论文部分内容阅读
膜分离技术作为一种新型的化工分离技术，它具有多方面的优势。但在膜分离过程中伴随出现的浓差极化和膜污染等现象在某些方面限制了它的应用与发展。因此，对污染后膜清洗再生的研究具有重要的现实意义。 本文就使用陶瓷微滤膜过滤发酵液后的膜化学清洗再生进行了一些探索，以确定一系列较佳的化学清洗方案。研究表明：清洗剂的种类及其浓度、清洗压力、清洗温度、清洗时间以及清洗方式等因素都影响着清洗后膜通量的恢复率M。 在陶瓷膜处理巴西酸发酵液的膜化学清洗再生研究中，采用了三种清洗方式：单步清洗、连续两步清洗及连续三步清洗。根据巴西酸发酵液中可能会对陶瓷膜产生污染的物质以及各种清洗剂的清洗机理，选择了6种化学清洗剂对污染后的陶瓷膜进行化学清洗。实验结果表明：1)在单步清洗中，使用单种清洗剂0.5％NaOH在56℃，0.15MPa压力下清洗10min，可使膜通量的恢复率M达到92.34％。2)连续两步清洗中较为有效的清洗方式：0.25％Na5P3O10（第一步）+0.5％NaOH（第二步）在28℃，0.15MPa压力下每步分别清洗10min，可使膜通量的恢复率M达到86.48％。3)连续三步清洗较为有效的清洗方式是：0.75％NaClO（第一步）+0.5％NaOH（第二步）+0.25％Na5P3O10（第三步）在28℃，0.15MPa压力下每步分别清洗10min，膜通量的恢复率M达到94.34％。考虑到生产中的经济性及操作的简便性，实际生产中采用第1种清洗方法。 在陶瓷膜处理乳酸菌发酵液的膜化学清洗再生研究中，通过实验确定了一个较为简单有效的清洗方案：采用单种清洗剂0.25％NaOH在0.15MPa，16℃的情况下清洗10分钟，可使膜通量恢复率M达到95.14％。 建立BP神经网络模型来模拟HNO3溶液清洗被L—苯丙氨酸污染的陶瓷膜的膜清洗过程，并对清洗过程中的操作参数进行预测。通过实验所得的一定数量的输入和输出数据来“训练”所采用的神经网络，以得到输入与输出数据间的联系规律，然后用另外一些实测数据来测试所得的规律。本实验采用的BP神经网络模型结构为：2个输入结点（清洗压力，清洗剂浓度），1个隐层，5个隐层神经元数，1个输出结点（清洗后的膜通量）。结果证明模拟效果较好，即预测值与实测值较为符合。并且由3D俯视图的局部放大图可以确定一个较佳的实验操