80
90
R(%)
Data
Fit
Model
R^/ (%)
شکل 5-19- نتایج مقایسه درصد جداسازی از مدل‌سازی و داده های آزمایشگاهی
5-5- مدل سازی به روش نزدیک ترین همسایه
اشکال 5- 20 (الف-ز) نشان دهنده مقایسه نتایج ناشی از مدل نزدیک ترین همسایه و نتایج تجربی است که در غلظت ها و pH های مختلف رسم شده است. ارزیابی این مدل با بهره گرفتن از داده های تجربی انجام شده است، بدین ترتیب که با بهره گرفتن از حدود 70 درصد داده ها مدل ارائه می شود و با بهره گرفتن از بقیه داده ها مدل ارزیابی می گردد. نتایج برای تغییرات متفاوت فشار و pH در غلظت های مختلف ارائه شده تا از صحت مدل اطمینان حاصل شود. نتایج رسم شده در این نمودارها حاکی از تطابق بسیار مناسب بین دادهای تجربی و داده های مدل سازی بوده و توانایی مدل را در پیش بینی درصد جداسازی توسط غشای نانوفیلتراسیون نشان می دهد. از نمودارها مشخص است که با افزایش فشار درصد جداسازی زیاد می شود چون نیروی محرکه فرایند بدین ترتیب افزایش می یابد. از طرفی درصد جداسازی با غلظت محلول رابطه عکس دارد و در غلظت های پایین تر، درصد جداسازی بیش تر است که احتمالا به دلیل ظرفیت محدود جداسازی یون توسط غشای نانوفیلتراسیون است. در واقع در غلظت های پایین غشا به بیش ترین حد جداسازی خود نمی رسد ولی با افزایش غلظت و زیاد شدن یون ها، غشا به حداکثر ظرفیت جداسازی خود می رسد. نتایج نشان می دهد که با زیاد شدن pH درصد جداسازی هم زیاد می شود که می تواند به دلیل زیاد شدن دافعه دی الکتریک ناشی از افزایش pH باشد.

(الف) (pH = 4, C =.001M)
(ب) (pH = 4, C=.01M)
(ج) (pH = 6.25, C =.001M)
(د) (pH = 4, C = 0.1M)
(ه) (pH = 6.25, C =.003M)
(و) (pH = 6.25, C =.01M)
شکل 5-20- مقایسه نتایج مدل‌سازی و داده های آزمایشگاهی برای شرایط مختلف غلظت، فشار و PH
فصل ششم
6- نتیجه گیری و پیشنهادها
6-1- نتیجه گیری
هدف از این پایان نامه مدل سازی نانوفیلتراسیون جهت جداسازی یون کلرید از میعانات گازی می باشد. با بررسی مدل های فیزیکی مربوط به نانوفیلتراسیون مدل بار فضایی، مناسب ترین مدل جهت استفاده در این سیستم فیزیکی تشخیص داده شده است. این مدل بر مبنای معادلات هیدرودینامیکی جریان سیال و انتقال جرم و نیز معادلات الکترواستاتیکی ناشی از طبیعت یونی میعانات گازی به مدل سازی حذف یون کلرید از میعانات گازی پرداخته است. در این کار ابتدا غشای صفحه ای مدل شد که با توجه به مشکلات قابل پیش بینی غشای صفحه ای نظیر گرفتگی و دبی محدود، بازده چندان مطلوبی برای جداسازی یون کلرید پیش بینی نشده است. سیستم غشایی الیاف توخالی هم به عنوان یکی از انواع رایج غشاهای مورد استفاده در صنعت، مدل سازی گردیده و ارزیابی مدل در مقایسه با سیستم های مشابه و داده های تجربی انجام و نهایتا با بهره گرفتن از مدل ارزیابی شده پیش بینی عملکرد غشای نانوفیلتراسیون برای جداسازی یون کلرید صورت گرفت که نتایج نشان دهنده عملکرد بسیار مطلوب این غشا برای این فرایند بوده است.
در ادامه غشای نانوفیلتراسیون به شکل لوله ای پیشنهاد و مدل گردیده است. این شکل از غشا از بسیاری جهات نظیر دبی زیاد و عدم گرفتگی شدید غشا به غشای صفحه ای ارجحیت دارد. همچنان که قابل پیش بینی بود، بازده این نوع از غشا بسیار بهتر از غشای صفحه ای پیش بینی گردیده است. چرا که غشای لوله ای با بهره گرفتن از جریان موازی که از روی آن عبور می کند مشکلات ناشی از تجمع یون ها و گرفتگی غشا را ندارد. البته مقیاس مدل سازی در ابعاد نمونه آزمایشگاهی غشا بوده و در ادامه جهت پیش بینی عملکرد غشا در ابعاد صنعتی به مدل سازی های خاص دیگری نیاز است که خود کاری جداگانه می طلبد.
در نهایت برای مدل سازی این فرایند با توجه به مزایای استفاده از روش‌های هوش مصنوعی، از روش شبکه عصبی و منطق فازی برای مدل سازی استفاده شده که بهترین نتایج مدل سازی از این قسمت حاصل و تطابق بسیار خوبی یا داده های تجربی به دست آمده است. در قسمت تکمیلی مدل سازی هوش مصنوعی از روش نزدیک ترین همسایه ها هم برای مدل سازی استفاده شده که در این مورد هم نتایج مناسبی حاصل گردیده است. در مجموع به نظر می‌ آید که مدل سازی به روش هوش مصنوعی نسبت به مدل‌های معمول فیزیکی دارای مزایایی می باشد از جمله:
الف) زمان محاسبات سریع تر و با رایانه های معمولی هم می توان به نتیجه رسید.
ب) دقت نتایج بسیار زیاد و بیش تر از مدل‌های دیگر است.
ج) توان پیش بینی بیش تری نسبت به مدل‌های معمول دارند.
لذا هوش مصنوعی برای مدل‌سازی نانوفیلتراسیون در سیستم های الکترولیتی به عنوان روش مدل‌سازی مطلوب پیشنهاد می گردد. داده های مربوط به نتایج مدل‌های هوش مصنوعی در شکل های 5-22 تا 5-27 آورده شده است. همچنین مقایسه با داده های تجربی هم در این نمودارها انجام شده که نشان دهنده تطابق بسیار مناسب نتایج مدل سازی با داده های آزمایشگاهی و دقت بالای این مدل ها بوده است.
6-2- پیشنهادات
این پایان نامه برای اولین بار به مدل سازی حذف یون کلرید از میعانات گازی می پردازد، لذا در جهت تکمیل این کار زمینه های بسیاری وجود دارد که با بهره گرفتن از تجربیات به دست آمده در حین این کار می توان به موارد زیر به اختصار اشاره کرد:
الف) استفاده از مدل های بر مبنای هوش مصنوعی و داده های تجربی جهت مدل سازی که البته نیاز به داشتن داده‌های خاص خود از این سیستم دارد. ولی عموما توانایی پیش بینی این گونه از مدل‌ها بیش تر از مدل های فیزیکی و تئوری معمول بود و به نتایج دقیق تری می رسند.
ب) مدل سازی ماژول غشا و جریان هیدرودینامیکی آن که می تواند مبنای طراحی نمونه نیمه صنعتی و صنعتی غشا واقع شود.
ج) مدل سازی نمونه صنعتی و پیش بینی عملکرد در مقیاس صنعتی که جهت استفاده غشای نانوفیلتراسیون در ابعاد صنعتی کاملا ضروری است.
د) بهینه سازی فرآیندها در مقیاس آزمایشگاهی، نیمه صنعتی و صنعتی جهت دست یافتن به شرایط بهینه جداسازی.
ه) بررسی امکان جداسازی یون‌های مشابه که عامل خوردگی در صنایع نفت و گاز هستند، نظیر فلوراید، برم و… توسط غشای نانوفیلتراسیون.
و) بررسی مکانیکی و تحلیل تنش و کرنش غشا در شرایط عملیاتی برای دستیابی به عملکرد مطلوب غشا در مقیاس صنعتی.
د) استفاده از مدل های موجود برای طراحی فرایند و کمک به انتخاب نوع غشا که البته به غیر از مدل‌های سیالاتی نیاز به بررسی مکانیکی هم دارد تا غشای مطلوب مشخص شود.
ه) استفاده از دینامیک مولکولی جهت بررسی برهم کنش های سطحی و عملکرد غشای نانوفیلتراسیون در ابعاد مولکولی.
فهرست منابع و مآخذ
[1] Koros, W. J., Ma, Y. H. and Shimidzu, T. (1996). “Terminology for membranes and membrane processes” IUPAC Recommendations., Vol. 68, No. 7:1479-1489.
[2] Branch, DW., Wheeler, BC., Brewer, GJ. And Leckband, D.E. (2001). “Long-term stability of microstamped sub-strates of polylysine and grafted polyethylene glycol in cell culture conditions," J. Biomaterials., Vol.22:1035-1047.
[3] Noble, R. D., Stern, S. A. (1995). Membrane Separations Technology: Principles and Applications, Amsterdam: Elsevier.
[4] Basalyga, D.M. and Latour, R.A. Jr. (2003). “Theoretical analysis of adsorption thermodynamics for charged peptide residues on SAM surfaces of varying functionality” Journal of Biomedical Materials Research., Vol.64A:120-130.
[5] Kavitskaya, A.A. (2005). “Separation characteristics of charged ultrafiltration membranes modified with the anionic surfactant Original” Desalination., Vol. 184, No: 1–3:409-414.
[6] Sethuraman, A., Han, M., Kane, R. S., Belfort, G. (2004). “Effect of Surface Wettability on the Adhesion of Proteins," Langmuir., Vol.20:7779-7788.
[7] Lu, X., Bian, X. and Shi, L. (2002). “Preparation and char- acterization of NF composite membrane” J. Membr. Sci., Vol.210:3-11.
[8] Hilal, N., Al-Zoubi, H., Darwish, N.A., Mohammad, A.W. and Arabi, M.A. (2004). “comprehensive review of nanofiltration membranes: Treatment, retreatment, modelling, and atomic force microscopy, Desalination., Vol.170: 281–308.
[9] Akbari, A., Remigy, J.C. and Aptel, P. (2002). “Treatment of textile dye effluent using a polyamide-based nanofiltration membrane” Chem. Eng. Proc. Vol.41: 601–609.
[10] Conlon, W.J., and McClellan, S.A. (1989). “Membrane softening: treatment process comes of age”, J. AWWA., 81:47-51.
[11] Schaep, J. B., Bruggen, Van der., Uytterhoeven, S. R., Croux, C. Vandecasteele, D., Wilms, E., Van Houtte and Vanlerberghe, F. (1998). “Removal of hardness from groundwater by nanofiltration” Desalination., Vol.119: 295-302.
[12] Rautenbach, IL., Linn, T. and Eilers, L. (2000). “Treatment of severely contaminated waste water by a combination of RO, high-pressure RO and NF -potential and limits of the process” J. Membr. Sci., Vol.174:231-241.