مدل سازی هوشمند رفتار هیدرولیکی و فولینگ در سیستم های اسمز معکوس سامانه های انتقال سیال پیوندی میان مهندسی مکانیک و هوش مصنوعی

فولینگ یکی از مهم ترین چالش های بهره برداری در سیستم های اسمز معکوس (RO) مجهز به غشاهای کامپوزیتی لایه نازک (TFC) است که با تشکیل رسوبات معدنی کلوئیدی و آلی بر سطح و درون منافذ غشا، موجب کاهش شار، افت کیفیت آب تولیدی و افزایش هزینه های شست وشو و انرژی می شود. در این پژوهش، یک رویکرد داده محور مبتنی بر الگوریتم های یادگیری ماشین برای پیش بینی شاخص فولینگ در یک واحد صنعتی اسمز معکوس ارائه شده است. داده ها شامل پارامترهای کیفیت آب خوراک (NTU، EC، TDS، سختی کل، کلسیم، منیزیم، سولفات و pH)، شرایط عملیاتی (دما، دبی خوراک و فشار) و شاخص های مشتق شده زمانی هفت روزه بودند. مدل های جنگل تصادفی، گرادیان بوستینگ و رگرسیون الاستیک نت تحت اعتبارسنجی متقاطع زمانی پنج بخشی مورد ارزیابی قرار گرفتند. نتایج نمونه ای نشان می دهد که مدل جنگل تصادفی با ضریب تعیین حدود ۰.۷۵، خطای مطلق میانگین و ریشه میانگین مربعات خطا ۰.۰۷۰ عملکرد بهتری نسبت به سایر مدل ها دارد. تحلیل اهمیت ویژگی ها و نمودارهای SHAP نشان داد که سختی کل، کلسیم، سولفات، NTU، TDS و شاخص های زمانی دبی خوراک و کیفیت آب بیشترین تاثیر را در تشکیل فولینگ دارند. نتایج این مقاله نشان می دهد که استفاده از الگوریتم های یادگیری ماشین و هوش مصنوعی می تواند به عنوان ابزاری موثر در پایش هوشمند ممبران ها و زمان بندی بهینه عملیات شست وشوی ممبران های اسمز معکوس در واحدهای RO مورد استفاده قرار گیرد.

Keywords:

هوش مصنوعی , یادگیری ماشین , فولینگ غشا , اسمز معکوس , غشاهای TFC