多尺度膜过程优化与高保真离子传输模型的机器学习
摘要：膜技术在大规模分离工艺厂中的创新应用对于经济的水处理和处理至关重要。然而，膜通过物质传输的过程通常由非线性微分代数机制模型在纳米尺度上描述，而实际过程和经济规模则更大。因此，处理厂中膜的最优设计需要跨越多个尺度的决策，这不适用于标准工具。在这项研究中，我们将人工神经网络（ANNs）嵌入确定性全局优化中作为代理模型，以弥合尺度差距。这种方法允许使用准确的传输模型确定性地全局优化膜过程，避免使用启发式方法或简化模型的不准确逼近。ANNs是基于一维扩展的Nernst-Planck离子传输模型生成的数据进行训练的，并扩展到更准确的二维膜模块分布，以捕捉与过滤相关的盐的保持减少。我们同步设计膜和工厂布局，实现多目标、多种进料浓度、多级过滤和盐混合物条件下最优膜模块合成特性以及最优工厂设计。开发的过程模型和优化求解器可作为开源软件使用，实现膜科学中高效的多尺度优化。
作者：Deniz Rall, Artur M. Schweidtmann, Maximilian Krusea, Elizaveta Evdochenko, Alexander Mitsos, Matthias Wessling
论文ID：2204.12741
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2022-04-28