پساب های نفتی به عنوان یکی از نگران کننده ترین آلاینده های محیط زیستی شناخته شده اند. یکی از رایج ترین روش های تصفیه پساب های صنعتی استفاده از فرآیندهای غشایی به ویژه اولترافیلتراسیون است. اما به دلیل وجود نداشتن مدلهای ریاضی دقیق و توسعه یافته پیش بینی رفتار این فرآیند مشکل می نماید. برای حل این مسئله در این کار از روش مدلسازی با شبکه های عصبی استفاده شده است. در این کار شبکه ی عصبی با چهار ورودی که از عوامل فرآیندی الترافیلتراسیون هستند مانند دما، PH، سرعت جریان عرضی و اختلاف فشار به عنوان ورودی و فلاکس تراوشی به عنوان خروجی بررسی شد. ساختار بهینه ی این شبکه عصبی از روش حدس و خطا با توجه به بهترین میزان تطبیق بین خروجی های شبکه عصبی و خروجی های آزمایش به دست آمد.

واژه های کلیدی: اولترافیلتراسیون، شبکه عصبی، پساب های نفتی، فلاکس تراوشی، تصفیه پساب

مقدمه

پساب های نفتی به عنوان یکی از نگران کننده ترین آلاینده های محیط زیستی شناخته شده اند. این نوع پساب ها از منابع متنوعی مانند پالایشگاه نفت، کارخانه پتروشیمی و صنایع فولاد تولید می شوند. پساب های نفتی به عنوان پساب های صنعتی خطرناک در نظر گرفته شده اند. زیرا دارای مواد سمی هستند که مانع رشد گیاهان و جانوران و همچنین باعث جهش ژنی و سرطان برای انسان ها می شوند. مسائل مربوط به آلودگی آبها نیاز دارد به سرعت حل و فصل شود. این ضایعات معمولا به وسیله ی تعدادی از روش های فیزیکی، شیمیایی و زیستی قبل از ورود به محیط زیست یا استفاده ی مجدد به عنوان آب کشاورزی در واحدهای تصفیه آب تصفیه می شوند.(صلاحی و همکاران،۲۰۱۰ ،(۱ با توجه به کاهش منابع آب و افزایش سریع رشد جمعیت استفاده ی مجدد از پساب ها و بازیافت آلاینده های بالقوه ی استفاده شده در فرآیندهای صنعتی امری حیاتی است. این امر به ویژه در مناطق خشک و نیمه خشک که در آن آب های آشامیدنی و آبیاری باید با هزینه های زیاد وارد شود تصمیم درستی است. (تورج محمدی و همکاران،۲۰۰۴،(۳۳۰ یکی از تکنیک های استفاده شده برای جداسازی نفت از پساب فیلتراسیون غشایی است. مزیت های ممتاز فن آوری غشایی برای تصفیه پساب های نفتی شامل کاهش لجن و رسوب، کیفیت بالای آب تصفیه شده و امکان بازیافت کلی آب سیستم می باشند. این مزایا همراه با نیاز به فضای کم، هزینه های سرمایه گذاری متوسط و سهولت عملیات فن آوری غشایی باعث رقابت اقتصادی این روش با روش های سنتی تصفیه پساب مانند انعقاد، شناورسازی هوا و جداسازی گرانشی شده است.(دانیل واندرا و همکاران،۲۰۱۱،(۱۷۹ چندین فرآیند غشایی شامل اولترافیلتراسیون، نانوفیلتراسیون و اسمز معکوس اخیرا برای تصفیه پساب های نفتی استفاده شده اند. از میان تمام این روش های کارآمد فن آوری غشایی، اولترافیلتراسیون کارآیی بالاتر و هزینه انرژی پایین تری دارد که بیشترین کاربردهای ثبت شده در فرآیندهای جداسازی امولسیون های نفتی را خیرا به خود اختصاص داده است.(یی و همکاران،۲۰۱۱، (۱۷۹ چاکر ابارتی و همکاران اولترافیلتراسیون جریان متقاطع امولسیون های پایدار نفت در آب را با استفاده از غشاهای پلی سولفون مورد مطالعه قرار دادند و دریافتند که درجه ی گرفتگی با مشخصات غشا تغییر می کند.(چاکرابارتی و همکاران،۲۰۰۸، (۴۲۷ جداسازی نفت از آب و تصفیه پساب فلزکاری با استفاده از غشاهای اولترافیلتراسیون توسط باسکا و همکاران مورد مطالعه قرار گرفت.نتایج نشان داد که دما به شدت روی شار اثر می گذارد.(افزایش تا (% ۵۰ (باسکا و همکاران،۲۰۰۳،(۲۰۰ یو و همکاران در بررسی هایشان از یک ماژول لوله ای اولترافیلتراسیون مجهز شده با ذرات معدنی آلومینا در اندازه ی نانو برای تصفیه پساب نفتی استفاده کردند.(یو و همکاران،۲۰۰۹، (۲۵۰ با وجود

استفاده ی فراوان از فرآیند اولترافیلتراسیون هنوز یک مدل تئوری کامل برای توصیف رفتار این فرآیند وجود ندارد. بنابراین علاقه مندی برای استفاده از عوامل فرآیندی مجزا از جمله اختلاف فشار ، سرعت جریان عرضی،دمای خوراک و PH برای پیش بینی فلاکس افزایش یافته است. مدلهای ریاضی برای پیش بینی فرآیندهای جداسازی غشایی ابزاری مهم و پرکاربرد هستند. مدل ها نقشی مهم و پر معنی در شبیه سازی و بهینه سازی سیستم های غشایی بازی می کنند که منجر به طراحی کار آمد و اقتصادی فرآیندهای جداسازی می شود. شبکه های عصبی مصنوعی ابزارهای مدلسازی هستند که قادر به حل مسائل رگرسیون خطی و غیرخطی هستند. این مدل ها به بررسی رابطه ی بین متغیرهای ورودی و هدف یا خروجی فرآیند با استفاده از تعداد محدودی از داده های تجربی می پردازند. مدلسازی با استفاده از شبکه های عصبی مصنوعی در حوزه های مختلف فن آوری غشایی از جمله اولترافیلتراسیون استفاده شده است. (خایت و همکاران،۲۰۱۲ ، (۱۷۱ تیدوسیو و همکاران مطالعه ای در زمینه مدلسازی با شبکه عصبی برای اولترافیلتراسیون انجام دادند.(تیدوسیو و همکاران،۲۰۰۰، (۴۳۷۲ باتاچارجی و همکاران کاربردهای شبکه ی عصبی در اولترافیلتراسیون پیوسته ی همزده را مورد مطالعه قرار دادند.(باتاچارجی و همکاران،۲۰۰۲، (۱۱۸۹ پیش بینی شارنفوذ در طول افزایش میدان الکتریکی در اولترافیلتراسیون جریان متقاطع با استفاده از شبکه عصبی توسط سرکار و همکاران انجام شد.(سرکار و همکاران، ۲۰۰۹، (۲۶۳ در این مقاله هدف ما پیش بینی شار نفوذ غشا در فرآیند اولترافیلتراسیون پساب های نفتی با استفاده از شبکه عصبی به عنوان ابزاری مناسب برای تجزیه و تحلیل اثرات عوامل فرآیندی از جمله دمای خوراک، اختلاف فشار ، سرعت جریان عرضی و PH روی شار نفوذ می باشد. با استفاده از مدلسازی عصبی بهترین شرایط برای دستیابی به فلاکس تراوشی بیشینه نیز ارائه خواهد شد.

تئوری

شبکه عصبی به مدلی گفته می شود که بر اساس مغز انسان که از به هم پیوستن نورون ها و دندریت ها تشکیل شده است. متخصصان اعصاب دریافتند که مغز انسان با تغییر قدرت ارتباط سیناپسی بین نورون ها بر اساس تکرار تحریک به وسیله ی محرک های آنی مشابه آموزش می بیند. با الهام از سیستم عصبی بیولوژیک مدل شبکه عصبی مصنوعی مجموعه ای از آموزش ها را با تعدیل مقادیر بین قدرت های ارتباط نورون (وزن ها) و عناصر واکنش (نورون ها) فرا می گیرد. تا زمانی که خروجی شبکه بر اساس مقایسه بین خروجی و هدف، هدف را تخمین بزند. بر اساس شکل ۱ در یک نورون مصنوعی سه عنصر اساسی وجود دارد:

شکل((۱ یک نورون مصنوعی با N ورودی

الف) یک مجموعه ی ارتباط سیناپسی (پیوندهای اتصال)که قدرتشان به وسیله ی مجموعه ای از وزن ها و بایاس ها نشان داده

شده است: (یک بردار از سیگنال های ورودی مدل) با وزن های متناظر
و . به عوامل ذخیره شده در سیناپس ها “وزن” گفته می شود. که داده ها را در محاسبات دستکاری می کنند و
مقادیر آنها مستقیما روی خروجی شبکه اثر می گذارد.
ب) سیناپس کلی ورودی، ، که به وسیله ی ضرب نقطه ای ورودی و بردارهای وزن نورون k محاسبه می شود:
(۱) ∑
با فرض و ، که در این رابطه k=[1,r] که r تعداد نورون ها در یک لایه است و j=[1,n] که n تعداد

ورودی هاست. به عبارت دیگر سیگنال ورودی X در وزن W ضرب شده و و در رابطه ی (۱) با تمام آیتم های دیگر جمع می شود. نتیجه ی این جمع ‘S’ به ورودی تابع فعال سازی می رود.

ج)تابع فعال سازی که نورون وزن داده شده ی ورودی را به خروجی فعال سازی شده ی آن تبدیل می کند. سیناپس کلی ورودی از طریق تابع فعال سازی به خروجی تبدیل می شود.

(۲)

تابع فعالسازی یک نقش کلیدی در روند یک نورون دارد. این تابع بر اساس مجموع سیگنال های ورودی محاسبه شده در رابطه ی (۱) ، خروجی را تولید می کند. به طور خلاصه سیگنال خروجی نورون می تواند به شکل زیر تعریف شود.