Membrantechnologie

Hochleistungs-Membrantechnologie: Modellierung des Membranfiltrationsprozesses mit Hilfe künstlicher neuronaler Netze

Die Projektpartner entwickeln eine Prozessmodellierung mittels künstlicher neuronaler Netze für eine großtechnische Membrananlage zur Trinkwasseraufbereitung. Diese können auf Basis aktueller Messwerte das Anlagenverhalten voraussagen und so den Betreiber bei der Regelung und Optimierung der Anlage unterstützen.

 

Zusammenfassung

Verschärfte Anforderungen an die Trinkwasserqualität sowie an die Wirtschaftlichkeit und Betriebssicherheit der Aufbereitungsanlagen erfordern ein besseres Prozessverständnis und die Möglichkeit, frühzeitig in den Aufbereitungsprozess eingreifen zu können. Zur Modellbildung kann das System entweder vollständig mechanistisch mit allen seinen Einflussgrößen beschrieben werden, oder empirisch gewonnene Erkenntnisse vom Labormaßstab auf größere Anlagen übertragen werden. Da beide Herangehensweisen bei nichtlinearen Zusammenhängen an ihre Grenzen stoßen, erforscht das vorliegende Projekt eine dritte Möglichkeit: die Prozessmodellierung und Anlagenauslegung mit Hilfe künstlicher neuronaler Netze (KNN). KNN können aufgrund ihrer hohen Anzahl von Freiheitsgraden nichtlineare Zusammenhänge gut abbilden und auf Basis aktueller Messwerte das Anlagenverhalten – z.B. die transmembrane Druckdifferenz TMP – vorhersagen. Ziel des vorliegenden Projekts war es, den Aufbereitungsprozess (Flockung und Membranprozess) an einer der weltweit größten Membrananlagen in Roetgen in Abhängigkeit der Rohwasserqualität mit Hilfe von KNN abzubilden. Das Modell sollte in der Lage sein, Betriebsparameter mit dem Ziel zu prognostizieren, Flockungsmittelkonzentrationen, pH-Wert, Rückspülhäufigkeit und Permeatfluss automatisch einstellen zu können.

Ergebnisse:

  • Zur Vorhersage der TMP wurden zwei neuronale Netze zu Beginn und am Ende des Filtrationszyklus trainiert; der Fehler der Vorhersage lag bei maximal 3,5% vom Wertbereich der Zielgröße und war in den Zyklen mit chemischer Rückspülung größer. Erfolgt die Vorhersage der TMP auf Basis der Daten des vorhergehenden Rückspülintervalls, kann der Fehler deutlich reduziert werden.
  • Die Übertragung der entwickelten Methode auf die Großanlage zeigte jedoch, dass sich zufällige Änderungen schlecht in den Eingangsgrößen erfassen lassen. Daher kann die TMP über einen längeren Zeitraum mit der Methode nicht vorhergesagt werden.
  • Spülbedingungen (Rückspülfrequenz, -druck, -dauer) können mit hoher Genauigkeit durch das KNN abgebildet werden.
  • Zur Modellierung der Permeabilität bei 20°C müssen folgende Parameter als Eingänge in das KNN eingegeben werden: Leitfähigkeit, Säurekapazität bei pH=4,3, Gesamtkohlenstoffgehalt, die Absorptionskoeffizienten SAK254, SAK436, gelöstes Eisen und Mangan im Rohwasser, pH-Wert im Zulauf sowie die Flockungsmittelmenge.
  • Die Spülparameter wurden hinreichend gut gewählt; es kam im Versuchszeitraum zu keiner irreversiblen Belagsbildung oder Verstopfung der Kapillaren.

Weitere Projektdaten

Projekttitel:  Verbundprojekt: Hochleistungs-Membrantechnologie, Teilprojekt 4: Modellierung einer zweistufigen Membranfiltrationsanlage

Projektnummer: 02WT0661

Projektzeitraum: 2005 - 2008

Projektort: Deutschland (Nordrhein-Westfalen)

Projektansprechpartner:

Herr Dr.-Ing. Panglisch

Publikation ansehen

Quelle: Technische Informationsbibliothek Hannover (TIB)