類神經網路法應用於水處理單元建模、分析與最適化

 

刊登日期:2018/8/5
  • 字級

傳統的水處理單元操作,目前仍多由操作人員透過實驗或者個人現場經驗來決定,在進流水質變動情況大或者製程變異時,往往無法即時地對處理單元做到適當的調整,進而導致處理單元的失效。為了有效改善此狀況,智能且精準的控制模型是必要的發展趨勢,其中類神經網路法已被廣泛地應用於各個領域的建模和數據分析上。

本文將從以下大綱,介紹如何應用類神經網路法於水處理單元的建模、分析與最適化。
‧前言
‧模型建構和預測
 1. 利用學理根據建模
 2. 利用類神經網路法建模
‧最適化操作
‧結語

【內文精選】
水資源的利用與處理,絕對是現今最值得關注的議題。在台灣的水資源處理上,一直都存在原水水質和水量變異甚大的特色,主要原因為台灣的狹長地形與多變的氣候條件;另外,在工業廢水的處理中,由於工廠訂單淡/旺季和製程變異等因素,導致工業廢水亦具有水質和水量大範圍變動的情形。

過去許多根據學理來建立的數值模型,往往無法考慮所有現實因素,所以沒有辦法完全反映現實情況。比如薄膜積垢(Fouling),雖可從Silting Index (SI)、Plugging Index (PI)、Fouling Index (FI)、Silt Density Index (SDI)和Modified Fouling Index(又稱Membrane Filtration Index; MFI)等指標來判斷薄膜積垢程度,然而卻無法解釋現實中有時因濾餅(Cake)形成,造成第二過濾層產生的情況,甚至因此導致清洗時機的誤判。

類神經網路(Artificial Neural Network; ANN)演算法是機器學習(Machine Learning)中的一環,它可以對非線性的複雜系統來做逼近和迴歸,在國外也常被使用在水處理的研究當中。本文將利用某水廠的奈濾(Nanofiltration; NF)模組作為範例,簡單介紹類神經網路法應用於該單元的定量行為描述、模型建構和預測,以及最後的最適化(Optimization)操作,其概念如圖一所示。希望藉由本篇文章,能讓讀者對於水處理智能化有更進一步的認識與想法。

圖一、智能化控制設計概念圖
圖一、智能化控制設計概念圖

模型建構和預測
2. 利用類神經網路法建模
類神經網路法(ANN)廣泛地被使用在充滿不確定性與複雜系統的模型建立,此種演算法藉由大量的數據分析來取代傳統的數值模型,所以可以在降低模型的複雜程度下,同時解決最佳化與非線性系統的問題。

奈濾(NF)膜孔孔徑約為1奈米上下,可以有效阻擋二價以上的離子,並降低原水導電度。我們將某水處理廠奈濾膜模組的歷史數據,其中包含處理時間、進流導電度、幫浦功率、膜管壓力降以及出流水量等當作學習數據,並且利用學習模型來預估當進流導電度上升時,在同樣操作下之出流水和模組壓力降的變化。由圖三可發現,類神經網路法對於歷史數據有良好的學習結果,不管目標輸出數據為膜管壓力降或出流水流量,歷史的目標輸出數據和模型目標輸出數據的相關係數值(R)都有0.96以上。甚至當進流水質導電度增加到600~700 μs/cm時,此模型似乎也存在合理的預測;如圖四所示,當進流水質變差時,同樣的操作下,膜管提前在約25天後會產生嚴重不可回復的阻塞,導致膜管壓力降上升和產水流量下降的情形。

圖三、不同的目標輸出數據,利用類神經網路法之學習結果(a)膜管壓力降;(b)出流水流量
圖三、不同的目標輸出數據,利用類神經網路法之學習結果(a)膜管壓力降;(b)出流水流量

最適化操作
一般而言,在實驗室或者現場的單元操作中,可以利用實驗設計(Design of Experiment)法來決定適合的操作條件。然而這種本質上屬於定性的操作決定,仍然有其缺陷存在。例如:在複雜系統下,由於操作參數範圍取得太小,所找尋到的操作條件可能僅是局部(Local)最適條件...…以上為部分節錄資料,完整內容請見下方附檔。

作者:洪偉倫/李長榮化學工業股份有限公司;黃智/工研院材化所
★本文節錄自「工業材料雜誌」380期,更多資料請見下方附檔。


分享