基于田口设计和人工神经网络的渗透汽化脱盐参数优化与性能预测

《Separation and Purification Technology》：Parametric optimization and performance prediction of pervaporation desalination using Taguchi design and artificial neural networks

　　

本文内容如下：

• MXene/uCNT复合膜实现了高性能渗透蒸发海水淡化 • Taguchi L16设计量化了操作参数对淡化性能的影响 • 进料温度被确定为影响渗透通量的主导因素 • ANN建模捕捉了过程变量与膜响应之间的非线性关系 • Taguchi-ANN集成提供了一个高效的淡化优化与预测框架。

引言

淡水短缺加剧了对海水淡化技术的需求，这些技术需要以较低能耗生产高质量水并提高运行可持续性[1]、[2]。渗透蒸发已成为一种有前景的膜基淡化技术，克服了压力驱动和热驱动过程中固有的许多局限性[3]、[4]、[5]、[6]。渗透蒸发采用致密的选择性层，该层传输水蒸气同时阻止盐分通过，从而在相对温和的操作条件下实现近乎完全的盐分拒绝[7]、[8]。该分离遵循溶解-扩散机制，其中水分子优先被吸附进入膜中，在蒸气压梯度驱动下通过选择性层扩散，随后在真空条件下或连续冷凝过程中以蒸气形式从渗透侧解吸[9]。这种机制使渗透蒸发即使在面对高盐度物流时仍保持有效的淡化性能，而常规压力驱动过程则因渗透压增加和污染而受阻，使其成为海水淡化、盐水浓缩和工业废水处理的一种有前景的方法[10]、[11]、[12]。

渗透蒸发过程的性能受膜传输性质与操作条件之间相互作用的支配，二者共同决定了跨膜蒸气压梯度[13]、[14]、[15]、[16]。进料温度直接影响水的活度、扩散动力学和蒸气压，使其成为控制渗透通量的主要因素之一[14]。进料组成通过改变水的活度影响热力学驱动力，而渗透侧冷凝效率决定了连续运行期间低蒸气压维持的程度[17]。同样，运行时间可能影响浓度极化和溶解盐在膜表面附近的逐渐积累。这些变量强耦合，产生常规一次一变量实验无法充分描述的非线性相互作用[13]、[14]。因此，数据驱动的优化和预测建模已成为应对复杂分离过程的关键工具，这些过程的性能取决于多个相互作用的变量[18]、[19]、[20]。在渗透蒸发淡化中，由于进料特性、温度和下游条件之间的非线性耦合，传统的试错实验在确定最佳操作条件时效率低下。因此，需要可靠的统计和计算工具来减少实验工作量、识别关键参数并准确预测膜性能。

Taguchi方法作为一种高效的统计优化技术，大大减少了同时评估多个过程参数所需的实验次数[21]、[22]。通过使用专门构造的正交表，该方法确保每个因子和水平以平衡方式进行测试，从而以远少于全因子设计的实验次数独立估计主效应。这种效率转化为时间、材料资源和运行成本的巨大节省，使其在工业过程优化中尤为有吸引力，尤其是在实验预算通常受限时[23]。Taguchi方法还纳入信噪比分析，这不仅识别最佳参数设置，还评估过程对抗不可控噪声因子的鲁棒性，从而确保优化条件在环境或操作变异存在时仍能提供一致的性能[24]。该方法采用系统化的四阶段方法：计划、执行、分析和验证。这提供了一个易于实施和解释的结构化框架，即使对于统计背景有限的用户也是如此。

人工神经网络作为数据驱动建模工具，提供了根本不同的互补优势，无需了解潜在物理机制即可捕捉高度非线性的多维输入-输出关系[25]。与假设特定函数形式的常规回归模型不同，神经网络通过迭代训练直接从数据中学习，使其能够表示用显式数学方程难以或不可能描述的系统行为[26]。这种能力对于具有多个相互作用变量和非线性动力学的系统尤为有价值，在这些系统中，神经网络始终比传统统计模型达到更优越的预测精度[27]。此外，一旦训练完成，这些模型可以针对新输入条件实时生成快速预测，使其适用于在线过程监控、控制和优化应用[28]。神经网络还表现出良好的泛化能力，意味着它们可以可靠地内插训练数据范围内，并在一定程度上外推到范围之外，为广泛的工程应用提供了通用的预测工具[29]。

Taguchi方法和神经网络在膜分离过程中的应用为实现最佳性能和可靠的预测建模提供了显著优势[30]、[31]、[32]、[33]。Taguchi方法提供了一条高效途径，用于识别最重要的操作参数，如跨膜压差、进料温度、流量和pH值，并确定其最佳水平，且仅需最少的实验次数，这在考虑到膜实验装置复杂性和成本时尤为有价值[34]。例如，Taguchi优化已成功应用于酿酒废水处理的反渗透系统，其中确定了最大化渗透通量同时实现高盐度和化学需氧量去除效率的最佳操作条件[35]。同样，在膜蒸馏过程中，Taguchi方法已被用于筛选关键参数并量化它们对渗透通量的个体贡献，从而实现针对性优化。然而，在膜应用中的主要局限性是其侧重于主效应，难以捕捉经常支配膜分离行为的复杂非线性相互作用和协同效应[36]。

神经网络通过提供鲁棒的预测模型来补充Taguchi方法，这些模型可以捕捉操作条件与膜性能指标（如渗透通量、拒绝效率和污染倾向）之间错综复杂的非线性关系[27]。在膜过程中，神经网络在预测通量下降和污染行为方面展示了出色的精度，优于常规机理和经验模型，尤其是在涉及多个相互作用变量时。对于膜蒸馏系统，神经网络模型在预测渗透通量和热效率方面实现了超过0.98的相关系数，涵盖了广泛的操作条件。Taguchi实验设计与神经网络建模相结合，创造了用于膜过程优化的强大协同框架。Taguchi方法高效生成结构良好的实验数据并识别显著因素和最佳操作水平，而神经网络模型捕捉该数据内复杂的非线性关系，从而在整个参数空间内提供高度准确的预测[37]。这种集成方法不仅减少了实验工作量，还提供了全面的预测工具，支持过程放大、实时监控和决策制定，最终使膜系统以更高可靠性和效率在其最佳性能下运行[34]。

尽管取得了这些进展，但Taguchi-ANN混合方法在渗透蒸发淡化中的应用尚未见报道。为弥补这些差距，本研究系统性地调查了四个关键操作参数，包括进料溶液类型、进料温度、冷阱冷却剂和实验时间，采用Taguchi L16正交表。选择了水通量和盐拒绝作为性能响应，所得实验数据集被用于开发ANN模型，建立操作条件与膜性能之间的非线性关系。评估了各种训练算法和隐藏层配置，以优化模型的预测性能。Taguchi实验设计与ANN建模的集成实现了参数优化和性能预测，同时减少了过程评估所需的实验工作量。这种方法减少了通常与ANN训练相关的实验负担，同时保持预测可靠性。图1展示了整体工作流程。

部分摘录

膜制备
材料采购、MXene纳米片剥离和分层、多壁碳纳米管纯化和氧化，以及MXene/uCNT复合膜制备的详细步骤在补充材料中提供。

渗透蒸发淡化实验
渗透蒸发淡化实验使用自建的真空装置进行，如图S1所示[17]。有效膜面积为8.55 cm2。进料溶液（5 L），包括河水、微咸水、海水和盐水，连续循环通过...

通量的信噪比分析
渗透通量的Taguchi分析使用"越大越好"的信噪比。表3总结了信噪比响应分析，突出了每个操作参数对渗透通量的相对影响。基于Delta值的因子排名顺序确定为：FT > CT > WT > ET。进料温度显示出最高的Delta值（6.61），表明其在控制渗透通量中的主导作用，而实验时间显示最少...

结论

本研究成功展示了Taguchi实验设计与人工神经网络建模的集成，用于优化和预测使用MXene/uCNT复合膜的真空渗透蒸发淡化系统的性能。Taguchi分析确定进料温度对渗透通量施加了主导影响，对过程变异的贡献最高（F = 44.20，P = 0.006），其次是冷阱冷却剂类型（F = 9.94，P = 0.046）。

CRediT作者贡献声明
Bashir Hashim Bashir：概念构思、数据整理、形式分析、调查研究、方法学、原创草稿撰写、审阅与编辑。
Usman Haladu Garba：形式分析、验证、可视化、原创草稿撰写、审阅与编辑。
Ahmad Kasim：数据整理、调查研究、方法学。
Baoquan Zhang：资金获取、项目管理、资源、指导。

利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本论文所报告的工作。

致谢
本研究得到中国国家自然科学基金（批准号：22278303和21136008）的支持。

Bashir Hashim Bashir | Usman Haladu Garba | Ahmad Kasim | Baoquan Zhang