Wat zijn de fundamentele principes van de scheiding door ondersteunde vloeibare membranen (SLM)?

In de techniek van de ondersteunde vloeibare membranen (SLM), het primaire verschil ten opzichte van de geëxtraheerde vloeibare membranen (ELM) is de aanwezigheid van een conventioneel membraan. Bij SLM wordt de organische fase in de poriën van het membraan geïmpregneerd tijdens het onderdompelen van het polymeer membraan in een organisch oplosmiddel, wat fungeert als een scheidingsbarrière voor verontreinigingen. Aan de voeden zijde komt de verontreinigde fase door het membraan en worden de verontreinigingen door de organische fase gevangen door het concentratiegradiënt dat ontstaat bij de interface tussen de voedende vloeistof en de organische vloeistof. Aan de permeaatzijde van het membraan wordt de zogenaamde stripping fase gevormd, die de verontreinigingen opneemt uit de organische fase. Het continue verwijderen van verontreinigingen door de stripping fase uit het membraanmodule handhaaft een constant gradiënt over de interface. Dit membraan wordt ook wel een geïmmobiliseerd vloeibaar membraan (ILM) genoemd vanwege de immobilisatie van de vloeistof binnen het membraan.

De keuze van de draagmoleculen speelt een cruciale rol in het proces. Fenolische oxime-extractanten, bijvoorbeeld, zijn chelaterende verbindingen die metalen uit water kunnen vastleggen en hun transport naar de andere zijde van het membraan faciliteren. Dit gebeurt via het cotransport van metaalionen. Bij het tegenstroomtransport kunnen sterke tegenionen, zoals liganden, metalen extraheren na de vorming van een zout, waardoor de metaalionen oplosbaar worden in de draagmoleculen door de watermoleculen rondom de metalen te vervangen, wat het complex lipofieler maakt. Het solubilisatiemechanisme vindt plaats wanneer draagmoleculen met organofosforusgroepen worden gebruikt. Aan de andere kant binden draagmoleculen met koolstof-zuurstofbindingen het metaal door gebruik te maken van watermoleculen om waterstofbruggen te vormen tussen het draagmolecuul en de metaalionen. Dit creëert gehydrateerde metaalcomplexen in de organische membraanfase.

In dit proces zijn de dynamica van het concentratiegradiënt, de juiste keuze van het draagmolecuul en de interactie tussen de organische oplosmiddelen van cruciaal belang voor de efficiëntie van het scheidingsproces. De toepassing van SLM biedt dus niet alleen mogelijkheden voor milieuverontreiniging en afvalwaterbehandeling, maar opent ook nieuwe wegen voor het terugwinnen van waardevolle stoffen uit verontreinigde bronnen, zoals metalen en farmaceutische stoffen. Dit maakt de techniek niet alleen relevant voor de industrie, maar ook voor een duurzamer beheer van hulpbronnen en de bescherming van het milieu.

Hoe kan het ontwerp van ANFIS en ANN de efficiëntie van membraanscheidingsprocessen verbeteren?

Het membraanscheidingsproces wordt vaak geoptimaliseerd met behulp van geavanceerde regeltechnieken, zoals ANFIS (Adaptive Neuro-Fuzzy Inference System) en ANN (Artificial Neural Networks). In het specifieke ontwerp dat we hier bespreken, speelt een on-off regelklep een cruciale rol in het opslaan van lucht in een luchtcilinder, waarmee een bepaald niveau van Transmembranaire Permeabiliteit (TMP) wordt gehandhaafd. Dit is essentieel voor het bereiken van een stabiele werking binnen het membraanscheidingssysteem. De huidige netwerkarchitectuur profiteert van de patroonherkenningsmogelijkheden van ANFIS, samen met de reeks regels die gedetailleerd zijn weergegeven in tabel 9.3 van de oorspronkelijke tekst. Deze benadering maakt gebruik van de fundamentele kenmerken van de geometrie van de schoepen en het bereik van de bedrijfsomstandigheden.

Het trainen van de ANFIS-netwerken gebeurde met behulp van het zogenaamde "squares back-propagation" algoritme, terwijl het ANN-netwerk werd getraind met het "Levenberg-Marquardt back-propagation" (LMBP) algoritme. Dit maakt de netwerken bijzonder geschikt voor complexe voorspellingen van de prestaties van membranen, die afhangen van meerdere variabelen zoals de snelheid van het membraan, de concentratie van de invoer en de geometrie van de schoepen.

Een belangrijk vraagstuk bij het ontwerpen van ANFIS is het kiezen van de juiste functie om kwalitatieve parameters om te zetten in kwantitatieve waarden. Voor deze conversie werd gekozen voor Gaussische functies, waarbij elke functie overeenkomt met een bepaalde schoep. Deze functies zijn discreet en overlappen niet, zodat de "voorspelde flux" voor een gegeven schoepgeometrie de andere schoepgeometrieën niet beïnvloedt. Dit zorgt voor een hoge precisie in de voorspellingen.

Het proces van het trainen van zowel ANFIS als ANN is zorgvuldig uitgevoerd, waarbij 60% van de dataset werd gebruikt voor training en de overige 40% voor validatie. De effectiviteit van beide netwerken werd geëvalueerd op basis van nauwkeurigheid, gemeten door de percentage absolute gemiddelde afwijking (AAD) tussen de waargenomen en gevalideerde voorspelde resultaten, samen met de benodigde verwerkingstijd. ANFIS toonde een AAD van slechts 2,9% na 20 iteraties, terwijl ANN een AAD van 28,4% bereikte na 1297 iteraties, wat aangeeft dat ANFIS aanzienlijk sneller convergeert en efficiënter is in de verwerkingstijd.

De keuze van de geometrie van de schoepen en de rotatiedynamiek van de schoepen spelen ook een cruciale rol in het proces. Verschillende schoepontwerpen hebben invloed op de stroming en de prestaties van het membraan, wat op zijn beurt de voorspelde flux beïnvloedt. Zo wordt bijvoorbeeld een schoep met een 90° hoek zonder gaten anders behandeld dan een schoep met gaten, wat resulteert in verschillende voorspellingen van de Transmembranaire Waterflux (TWAF). De interactie van de schoepgeometrie, de rotatie van de schoepen en de snelheid van het membraan vormt een complexe dynamiek die goed in het ANFIS- en ANN-model moet worden opgenomen.

Tabel 9.1 en 9.2 bieden gedetailleerde informatie over de input- en outputparameters van het ANN- en ANFIS-netwerk, evenals de beschrijving van de verschillende typen schoepen die worden gebruikt in het membraanscheidingsproces. De regels die in tabel 9.3 worden gepresenteerd, spelen een belangrijke rol bij het instellen van de ANFIS-voorspellingen en helpen bij het nauwkeurig afstemmen van de parameters om de gewenste prestaties te bereiken.

Verder moet de lezer zich ervan bewust zijn dat hoewel ANFIS en ANN krachtige tools zijn voor het optimaliseren van membraanscheidingsprocessen, ze afhankelijk zijn van een goede afstemming van de netwerkinstellingen en trainingsgegevens. De kwaliteit van de inputdata en de keuze van het juiste trainingsalgoritme zijn cruciaal voor het behalen van de best mogelijke resultaten. Het is eveneens belangrijk te realiseren dat de effectiviteit van dergelijke netwerken sterk afhankelijk is van het specifieke systeemontwerp en de dynamiek van de betrokken processen, en daarom moeten ze altijd worden gevalideerd aan de hand van daadwerkelijke operationele gegevens om de optimale prestaties te garanderen.