giner (voc.)
- Materias:
- Enlaces
- Tesis en acceso abierto en: TDX
- Resumen
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 tres métodos para seleccionar el menor número de los descriptores moleculares relevantes entre un total de 45 que caracterizan cada molécula. Los modelos obtenidos se han validado utilizando un método basado en el balance de materia, aplicado no solo a los 50 compuestos utilizados para el desarrollo de los modelos, sino que también a un conjunto de 143 compuestos orgánicos nuevos. La calidad de los modelos obtenidos es prometedora para la extensión de la presente metodología para disponer de una herramienta comprensiva para entender, determinar y evaluar el comportamiento de los solutos orgánicos en el proceso de ósmosis inversa. Esto serviría también para el diseño de nuevas y más eficaces membranas que se usan en este tipo de procesos.En la segunda parte, se ha desarrollado una metodología para modelar la dinámica de los procesos de ósmosis inversa, usando redes neuronales de tipo backpropagation y Fuzzy ARTMAP y datos experimentales que proceden de una planta de desalinización de agua salobre Los modelos desarrollados son capaces de evaluar los efectos de los parámetros de proceso, la calidad del agua de alimentación y la aparición de los fenómenos de ensuciamiento sobre la dinámica de operación de las plantas de desalinización por osmosis inversa. Se ha demostrado que estos modelos se pueden usar para predecir el funcionamiento del proceso a corto tiempo, permitiendo de esta manera la identificación de posibles problemas de operación debidas a los fenómenos de ensuciamiento y envejecimiento de las membranas. Los resultados obtenidos son prometedores para el desarrollo de estrategias de optimización, monitorización y control de plantas de desalinización de agua salobre. Asimismo, pueden constituir la base del diseño de sistemas de supervisón capaces de predecir y advertir etapas de operación incorrecta del proceso por fallos en el mismo, y actuar en consecuencia para evitar estos inconvenientes.
