Deutsch
Francais
Nederlands
Svenska
Norsk
Dansk
Suomi
Espanol
Italiano
Portugues
Magyar
Polski
Cestina
Русский
In het proces van pervaporatie speelt de selectie van het membraan een cruciale rol in het behalen van een bevredigende scheidingsefficiëntie. De keuze van het membraan is grotendeels afhankelijk van de selectiviteit van het membraan voor het gewenste component. Een dichte membraanstructuur kan de juiste selectiviteit bieden voor de scheiding van specifieke componenten in een mengsel, omdat het de componenten in het mengsel in staat stelt om door het membraan te diffunderen en te verdampen. Zodra de componenten door het membraan zijn getransporteerd, bereiken ze de permeaatzijde, waar meestal een vacuüm wordt gehandhaafd. Dit vacuüm creëert een significante partiële drukgradiënt, die fungeert als de belangrijkste drijvende kracht voor de scheiding. De gepermeerde componenten in de permeaatstroom condenseren vervolgens weer en worden herwonnen als vloeistof, terwijl de niet-gepermeerde vloeistofstroom, die aan de andere kant van het membraan blijft, de retentatiefase wordt genoemd.
De scheidingsefficiëntie wordt verder beïnvloed door de variaties in oplosbaarheid en diffusierechtheid van de verschillende componenten. Moleculen vertonen verschillende transporteigenschappen, wat bijdraagt aan de selectiviteit van het scheidingsproces. Dit verschijnsel wordt duidelijk geïllustreerd in figuur 4.3, die een schematische weergave toont van de scheiding van een mengsel van meerdere componenten via het pervaporatieproces. De locatie van het damp-vloeistofinterface kan zich op verschillende plaatsen binnen het membraan bevinden, soms zelfs dicht bij de permeaat- of voedzijde.
Het evalueren van de massatransfer in pervaporatie kan op twee manieren plaatsvinden. De eerste benadering houdt in het bepalen van de transmembranaire flux, die zowel de flux van elk individueel component als de totale permeaatflux omvat, en het scheidingsfactor. De transmembranaire flux en het scheidingsfactor worden bepaald op basis van experimentele gegevens die worden verzameld tijdens de testen van het membraan onder specifieke operationele omstandigheden, zoals de samenstelling van het mengsel, druk en temperatuur. Deze aanpak biedt inzicht in het benodigde membraanoppervlak voor het behalen van een gewenste scheiding en de gewenste zuiverheid van het permeaat.
De tweede benadering omvat de toepassing van wiskundige modellen die de massatransfer door het membraan beschrijven. Hierdoor kunnen belangrijke parameters zoals de massatransfercoëfficiënt (M.T.C.), permeabiliteit en selectiviteit worden geëvalueerd. Deze benadering biedt een diepere interpretatie van de mate waarin het membraan de permeatie van het ene component boven het andere bevordert. Het stelt ook in staat om de effectiviteit van de membraankeuze en het procesbeheer te beoordelen. Beide benaderingen leveren complementaire informatie op die essentieel is voor het begrijpen van de algehele scheidingsefficiëntie en het optimaliseren van de operationele omstandigheden tijdens het pervaporatieproces.
Het is belangrijk om goed te begrijpen hoe de parameters zoals transmembranaire flux, selectiviteit, scheidingsfactor en permeabiliteit zich tot elkaar verhouden. Dit begrip is van groot belang voor de verdere ontwikkeling van pervaporatietechnologie en voor het ontwerp van specifieke membranen die gericht zijn op bepaalde scheidingsdoelen. Het verschaffen van gedegen kennis over de mechanica van massatransfer en de impact van membraankeuzes is essentieel om de technologie op industriële schaal effectief toe te passen. Alleen met dit gedegen inzicht kunnen we de voordelen van pervaporatie optimaal benutten en de efficiëntie van het proces verbeteren.
Naast de basiskennis over pervaporatie is het van belang om de implicaties van vacuümtechnologie in de praktijk te begrijpen. Het gebruik van vacuüm aan de permeaatzijde van het membraan, dat essentieel is voor het behoud van de vereiste partiële drukgradiënt, kan invloed hebben op de energiebehoeften van het systeem. De keuze van temperatuurverschillen in plaats van vacuümdrukken, afhankelijk van de toepassing, kan ook aanzienlijke invloed hebben op de kosteneffectiviteit van het proces. Bovendien is het belangrijk te realiseren dat de prestaties van pervaporatie sterk afhankelijk zijn van de aard van het mengsel dat gescheiden wordt en van de interacties tussen de membraanmaterialen en de te scheiden componenten. Dit benadrukt de noodzaak om pervaporatieprocessen te optimaliseren door middel van gedetailleerde processimulaties en experimentele kalibratie.
Hoe kan de massatransportbeperkingslaag in het pervaporisatieproces worden verminderd?
In een drukgestuurde membraanproces vindt de permeatie van het oplosmiddel voornamelijk plaats met slechts geringe hoeveelheden opgeloste stoffen, zoals we in hoofdstuk 1 hebben besproken. In het pervaporisatieproces echter, vertoont de te scheiden component een grotere neiging om zich naar het membraan toe te verdelen dan het oplosmiddel. Dit heeft als gevolg dat de concentratie van de gewenste component aan de membraansurface aanzienlijk afneemt, wat de drijvende kracht voor de transport van de opgeloste stof negatief beïnvloedt. Het effect van de massatransportbeperkingslaag kan worden verminderd door een zorgvuldige systeembenadering en het handhaven van optimale parameters die te maken hebben met de vloeistofdynamica. Dit vereist echter wel een grotere energie-inbreng in het pervaporatiesysteem. Eerdere onderzoeken hebben aangetoond dat het gebruik van een dwarsstroom bij verhoogde snelheden kan helpen de externe massatransportbeperkingen te verhelpen, vooral voor componenten met een lagere neiging om zich naar het membraan te verplaatsen. Echter, dezelfde dwarsstroomcondities waren niet effectief in het volledig elimineren van de externe massatransportbeperkingen voor componenten die aanzienlijk naar het membraan neigen.
Dit suggereert dat, ondanks de inzet van zeer hoge dwarsstroomsnelheden, de afgeleide permeatiesnelheid nog steeds onvoldoende blijft. Van industrieel perspectief uit, is de toepassing van dwarsstroom in de praktijk gewenst om een zeer hoge permeatieflux te bereiken met minimale energie-inzet. Speciale spacers worden vaak gebruikt om turbulentie aan het membraanoppervlak te genereren. Het benodigde energieverbruik voor deze spacers moet echter worden meegenomen in de evaluatie. Een kritische analyse is noodzakelijk om de verhoging van de flux ten opzichte van een gedefinieerde energie-investering te beoordelen.
Thermo-pervaporisatie kan een haalbare optie zijn om een significante drijvende kracht te genereren die nodig is voor het transport van de gewenste opgeloste stoffen. Door de aanvoerstroom vooraf te verwarmen, wordt de partiële druk van de verschillende componenten in de aanvoerstroom verhoogd. Dit creëert een gradient, waarbij de permeaatzijde op een veel lagere temperatuur wordt gehouden dan het voerende compartiment, wat uiteindelijk de drijvende kracht voor het transport van moleculen bevordert.
In het downstream-compartiment wordt de drijvende kracht voor de doorgang van opgeloste stoffen door het membraan gegenereerd door een afzuiging van gas of vacuümcondities. Dit verlaagt de dampdruk van de gepermeerde componenten en creëert een partiële drukgradiënt die de stoffen door het membraan beweegt. Wanneer de partiële druk van de te transporteren component laag is, wordt vacuüm-pervaporisatie geprefereerd. Omgekeerd vereist sweeping-gas pervaporisatie een zeer hoge gasstroomsnelheid om de permeatie van stoffen met lage partiële druk te verzekeren. Dit is vooral effectief wanneer de partiële druk van de component 20 mbar of hoger bedraagt.
Het is essentieel om condensatie van componenten met lage permeabiliteit te voorkomen wanneer ze door de poreuze steun van een pervaporatiemembraan passeren. Inefficiënt transport kan leiden tot een lokale verhoging van de partiële drukken, ook wel concentratiepolarisatie genoemd, wat typisch wordt waargenomen aan de downstreamzijde van het membraan. Om dit probleem te beheersen, is een hoge gastoevoer vereist voor sweeping-gas pervaporisatie, terwijl een lage vacuümintensiteit nodig is voor vacuüm-pervaporisatie. Vergelijkende studies hebben aangetoond dat sweeping-gasoperaties minder energie verbruiken dan vacuüm-pervaporisatie, waardoor ze economisch aantrekkelijker zijn. Ondanks de hogere energiebehoefte wordt vacuüm-pervaporisatie echter geprefereerd voor het scheiden en herstellen van pure verbindingen.
In gevallen waarbij pervaporisatie naast een fermenter wordt uitgevoerd, waarin aanzienlijke hoeveelheden opgelost niet-condenseerbare gassen zoals waterstof en kooldioxide aanwezig zijn, moet vóór de start van het proces een vacuümpomp de gassen verwijderen. Na deze stap wordt sweeping-gas pervaporisatie een gunstige keuze.
Pervaporatiemembranen kunnen in drie hoofdtypen worden ingedeeld: hydrofobe, hydrofiele en organofiele membranen. Hydrofiele membranen worden vaak gebruikt om water uit organische oplosmiddelen zoals polyacrylzuur (PAA), polyvinylalcohol (PVA), polyacrylonitril (PAN) en polyvinylpyrrolidon (PVP) te scheiden. Ze zijn effectief bij het scheiden van water in verdunde concentraties binnen azeotropische mengsels. Hydrofiele membranen worden bijvoorbeeld gebruikt voor het dehydrateren van meercomponenten- en azeotropische mengsels zoals water/ethanol, water/isopropanol en dimethylformamide (DMF) met minder dan 10% water.
Hydrofobe membranen, zoals polytrimethylsilyl-1-propyne (PTMSP), polydimethylsiloxaan (PDMS) en polyvinylideenfluoride (PVDF), verwijderen vluchtige organische stoffen uit waterige oplossingen. Ze vinden toepassingen bij het herstellen van oplosmiddelen in de farmaceutische industrie, het extraheren van aroma’s in de voedselindustrie, het verwijderen van trihalomethanen (THM) en methyl-tert-butylether (MTBE) uit grondwater en het behandelen van industrieel afvalwater. Organofiele membranen extraheren organische verbindingen uit waterige oplossingen en scheiden meercomponenten- of binaire organische mengsels, waaronder polaire-non-polaire, alicyclische-aromatische en isomere verbindingen. Ze worden toegepast bij het scheiden van mengsels van aldehyden, aminen en alcoholen, en ethanol van benzeen, enzovoorts.
De wereldwijde markt voor pervaporatiemembranen groeide van meer dan 10 miljoen USD in 2000 tot ongeveer 1,1 miljard USD in 2021 en zal naar verwachting met een jaarlijkse groeipercentage van 9,6% toenemen van 2021 tot 2023. Commercieel beschikbare pervaporatiemodules omvatten plaatmodules, spiraalmodules en anorganische multikanaalbuismodules. Grote bedrijven in de industrie zijn onder andere Sulzer Chemtech GmbH, Compact Membrane Systems, Vladipor Ltd., Pervatech, Mitsui Zosen Machinery & Service Inc., BUSS-SMS-Canzler, Ube Industries Ltd. en het Energy Research Centre of the Netherlands (ECN). Het onderzoek richt zich op de ontwikkeling van nieuwe membranen en het verbeteren van de eigenschappen van membranen om de efficiëntie van industriële vloeistofscheidingen te verbeteren.
De scheiding van organische mengsels via pervaporisatie is een uitdaging vanwege de gelijkenis van de eigenschappen van de opgeloste stoffen en de ruwe werkingsomstandigheden. In de petrochemische industrie is het verwijderen van zwavel en aromatische componenten uit brandstoffen van cruciaal belang. Onderzoek naar geschikte membranen, met name gemengde matrixmembranen, is essentieel om ervoor te zorgen dat ze bestand zijn tegen de zware omstandigheden bij langdurige blootstelling. Het ontwikkelen van membraanmodules met een lagere drukval aan de voerkant is essentieel om de externe massatransportbeperkingen te overwinnen.
Hoe Machine Learning de Efficiëntie van Membraanseparatieprocessen kan Verbeteren
Machine learning (ML) biedt een krachtig hulpmiddel om processen te optimaliseren met minimale menselijke tussenkomst. Dit maakt het mogelijk om met wiskundige modellen en gegevensanalyse veelomvattende voorspellingen te doen. Het vormt een tussenlaag tussen kunstmatige intelligentie (AI) en deep learning (DL), waarbij AI wordt gezien als een breder proces dat computers in staat stelt menselijke taken uit te voeren, terwijl DL specifiek gericht is op geavanceerde, vaak zelflerende algoritmen zoals kunstmatige neurale netwerken (ANN). In dit hoofdstuk wordt een kort overzicht gegeven van machine learning en de wiskundige basisprincipes die het ondersteunen, evenals de toepassing ervan in membraanseparatietechnologie, specifiek voor de zuivering van afvalwater.
Een van de fundamenten van machine learning is het begrijpen van de wiskundige principes die ten grondslag liggen aan de gegevensanalyse. In een proces zoals membraanseparatie is het essentieel om de procesparameters te identificeren die de uitkomst van het proces beïnvloeden. Neem bijvoorbeeld een conventioneel ultrafiltratie (UF)-systeem, waarbij macromoleculaire eiwitten worden gescheiden. In dit geval is het belangrijk om de massabalans van het systeem te begrijpen. Het systeem bestaat uit drie stromen: de voedstroom (F), de permeaatstroom (P) en de retentaatstroom (R). De component die gescheiden moet worden, heeft een bepaalde massa-fractie in elke van deze stromen: xF voor de voedstroom, xP voor de permeaatstroom en xR voor de retentaatstroom.
Wanneer het systeem in steady-state is, zijn de stromen in evenwicht, wat betekent dat de hoeveelheid materie in het systeem niet verandert. Wanneer er echter een verstoring is, zoals een wijziging in de doorstroomsnelheid of de transmembrane druk, zullen de variabelen zoals de massafractie en de doorstroomsnelheid veranderen. Dit wordt vaak gemodelleerd met behulp van een set van algebraïsche en differentiaalvergelijkingen. In dit geval kunnen de dynamische en steady-state reacties van het systeem worden beschreven met behulp van de volgende vergelijkingen:
De mate van vrijheid van het systeem kan worden bepaald door het aantal onbekende variabelen te vergelijken met het aantal beschikbare vergelijkingen. De mate van vrijheid geeft aan hoeveel variabelen er kunnen worden aangepast om het gewenste resultaat te bereiken. Als het aantal onbekende variabelen groter is dan het aantal vergelijkingen, kunnen sommige variabelen onbepaald blijven en kan men ze manipuleren om de invloed ervan op het systeem te bestuderen.
Wanneer we echter machine learning toepassen, kan het proces van membraanseparatie worden geoptimaliseerd zonder volledige kennis van de onderliggende fysische interacties tussen de componenten in de stromen en het membraan. In plaats van het gedetailleerd modelleren van de moleculaire interacties, kan een machine learning-model worden getraind op historische gegevens van het proces, zoals massafracties, doorstroomsnelheden en transmembrane drukken, om de uitkomst te voorspellen. Dit betekent dat de training van het netwerk op basis van gegevens mogelijk maakt om de respons van het proces, zoals de rejectie van een bepaald molecuul, te voorspellen bij variaties van de inputparameters.
Er zijn verschillende benaderingen binnen machine learning die van toepassing zijn op procesoptimalisatie. De meest gebruikte benadering is het supervised learning, waarbij het netwerk wordt getraind met gelabelde gegevens, dat wil zeggen gegevens die zowel de inputparameters als de verwachte output bevatten. Bijvoorbeeld, in een membraanseparatieproces kan het netwerk worden getraind om de rejectie van een bepaald bestanddeel te voorspellen, gegeven de inputparameters zoals de doorstroomsnelheid, transmembrane druk en het type molecuul. Wanneer deze gegevens eenmaal zijn verzameld en getraind, kan het model voorspellingen doen voor nieuwe, onzichtbare gegevens en kan het helpen bij het voorspellen van de prestaties van het systeem onder verschillende omstandigheden.
In situaties waar het moeilijk is om gelabelde gegevens te verkrijgen, zoals bij het falen van een membraan of plotselinge veranderingen in de doorstroomsnelheid, kan unsupervised learning nuttig zijn. In plaats van specifieke voorspellingen te doen op basis van bestaande gegevens, richt unsupervised learning zich op het identificeren van patronen in de data die anders misschien over het hoofd worden gezien. Bijvoorbeeld, als de doorstroomsnelheid plotseling afneemt zonder duidelijke oorzaak, kan unsupervised learning helpen om patronen in de data te ontdekken die verband houden met andere variabelen, zoals lekkage of verstoppingen, die niet direct kunnen worden gekwantificeerd.
Daarnaast is er ook semi-supervised learning, waarbij een combinatie van gelabelde en ongelabelde gegevens wordt gebruikt om het netwerk te trainen. Dit kan bijzonder nuttig zijn in situaties waarin het verkrijgen van gelabelde gegevens moeilijk is, maar er toch enige kennis over het systeem bestaat. Bijvoorbeeld, een klein aantal gegevens met bekende resultaten kan worden gecombineerd met een grotere hoeveelheid ongelabelde gegevens, die worden geclusterd om verborgen structuren of gedragingen in het systeem te ontdekken.
De toepassing van machine learning in membraanseparatie biedt enorme voordelen voor de optimalisatie van processen, vooral wanneer de relaties tussen de verschillende variabelen complex zijn en moeilijk te modelleren met traditionele methoden. Met de juiste gegevens en de juiste algoritmes kan het proces efficiënter worden beheerd, storingen sneller worden geïdentificeerd en de prestaties worden verbeterd.
Voor een optimale implementatie van machine learning in membraanseparatie is het belangrijk om te begrijpen dat de nauwkeurigheid van de voorspellingen sterk afhankelijk is van de kwaliteit en volledigheid van de gegevens. Het trainen van modellen met incomplete of onnauwkeurige gegevens kan leiden tot slechte voorspellingen, wat de betrouwbaarheid van het proces kan ondermijnen. Daarom is het essentieel om zorgvuldig te zorgen voor een goed gegevensbeheer en een grondige validatie van de modellen voordat ze in de praktijk worden toegepast. Daarnaast kan het nuttig zijn om de rol van machine learning niet alleen te zien als een manier om voorspellingen te doen, maar ook als een hulpmiddel voor continue procesverbetering, waarbij het model voortdurend kan worden aangepast en verfijnd op basis van nieuwe gegevens en inzichten.
Hoe Membranen en Membranenmodules Werken: Een Diepgaande Analyse van Technieken en Toepassingen
In de technologie van membraanfiltratie speelt het ontwerp van de membraanmodules een cruciale rol in de efficiëntie en prestaties van het systeem. Het oppervlak van de membraan en de configuratie van de module beïnvloeden direct de werking en de drukval die door het systeem wordt ervaren. Bijvoorbeeld, in een spiraalgewonden module ontstaat er een aanzienlijke drukval door de lange weg die het permeaat moet afleggen, wat afhankelijk is van de lengte van de centrale verzamelbuis en de diameter van de module. Industriële toepassingen maken meestal gebruik van spiraalgewonden modules met een lengte van 1 meter en een diameter van 0,2 meter.
Buisvormige Membraanmodules onderscheiden zich van andere membranen door het feit dat ze niet zelfondersteunend zijn. Deze buismembranen worden daarom geplaatst in een poreuze buis die meestal van metaal, polymeer of keramisch materiaal is gemaakt. Het aantal buismembranen in een enkele module is afhankelijk van de grootte van de buis en er is geen limiet aan het aantal dat erin kan worden geplaatst. De vloeistofstroom wordt door de buismembranen geleid, terwijl het permeaat wordt verzameld via de poreuze buiswand. Dergelijke modules worden vaak gebruikt voor keramische membranen, met een typische verpakkingsdichtheid van 300 m²/m³.
In tegenstelling tot de buismodules hebben capillaire modules het voordeel van zelfondersteuning. De capillairen worden in de module geplaatst zonder extra behuizing en de uiteinden worden verzegeld met materialen zoals polyurethaan, epoxyhars of siliconenrubber. Deze modules kunnen op twee manieren opereren: ofwel stroomt de voedingsvloeistof door de lumen van de capillairen en stroomt het permeaat aan de buitenkant van de capillairen, of de voedingsvloeistof stroomt buiten de capillairen en het permeaat door de lumen. De keuze van de werkmethode is afhankelijk van de procesomstandigheden zoals de transmembranaire druk en de eigenschappen van het membraan. Capillaire modules hebben een nominale verpakkingsdichtheid van 600–1200 m²/m³.
Hollevezelmodules zijn conceptueel vergelijkbaar met capillaire modules, maar verschillen in grootte. Bij hollevezelmodules kan de voedingsvloeistof door de lumen van de vezels stromen, of juist aan de buitenkant, afhankelijk van de gewenste configuratie. Wanneer de voedingsvloeistof door de lumen stroomt, is het doel om de totale membraanoppervlakte te verhogen en de drukval te verlagen. Dit wordt vaak toegepast in processen zoals pervaporatie, waarbij de vloeistofstroom buiten de vezel stroomt, terwijl het permeaat door de lumen wordt verzameld. Hollevezelmodules kunnen een extreem hoge verpakkingsdichtheid van ongeveer 30.000 m²/m³ bereiken, wat ze bijzonder geschikt maakt voor toepassingen zoals gasfiltratie en ontzilting, mits de voedingsvloeistof vooraf goed is behandeld.
Naast de moduleconfiguratie is de bedrijfsmodus van essentieel belang voor de prestaties van membranen. Membranen kunnen in verschillende bedrijfsmodi opereren, afhankelijk van het proces en de specifieke vereisten van de installatie.
Batchmodus is de meest gangbare modus voor membraanseparatieprocessen. Hierbij wordt een beperkte hoeveelheid voedingsvloeistof in de membraancel gebracht, die vervolgens door de membraan wordt gefilterd totdat deze is uitgeput. Na elke cyclus wordt de cel opnieuw gevuld. Deze modus is gunstig voor het reinigen van vervuilde membranen, aangezien het extra tijd biedt voor onderhoud zonder de efficiëntie van het proces te verstoren. Batchprocessen worden vaak toegepast in de farmaceutische, biotechnologische en voedingsindustrieën.
Semi-batchmodus is een verfijning van de batchmodus, waarin de voedingsvloeistof, het permeaat of het retentaat meerdere keren wordt toegevoegd, verwijderd of gerecirculeerd tijdens de filtratiecyclus. Deze aanpak verhoogt de selectiviteit en controle over het proces, en vermindert tegelijkertijd de belasting van de downstream verwerkingsstappen. Semi-batchprocessen verminderen ook de kans op membraanvervuiling, wat de efficiëntie van het proces verhoogt.
Continue modus is een meer geavanceerde werkwijze waarbij de voedingsvloeistof en het permeaat continu worden toegevoegd en verwijderd. Dit type proces heeft vaak een hogere capaciteit en snelheid, maar verhoogt ook de kans op membraanvervuiling door de constante belasting. Het gebruik van continue processen is vooral relevant voor toepassingen met grote volumes, maar vereist zorgvuldige monitoring van de membraanconditie om de efficiëntie op lange termijn te waarborgen.
Tot slot zijn er nog de dead-end en cross-flow filtratiemethoden. Bij dead-end filtratie stroomt de volledige voedingsvloeistof door de membraan, waarbij het permeaat langs het membraanoppervlak wordt verzameld. Deze methode heeft de neiging om hogere terugwinning te bieden, maar leidt sneller tot vervuiling van de membraan. Cross-flow filtratie daarentegen laat de voedingsvloeistof door de membraan stromen terwijl het permeaat dwars door de stroom beweegt. Dit helpt de ophoping van vervuiling te verminderen, maar kan de terugwinning verlagen. Vaak wordt een hybride benadering gebruikt om de voordelen van beide methoden te combineren, afhankelijk van de specifieke eisen van het proces.
Het is belangrijk te begrijpen dat de keuze van het type membraan, de moduleconfiguratie en de bedrijfsmodus sterk afhankelijk zijn van de specifieke toepassing en de eigenschappen van de te verwerken vloeistof. Technische en economische overwegingen spelen hierbij een sleutelrol, aangezien het beheer van membraanvervuiling en het maximaliseren van de efficiëntie essentieel zijn voor het succes van het proces. Het ontwerp van het membraan en het bijbehorende proces moeten daarom zorgvuldig worden afgewogen voor de best mogelijke prestaties.