مدل سازی کارایی فرآیند اولترافیلتراسیون در تصفیه شربت خام چغندر قند میکروفیلترشده به روش شبکه عصبی مصنوعی

فرآیند اولترافیلتراسیون به عنوان یکی از فرآیندهای غشایی مبتنی بر فشار میتواند به عنوان روشی نوین، جایگزین روش مرسوم در صنعت قند گردد. در این تحقیق کاهش سختی، افزایش درصد دفع ترکیبات غیرقندی و بهبود خلوص جریان تراوه طی تصفیه شربت خام چغندر با فرآیند اولترافیلتراسیون به روش شبکه عصبی مصنوعی مدل سازی شد. فرآیند اولترافیلتراسیون در سه درجه حرارت 30، 40 و 50 درجه سانتی گراد، سه فشار در عرض غشاء 1، 2 و 3 بار در هشت فاصله زمان مساوی از 1 تا 60 دقیقه انجام شد. بهترین مدل برای کاهش سختی با یک لایه پنهان ، تعداد 13 نورون، تابع انتقال تانژانت ، قانون یادگیری مومنتوم و درصد داده های 40 ، 35 و 25 به ترتیب برای آموزش، ارزیابی و آزمون بدست آمد. تغییرات درصد دفع ترکیبات غیرقندی با یک لایه پنهان، تعداد 15 نورون، تابع انتقال تانژانت، قانون یادگیری لونبرگ و اختصاص50، 5 و 45 درصد از داده ها برای آموزش، ارزیابی و آزمون مدل کمترین خطا و بیشترین ضریب همبستگی را طی مدل سازی داشت. بهبود خلوص جریان تراوه طی اولترافیلتراسیون نیز با یک لایه پنهان، تعداد 18 نورون، تابع انتقال سیگموئید، قانون یادگیری لونبرگ و درصد داده های 60، 15 و 25 برای آموزش، ارزیابی و آزمون بهترین شبکه را ایجاد نمود. همچنین بیشترین ضریب همبستگی بین داده های آزمایشگاهی و مقادیر های پیش بینی شده با مدل برای تغییرات سختی، درصد دفع ترکیبات غیرقندی و خلوص به ترتیب 0.892 ، 0.985 و 0.985 بدست آمد.

Modeling the Efficiency of Ultrafiltration Process in Purification of Microfiltered Raw Sugar Beet juice by Artificial Neural Network

The ultrafiltration process as one of the membrane processes based on pressure can replace with the conventional method of limingcarbonation as a new method in sugar industry. In this research, reduction of hardness, increasing the nonsugar rejection components and improving the purity of permeate flow were modeled during the treatment of raw beet syrup with ultrafiltration by artificial neural network. The ultrafiltration process was carried out at three temperatures of 30, 40 and 50 ° C, three pressures in the membrane 1, 2 and 3 times in eight intervals of equal time of 1 to 60 minutes. The best model for reduction of hardness was obtained with a hidden layer, the number of 13 neurons, the tangent transfer function, the momentum learning law, and the percentage of data 40, 35, and 25 for training, evaluation, and test, respectively. The variation of nonsugar rejection compounds with a hidden layer, 15 neurons, tangent transfer function, Levenberg learning law, and assigning 50, 5 and 45 percent of the data to training, evaluating and testing with the least error and the highest correlation coefficient during modeling. Improvement of the purity of permeate flow during ultrafiltration with a hidden layer, 18 neurons, sigmoid transfer function, Levenberg learning law and data percentages 60, 15 and 25 for training, evaluation, and testing created the best network. Also, the highest correlation coefficient between laboratory data and predicted values with the model was obtained for hardness variation, nonsugar rejection compounds and purity, 0.892, 0.985 and 0.985 respectively.