انتخاب صفحه

فهرست مطالب

فصل اول- مقدمه و مفاهیم اولیه

فیلتراسیون فرآیندی که طی آن حل‌شونده با عبور از یک محیط یا مانع نیم‌تراوا، به صورت فیزیکی جداساز‌ی می‌‌گردد. فرآیندهای غشایی، فرآیندهای فیلتراسیون پیشرفته‌ای هستند که از خواص جداسازی لایه‌های پلیمری یا غیرآلی متخلخل بهره می‌گیرند و در گستره وسیعی از فرآیندهای صنعتی به منظور جداسازی مولکول‌های زیستی، کلوئیدها، یون‌ها، حلال‌ها و همچنین گازها مورد استفاده می‌باشند. در تعریف IUPAC، نانوفیلتراسیون یک فرآیند جداسازی بر پایه غشا و با نیرو محرکه فشار است، که در آن، ذرات و مولکول‌های کوچکتر از 2 نانومتر جدا می شوند[1]. غشاها  می‌توانند در بیش‌تر فرایندهای جداسازی به کار روند و فرایندهای شیمیایی از قبیل تقطیر، استخراج و جذب را تکمیل نمایند و  یا جایگزین مناسبی برای آن‌ها باشند.

  • مزایای جداسازی غشایی

مصرف انرژی کمتر برای انجام جداسازی

امکان انجام عملیات جداسازی در دمای محیط

سهولت دستیابی به کلیه فازهای جداسازی شده

انجام عملیات جداسازی توسط تجهیزاتی با وزن و حجم کم

نصب و عملیات ساده

حداقل نیاز به کنترل، بازرسی، تعمیر و نگهداری

عدم نیاز به استفاده از مواد شیمیایی برای جداسازی و در نتیجه عدم وجود مسائل زیست محیطی  در گذشته بیش ترین کاربرد میکروفیلتراسیون در صنایع نوشیدنی، سترون سازی تجاری سرد برای مصارف دارویی و تامین آب خالص در فرایندهای نیمه رسانایی بود. تا سال 1960 با وجود درک اصول اساسی غشاهای مدرن صنایع مهمی در این زمینه وجود نداشت تا اینکه به تدریج با رفع برخی از معایب آنها نظیر قیمت بالا، فرایندهای کند و زمان‌بر، غیر انتخابی بودن و… غشاها از آزمایشگاه به صنعت راه یافتند. غشاها را به چند صورت می توان طبقه‌بندی کرد[2,3]:

 1-1-2- طبقه بندی غشاها

دسته‌بندی بر اساس ماده سازنده:

 پلیمرهای آلی، مواد غیرآلی (اکسیدها، سرامیک ها و فلزات)، ماتریس های هیبریدی یا مواد کامپوزیت  دسته‌بندی بر اساس سطح مقطع غشا:

ایزوتروپیک (متقارن)، ناهمسان (نامتقارن)، دو یا چندلایه ای، لایه نازک کامپوزیت ماتریس هیبریدی

  دسته‌بندی بر اساس روش آماده سازی: جدایش فاز پلیمرها، فرایند سل- ژل، واکنش سطحی، کش دهی، اکستروژن، حکاکی

  دسته‌بندی بر اساس شکل غشا:صفحه ای، فیبرتوخالی و کپسول توخالی

اساس فرایندهای غشایی عبور مواد از میان صافی است که این امر توسط یک نیروی رانشی صورت می‌گیرد. این رانش در فرایندهای غشایی به چهار دسته تقسم می شود و شامل:الف) اختلاف فشار: در فرایندهای غشایی میکروفیلتراسیون، اولترافیلتراسیون، نانوفیلتراسیون و اسمز معکوس

ب) اختلاف پتانسیل الکتریکی : نظیر الکترودیالیز و الکترولیز غشایی

ج) اختلاف دما

د) اختلاف غلظت

 در فرایندهای غشایی میکروفیلتراسیون، اولترافیلتراسیون، نانوفیلتراسیون و اسمز معکوس نیروی رانش اختلاف فشار است اما در سایر فرایندهای غشایی همان‌گونه که اشاره شد، این نیروی رانشی می‌تواند متفاوت باشد. دامنه کاربرد و ابعاد انواع غشاهای میکروفیلتراسیون، اولترافیلتراسیون، نانوفیلتراسیون و اسمز معکوس متفاوت است. در یک فرآیند فیلتراسیون، دوفازی که با یکدیگر در تعادل ترمودینامیکی نیستند توسط یک غشا نیمه‌تراوا جدا می شوند. غشای یاد شده مانند یک سد یا مانع فیزیکی عمل کرده و عبور یا عدم عبور مواد از یک فاز به ‌فاز دیگر را کنترل می‌کند. اسمز معکوس برای نمک‌زدایی محلول‌های آبکی، تولید آب بسیار خالص و در صنایع غذایی و شیر مورد استفاده قرار می گیرد. از آن جایی که ذرات بسیار ریز به طور اجباری طی فرآیند اسمز معکوس حبس می‌شوند، روزنه‌های بسیار کوچک (کم تر از یک نانومتر) و فشارهای بالا (بیش از ۴۰ بار) برای انجام این فرآیند لازم است.به منظور جداسازی ذرات بین ۱ تا ۱۰۰ نانومتر (پلیمرها، پروتئین‌ها ، ویروس‌ها و….) از فرآیند اولترافیلتراسیون استفاده می شود[5 ,4]. در اولترافیلتراسیون، روزنه‌های غشا بزرگ‌تر از روزنه غشاهای اسمز معکوس بوده و فشارهای پایین(کم تر از ۲۰ بار) نیاز است. در دو دهه اخیر، تلاش‌های قابل توجهی برای دستیابی به پیشرفت‌هایی در زمینه تولید غشاهایی که دارای خواص بین دو فرآیند یاد شده یعنی فشار بالا(مشابه فرآیند اسمز معکوس) و فشارهای پایین (همچون فرآیند اولترافیلتراسیون) باشد، انجام شده که نتیجه آن، تولید نانوفیلتراسیون می‌باشد. امروزه نانوفیلتراسیون جایگاه مهمی در صنایع مختلف پیدا کرده و شکاف بین اسمز معکوس و اولترافیلتراسیون را پر کرده است. اندازه روزنه‌ها در نانوغشاها بین غشاهای اسمز معکوس و اولترافیلتراسیون(در محدوده ۲ نانومتر یا کوچک تر) بوده و بنابراین ذرات با قطر حد واسط بین اسمز معکوس و اولترافیلتراسیون با یک مکانیسم غربالی جدا می‌شوند. علاوه بر این مواد مورد استفاده، در ساخت نانوغشاها باردار بوده و ذرات تحت یک مکانیسم دافعه الکتروستاتیکی نیز جدا می‌شوند[6].

1-2- نانوفیلتراسیون[1]

این تصفیه مربوط به فرایند تخصصی غشا می باشد که ذرات را در حدود اندازه‌های nm1 یا A010 دفع می کند و به همین علت نانوفیلتر نامیده می شود[7]. نانوفیلتراسیون در محدودۀ بین اولترافیلتراسیون[2]  و اسمز معکوس[3] عمل می کند. مولکول‌های آلی با وزن مولکولی بیش از 200 تا 400 را دفع می‌کند. نمک‌های محلول نیز در اندازه های 20 تا 98 درصد پس زده می شوند. نمک‌هایی که آنیون های تک ظرفیتی دارند(مانند کلرید سدیم یا کلرید کلسیم) حدوداً در اندازۀ 20 تا 80 درصد دفع می شوند. در صورتی‌که نمک‌هایی با آنیون‌های چندظرفیتی(مانند سولفات منیزیم) بیش از 90 تا 98 درصد دفع می شوند[9 , 8].به طور معمول جداسازی نمک‌های تک ظرفیتی، دو ظرفیتی و حل‌شده‌های غیریونی با وزن مولکولی کم تر از 2000 گرم بر مول، عامل اصلی در انتخاب غشاهای جدید با خواص و ویژگی‌های بین غشاهای اسمز معکوس و اولترافیلتراسیون می‌باشد. امروزه نانوفیلتراسیون به صورت یک فرایند به طور کامل مجزا با خواص کاربردی ویژه به کار گرفته می‌شود و با دو فرآیند اسمز معکوس و اولترافیلتراسیون اختلاف‌های اساسی دارد. به عبارتی غشاهای به کار رفته در فرایند نانوفیلتراسیون دارای ساختار متخلخل از نوع میکرو با قطر روزنه های کم تر از ۲ نانومتر بوده و از مواد پلیمری، که در بیش تر حالت‌ها دارای بار یونی می‌باشند، ساخته شدهاند.شهرت تجاری نانوفیلتراسیون از اوایل سال های ۱۹۸۰ آغاز شده و در سال ۱۹۸۸ اولین نانوغشاها از جنس مواد سرامیکی به صورت تجاری و کاربردی مورد استفاده قرار گرفت[11 ,10]. بعدها نانوغشاهایی از جنس مواد پلیمری آلی جهت کاربردهای خاص به بازار عرضه شد.در حال حاضر غشاهای نانو در بخش های مختلف صنایع مثل بیوتکنولوژی، صنایع غذایی و کشاورزی، تولید آب آشامیدنی و حفاظت محیط زیست به طور گستردهای مورد استفاده قرار می‌گیرد. برای مثال، می توان به جداسازی مواد معدنی از لاکتوز در صنایع شیر، بازیابی و استفاده مجدد از آب مصرفی در پساب‌های رنگی و تصفیه آب شرب در یک مقیاس بزرگ اشاره کرد[16- 12].

1
1-1- مقدمه 2
1-1-1- مزایای جداسازی غشایی 2
1-1-2- طبقه بندی غشاها 3
1-2- نانوفیلتراسیون 5
1-2-1-ویژگی ها و مشخصات اصلی نانوفیلتراسیون 6
1-2-2- ساختار نانوفیلتراسیون 7
1-2-3- کاربرد نانوفیلتراسیون 8
1-3- میعانات گازی 11
1-4-  تعریف مساله و بیان سوال های اصلی تحقیق 12

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل دوم- مروری بر تحقیقات گذشته

مدل سازی نانوفیلتراسیون جهت جداسازی یون کلر از میعانات گازی برای اولین بار در دست اقدام است، اما موارد مدل سازی نانوفیلتراسیون مختلفی برای سیستم‌های دیگر در سال‌های گذشته انجام‌شده است. مدل نیمه تجربی DSPM[1] بر اساس ممانعت فضایی و تعادل دونان[2] برای اولین بار توسط براون[3] در سال 1997 ارائه شد، این مدل در پیش بینی عملکرد غشای نانوفیلتراسیون در برخی از محلول های نمکی موفق بود[53]. براون و محمد در سال 1998 درصدد بهبود این مدل برآمدند و اثرات انتقال جرم در محیط یونی را با معادله نرنست پلانک اصلاح شده در نظر گرفتند. . در این کار سه پارامتر برای استفاده از مدل نیاز است که عبارت اند از: ضخامت موثرغشا، چگالی بار موثر غشا و شعاع موثر حفره‌های غشا. با استفاده از این مدل، غشا به صورت یک صفحه همگن غیر متخلخل فرض شده و اثرات ناشی از تخلخل به صورت ضرایب تصحیح در نظر گرفته می شود. نتایج حاصل از مدل با نتایج تجربی تطابق مناسبی را نشان داده‌ است این مدل در زمان خود به موفق ترین مدل برای پیش بینی عملکرد نانوفیلتراسیون در محلول های یونی تبدیل شد. فرضیات این مدل برای حالت یک بعدی به ترتیب عبارتند از:

الف) انتقال در اثر نفوذ، جابجایی و اثرات الکترواستاتیک

ب) اثر مهاجرت و نفوذ با استفاده ازضرایب تصحیح

ج) استفاده از معادله هاگن- پویسوله[4]  برای اندازه گیری سرعت داخل حفره‌ها

د) درنظر گرفتن جریان داخل حفره‌های غشا به صورت آرام

ه) وابستگی فشار عملیاتی سیستم  به پتانسیل شیمیایی حل‌شونده

ز) تشکیل لایه نازک تز حلال داخب حفره ها

ح) با در نظر گرفتن تغییرات ویسکوزیته حلال و ثابت دی‌الکتریک داخل حفره‌ها

ط) مستقل بودن حجم مولی جزیی و ضریب نفوذ مستقل از غلظت

ک) ناچیز بودن لایه غلظتی

ف) غلظت و پتانسیل الکتریکی در جهت محوری و اغماض از تغییرات آنها در جهت شعاعی صرف نظر می‌شود.[54].  محمد[5] و همکاران در سال 1998 سعی کردند تا با استفاده از این مدل، معیاری برای انتخاب غشای بهینه پیدا کنند[55]. محلول مدل شده در همه این موارد محلول‌های نمکی بوده اند، و کار چندانی روی محلول‌های آلی انجام نشده، چنانچه در مورد بخصوص میعانات گازی سابقه ای در استفاده از نانوفیلتراسیون  و مدل سازی آن مشاهده نشده است.

2-1-2- DSPM- DE[6]

  مدل DSPM  با وجود این که به خوبی جداسازی یون های تک‌ظرفیتی را پیش‌بینی می کرد، اما در پیش‌بینی جداسازی یون های دوظرفیتی دچار مشکل شده و در صورت زیاد بودن دبی سیال عبوری از غشا خطای قابل توجهی دارد، لذا به نظر می رسید که باید تغییرات جدیدی در مدل اعمال شود. یکی از مواردی که در مدل‌های قبل در نظر گرفته نشده بود، دافعه دی‌الکتریک بود. این پدیده در اثر برهم کنش الکترواستاتیک بین دو محیط با ثابت دی‌الکتریک متفاوت، که در تماس با هم قرار می گیرند، ایجاد می‌شود. در نهایت مدل DSPM- DE به منظور رفع نارسایی‌های مدل‌های قبل توسط بندینی[7] و همکاران در سال 2003 ارائه گردید[56]. در این مدل معادله نرنست- پلانک اصلاح شده اساس انتقال جرم را تشکیل می دهد. ودر آن اثرات انتقال جرم ناشی از جابجایی، نفوذ ناشی از اختلاف پتانسیل الکتروشیمیایی که اختلاف غلظت قسمتی از آن است، در نظر گرفته شده است. نتایج این مدل، حتی در مورد یون‌های دوظرفیتی هم تطابق مناسبی با نتایج تجربی را نشان می دهد. زیمسیک[8] و همکاران در سال های 2005 و 2006، با استفاده از این مدل سعی کردند تا تاثیر بار موثر غشا، دبی عبوری و ضخامت را بر عملکرد نانوفیلتراسیون مدل کنند. در بررسی ها مشخص شد که وقتی دبی عبوری زیاد و بار غشا کم باشد جابجایی، عامل اصلی انتقال جرم خواهد بود و زمانی که بار غشا زیاد و دبی عبوری کم باشد نفوذ عامل اصلی انتقال جرم خواهد بود[58 و 57]

برای حل دستگاه معادلات دیفرانسیل غیر خطی حاصل از مدل هم تلاش‌های فراوانی انجام‌شده است. برخی به دنبال راه‌های تحلیلی بوده اند، که از جمله سورو[9] و همکاران در سال 1991 با وجود پیچیده بودن مساله، موفق به حل دستگاه معادلات مشابه برای سیستم الکترولیتی شامل یون‌های یک‌ظرفیتی شدند[59]. برای غیر از محلول های با یون های تک ظرفیتی استفاده از راه تحلیلی میسر نشد لذا از روش های عددی استفاده شد. از جمله، گاریکا[10] و همکاران در سال 2004 از روش روش رانگ کوتا استفاده کردند[60]. در سال 2008، توسط جرالد[11] و همکارانش برای حل مشکلات روش‌های قبل یک الگوریتم جامع ارائه گردید. در این روش نقاط ضعف کارهای قبل مثل دقت پایین یا مشکلات همگرایی تا حد زیادی حل گردید. در این مقاله از روش خطی‌سازی معادلات برای حل آن‌ها استفاده شده و با تکنیک‌های عددی به کارگرفته شده، نتیجه بهتری نسبت به روش‌هایی نظیر رانگ-کوتا مشاهده شد[61].

 

15
2-1- مدل های آزمایشگاهی 16
2-1-1- مدل  DSPM 16
2-1-2- مدل DSPM-DE 17
2-2- مدل های تئوری 19
2-2-1-  مدل بار ثابت 19
2-2-2- مدل بار فضایی 19
2-3- مدل‌سازی الیاف توخالی 20
2-4-  مدل‌سازی بر مبنای دینامیک سیالات محاسباتی 24
2-5-  مدل‌سازی بر مبنای هوش مصنوعی 25

فصل سوم- مدل سازی

مدل‌های بر مبنای معادلات تئوری هیدرودینامیکی مشکلاتی نظیر پیچیدگی‌های ناشی از فیزیک مساله، حجم زیاد محاسبات و نیز خطای ناشی از فاصله مبانی تئوری و مسائل واقعی دارند. با توجه به این مشکلات نظر محققان به گونه‌ای دیگر از مدل سازی جلب شده که با استفاده از هوش مصنوعی به مدل سازی بر مبنای داده های تجربی می پردازد. هوش مصنوعی، شاخه‌ای از علم کامپیوتر است که ملزومات محاسباتی اعمالی همچون ادراک، استدلال و یادگیری را بررسی کرده و سیستمی جهت انجام چنین اعمالی ارائه می‌دهد. در این شاخه محاسباتی می توان از داده های تجربی موجود برای ایجاد یک مدل مناسب جهت پیش بینی فرآیندهای مشابه استفاده کرد.تفاوت انسان با سایر موجودات زنده دیگر در توانایی تصمیم گیری و اراده اوست که به ساختار پیچیده مغز و سلسله اعصاب او بر می گردد. از دیرباز دانشمندان و محققین زیادی علاقمند به شناخت ساختمان مغز انسان و چگونگی انجام محاسبات و پردازش در آن بوده اند آنچه باعث توجه گسترده به این موضوع شده اموری است که مغز آنها را در کسری از ثانیه انجام می دهد( مثل شناسایی چهره آشنا ) در حالیکه رایانه های دیجیتال برای انجام آنها نیاز به زمان زیادی دارند بنابراین مغز برای محاسبات خود اساسا از ساختاری کاملا مغایر با ساختار رایانه های متداول برخوردار می باشد.  احساس نیاز بشر برای دستیابی به هوش مصنوعی به منظور نزدیک تر کردن ارتباط انسان و ماشین و دستیابی به ماشین های هوشمندی که بتواند از عهده وظایف پیچیده تر بر آیند انگیزه اصلی تحقیقات گسترده بر روی سیستم عصبی انسان و دیگر موجودات زنده و تلاش در جهت شبیه سازی مصنوعی آن بوده است. شبکه عصبی مصنوعی[1]  ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد. عنصر کلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است.شبکه های عصبی، با توانایی قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، می‌تواند برای استخراج الگوها و شناسایی روش‌هایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی آموزش داده شده می تواند به عنوان یک متخصص در مقوله اطلاعاتی که برای تجزیه تحلیل به آن داده شده به حساب آید شبکه های عصبی در هر دو جهت توسعه تئوری و عملی در حال رشد می باشند. بیش‌تر پیشرفت ها در شبکه های عصبی به ساختارهای نوین و روش های یادگیری جدید مربوط می شود آن‌چه که در مورد آینده می توان گفت این است که شبکه های عصبی جایگاه مهمی به عنوان یک ابزار علمی که بتواند برای حل مسائل خاص مورد استفاده قرار گیرد خواهند داشت.

 3-4-1- شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی الهام گرفته از سیستم های بیولوژیکی هستند. اما اختلاف‌های عمده ای بین معماری و قابلیت شبکه های عصبی مصنوعی و طبیعی وجود دارد. مغز انسان به عنوان یک سیستم پردزاش اطلاعاتی با ساختار موازی از 100 تریلیون نرون های به هم مرتبط می باشد که این نرون ها از طریق شبکه ای از آکسون ها[2] و سیناپس‌ها[3] با چگالی تقریبی10 هزار سیناپس در هر نرون، با هم ارتباط دارند[82].محیط عملکرد این نرون‌ها یک محیط شیمیایی است. گیرنده های حسی تحریکات را هم از محیط و هم از داخل بدن دریافت می کند. این تحریکات که به صورت ایمپالس[4]های الکتریکی هستند اطلاعات را به شبکه نرون ها وارد می کنند. سیستم عصبی مرکزی، اطلاعات دریافتی را پردازش می کند و با کنترل انگیزنده ها[5] پاسخ انسان را به صورت‌های مختلف بروزرسانی می کند.

 

26
3-1- مدل  DSPM-DE 27
3-2-  مدل بار فضایی 30
3-3-  مدل‌سازی الیاف توخالی 33
3-3-1- قسمت پوسته 34
3-3-2- قسمت غشا 35
3-3-3-  قسمت لوله 36
3-4- مدل‌سازی با استفاده از هوش مصنوعی 37
3-4-1-  شبکه های عصبی مصنوعی 38
3-4-2-  مدل‌های شبکه های عصبی مصنوعی 41
3-4-2-1- مدل نرون تک ورودی 42
3-4-2-2- مدل نرون چند قطبی 46
3-4-3-  ساختار شبکه عصبی 48
3-4-3-1- شبکه تک لایه 49
3-4-3-2- شبکه چند لایه 49
3-4-3-3- شبکه های پس خور یا برگشتی 51
3-4-4- یادگیری شبکه های عصبی مصنوعی 52
3-4-4-1- الگوریتم یادگیری پس از انتشار خطا 54
3-4-5- مدل نزدیک ترین همسایه ها 58

فصل چهارم-روش المان محدود

المان محدود امروزه کاربردهای فراوانی در شاخه های مختلف مهندسی پیدا کرده است. اگرچه در ابتدا برای محاسبات سازه ها از آن استفاده شده است. اما هم اکنون در محاسبات انتقال حرارت، مکانیک سیالات، الکترومغناطیس و … فواید خود را نشان داده است. در انتقال حرارت، ما مسائل توزیع دما را با کمک المان محدود و گرفتن شرایط مرزی و اولیه به راحتی قادر به محاسبه هستیم و فرقی نمی‌کند که شرایط پایا یا ناپایا باشد. در مکانیک سیالات از تحلیل جریان تراکم ناپذیر پایا گرفته تا جریان بسیار آشفته تراکم‌پذیر همه از موضوعاتی است که تا المان محدود به کارمان خواهد آمد.

المان محدود روشی عددی برای حل مجموعه ای از معادلات حاکم بر سیستم های فیزیکی پیوسته است. برای اینکه هر جسم در روش المان محدود تحلیل شود ابتدا می بایست آن را به اجزای کوچک‌تری که المان[1] نامیده می شود تقسیم کنیم. این اجزا یا المان‌ها، در تعداد نقاط محدودی به هم اتصال پیدا می کنند که به آنها گره[2] گفته می شود. ما معادلات حاکم بر حرکت هر یک از گره‌ها‌ را به‌دست آورده و به صورت همزمان (چند معادله ی چند مجهولی) حل می کنیم و آخر با تحلیل جواب های عددی معادلات، نتایج مورد نظر بدست می آیند. با بدست آمدن حل عددی معادلات حاکم بر هریک از گره‌های اطراف یک المان ،رفتار آن المان مشخص می شود و نهایتا با کنار هم قرار دادن نتایج حاصل از همه ی المان‌ها، رفتار یک سیستم فیزیکی تحت عملی خاص به‌دست می آید[84].از آنجا که سیستم فیزیکی به المان‌ها و گره ها تقسیم می شود، همه ی بارها و اثرات خارجی (شرایط مرزی) نیز می بایست تبدیل به مقادیر گیرهای و المانی شوند. نیروهای متمرکزی چون F بر یک گره اعمال می شوند اما نیروهای فشاری چون P به صورت مساوی به هر یک از نودهای محدوده ی اثر، اعمال خواهند شد. محدوده اتصالات ثابت مثل زمین نیز دارای معادلات خاص برای جابجایی خواهند بود.از آنجا که این محاسبات عددی هستند و میزان خطای آنها بسیار مهم است باید گفت تا اینجا حداقل دو منبع خطا شکل گرفتند، اول اینکه حل در نظر گرفته شده با کمک المان‌ها با مقادیر واقعی آن دقیقا مطابقت نمی کند. هر چه المان در نظر گرفته شده مناسب‌تر باشد، میزان خطای محاسبات کم تر خواهد بود.خوشبختانه بسیاری از حل ها با کوچکتر کردن اندازه ی المان دقیق‌تر می‌شوند، اما همیشه این‌گونه نخواهد بود. خطای بعدی، میزان دقت معادله ی جبری است که ما ادعا می‌کنیم بر شرایط فیزیکی حاکم است. ما همیشه با در نظر گرفتن فرضیاتی، معادله ی حاکم را ساده‌تر می‌کنیم و این خود مقداری خطا بوجود می آورد. باید به خاطر داشته باشیم حل المان‌های محدود به شدت به کامپیوتر و برنامه نویسی رایانه ای وابستگی دارد و نباید شرایط حاکم بر رایانه‌ها و روش‌های به‌کار رفته در آنها برای انجام محاسبات را فراموش کنیم

60
4-1- مقدمه 61
4-2- تاریخچه روش عناصر محدود 62
4-3- مراحل اصلی تحلیل عناصر محدود 63
4-4- مدل های ریاضی 64
4-5- روش های مهم کلاسیک عددی 64
4-5-1-روش ریتز 64
4-5-1-1- معایب استفاده از روش تحلیل ریتز 65
4-5-2- روش گالرکین به عنوان یک روش باقیمانده وزن دار 66
4-5-3- مقایسه روش ریتز و روش گالرکین 67
4-6- حوزه کاربردهای روش عناصر محدود 68
4-7- فرآیند تحلیل عناصر محدود 68
4-8- ملاحظات همگرایی در تحلیل عناصر محدود 69
4-9- خطاهای تحلیل عناصر محدود 70
4-10- معیارهای همگرایی یکنوا 70
4-10-1- معیارهای همگرایی یکنوا- شرط سازگاری 71

فصل پنجم- نتایج و بحث

جداسازی سیالات با استفاده از غشاهای جریان متقاطع[1] برتری عمده ای بر غشاهای معمول در سیستم های ناپیوسته برای بسیاری از فرآیندها دارد، مطالعات زیادی روی این سیستم ها انجام شده است.  مخصوصا با توجه به این که به دلیل جریان موازی با غشا تا حدود زیادی از تشکیل لایه غلظتی، جلوگیری می شود و درنتیجه مدت زمان استفاده از غشا بیش تر می شود.

5-1-1- مدل سازی ریاضی

برای محاسبه انتقال جرم طبق روند معمول مدل سازی های سیستم های الکترولیتی از معادلات استفان-ماکسول استفاده شده است. در مورد فرآیند نانوفیلتراسیون و استفاده آن در محلول های الکترولیت از معادله نرنست-پلانک که از معادله استفان- ماکسول مشتق شده است استفاده می شود. البته این معادله را معمولا در فرم اصلاح شده استفاده می کنند که عبارت است از:

[1] Cross-Flow

72
5-1- مدل سازی سیستم غشایی 73
5-1-1- مدل سازی ریاضی 73
5-1-2- هندسه و مش بندی 74
5-1-3-  نتایج مدل‌سازی برای سیستم استوانه ای 75
5-2- مدل سازی سازی غشای نانوفیلتراسیون الیاف توخالی 85
5-2-1-1- اثر دبی ورودی 91
5-3- مدل سازی به روش شبکه عصبی 93
5-4- مدل سازی با استفاده از انفیس 97
5-5- مدل سازی به روش نزدیک ترین همسایه‌ها 102

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل ششم-نتیجه گیری و پیشنهادها

108
6-1- نتیجه گیری 108
6-2- پیشنهادات 109
منابع و ماخذ 111
 

ABSTRACT

 and pipelines. Therefore, its removal from the streams is essential. The objective of  the present study is to mathematically model the nanofiltration of Clseparation  from gas condensates. In modeling the process, Space-charge model, Hollow-fiber model, Artificiall neural networks, ANFIS and nearest neighbors thecnique were applied and examined. In the space-charge model, applied in laboratory scale, resulted in high amount of Cl–  separation from gas condensates. In examining hollow fibers, the outcome of the model was firstly compared with the exprimental data. The modeling in this case was also very accurate which again resulted in a good separation which was also varied with flowrate.In the next stage, ANN which would easily handle process with special comlexity and large amount of calculation was used. It was noted that ANN could also remedy the problem of low percision of other models. Finally, ANFIS and the nearest neighbours thecnique were used to invesigate  the separation of clfrom gas condensates. To compare the exprimental data with the model results, the variation of concentration, pressure and pH were investiging. Excellent agreement with the exprimental data were available, was obtained in all theorical studies were under taken.The  high percision of results regarding the model process and its excellent flexibility is promising which can be generelized to other similar processes.



بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word

قیمت35000تومان