Моделирование водно-химических процессов в оборотных системах охлаждения

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

В статье рассматривается моделирование водно-химических процессов в оборотных системах охлаждения с использованием нейронной сети, обученной на основе большого массива параметров, с целью прогнозирования эффективности ингибиторов осадкообразования в промышленных условиях. В качестве входных параметров для модели нейронной сети использованы рН, жесткость, щелочность, индекс насыщения Ланжелье, коэффициент концентрирования солей, тип (полимер, фосфонат) и концентрации ингибиторов осадкообразования. Выходным параметром модели является транспорт кальция — показатель, характеризующий изменение концентрации ионов кальция в жидкой фазе. Полученные результаты демонстрируют высокий уровень корреляции между экспериментальными данными и результатами, рассчитанными с использованием обученной нейронной сети. Проведенные контрольные эксперименты подтверждают высокую эффективность прогнозируемой нейронной сетью композиции полимерного и фосфонатного ингибиторов осадкообразования.

Texto integral

Acesso é fechado

Sobre autores

Артем Воробьёв

Институт общей и неорганической химии НАН Беларуси

Email: layeuskaya@gmail.com
ORCID ID: 0009-0009-0243-5933

к.т.н.

Belarus, 220072, Республика Беларусь, г. Минск, ул. Сурганова, д. 9/1

Александр Бильдюкевич

Институт физико-органической химии НАН Беларуси

Email: layeuskaya@gmail.com
ORCID ID: 0000-0003-3662-9970

д.х.н., проф., академик

Belarus, 220072, Республика Беларусь, г. Минск, ул. Сурганова, д. 13

Елена Воробьева

Институт общей и неорганической химии НАН Беларуси

Email: layeuskaya@gmail.com
ORCID ID: 0000-0003-0609-4151

д.х.н., проф.

Belarus, 220072, Республика Беларусь, г. Минск, ул. Сурганова, д. 9/1

Елена Лаевская

Институт общей и неорганической химии НАН Беларуси

Autor responsável pela correspondência
Email: layeuskaya@gmail.com
ORCID ID: 0000-0002-9008-269X

к.т.н.

Belarus, 220072, Республика Беларусь, г. Минск, ул. Сурганова, д. 9/1

Анастасия Черникова

Институт общей и неорганической химии НАН Беларуси

Email: layeuskaya@gmail.com
ORCID ID: 0009-0003-6833-1914
Belarus, 220072, Республика Беларусь, г. Минск, ул. Сурганова, д. 9/1

Bibliografia

  1. Piana S., Gale J. D. Understanding the barriers to crystal growth: Dynamical simulation of the dissolution and growth of urea from aqueous solution // J. Am. Chem. Soc. 2005. V. 127. N 6. P. 1975‒1982. https://doi.org/10.1021/ja043395l
  2. Liu Q., Xu G.-R., Das R. Inorganic scaling in reverse osmosis (RO) desalination: Mechanisms, monitoring, and inhibition strategies // Desalination. 2019. V. 468. ID 114069. https://doi.org/10.1016/j.desal.2019.07.005
  3. Reddy M. M., Hoch A. R. Calcite сrystal growth rate inhibition by polycarboxylic acids // J. Colloid Interface Sci. 2001. V. 235. N 2. P. 365‒370. https://doi.org/10.1006/jcis.2000.7378
  4. Chaussemier M., Pourmohtasham E., Gelus D., Pécoul N., Perrot H., Lédion J., Cheap-Charpentier H., Horner O. State of art of natural inhibitors of calcium carbonate scaling. A review article // Desalination. 2015. V. 356. P. 47‒55. https://doi.org/10.1016/j.desal.2014.10.014
  5. Chauhan K., Kumar R., Kumar M., Sharma P., Chauhan G. S. Modified pectin-based polymers as green antiscalants for calcium sulfate scale inhibition // Desalination. 2012. V. 305. P. 31‒37. https://doi.org/10.1016/j.desal.2012.07.042
  6. Jensen M. K., Kelland M. A. A new class of hyper-branched polymeric scale inhibitor // J. Pet. Sci. Eng. 2012. V. 94‒95. P. 66‒72. https://doi.org/10.1016/j.petrol.2012.06.025
  7. Cao K., Huang J., Zhou Y., Liu G., Wang H., Yao Q., Liu Y., Sun W., Wu W. A multicarboxyl antiscalant for calcium phosphate and calcium carbonate deposits in cooling water systems // Desalin. Water Treat. 2014. V. 52. N 3739. P. 7258–7264. https://doi.org/10.1080/19443994.2013.825882
  8. Nowack B. Environmental chemistry of phosphonates // Water Research. 2003. V. 37. N 11. P. 2533‒2546. https://doi.org/10.1016/S0043-1354(03)00079-4
  9. Chu C. H., Widjaja D. Neural network system for forecasting method selection // Decision Support Systems. 1994. V. 12. N 1. P. 13‒24. https://doi.org/10.1016/0167-9236(94)90071-X
  10. Adya M., Collopy F. How effective are neural networks at forecasting and prediction? A review and evaluation // J. Forecasting. 1998. V. 17. N 5‒6. P. 481‒495 https://doi.org/10.1002/(SICI)1099-131X(1998090)17:5/6<481::AID-FOR709>3.0.CO;2-Q
  11. Воронов В. Н., Петрова Т. И. Водно-химические режимы ТЭС и АЭС. М.: Изд-во МЭИ, 2009. С. 227‒229.
  12. Козловский В. В., Ларин А. Б. Методика исследования состояния водного режима системы оборотного охлаждения на ТЭС // Вестн. Иванов. гос. энерг. ун-та. 2019. № 3. С. 14‒21. https://doi.org/10.17588/2072-2672.2019.3.014-021
  13. Бакластов А. М., Горбенко В. А., Удыма П. Г. Проектирование, монтаж и эксплуатация тепломассообменных установок: Учеб. пособие для вузов. М.: Энергоиздат, 1981. С. 11‒23.
  14. Воробьёв А. Д., Дормешкин О. Б. Ингибирование процесса кристаллизации карбоната кальция смесью органических фосфатов и карбоновых кислот // Изв. НАН Беларуси. Cер. хим. наук. 2014. № 2. С. 91‒97.
  15. Turner J. C. Modelling control of crystal growth processes // Computers and Mathematics with Applications. 2004. V. 48. N 7‒8. P. 1231‒1243.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Figs. 1. Schematic representation of the neural network model.

Baixar (362KB)
Metadados
3. Figs. 2. Schematic of the laboratory setup simulating the hydrodynamic regime of recirculating refrigeration systems. 1, 2 — circulation pump; 3 — differential pressure gauge; 4 — metallic capillary; 5 — thermostat; 6 is a heat exchange device.

Baixar (63KB)
Metadados
4. Figs. 3. Correlation of experimental (provided by enterprises) and calculated (obtained using neural network) calcium transport rates.

Baixar (89KB)
Metadados
5. Figs. 4. Dependence of the calculated calcium transport rate on the concentration of the precipitation inhibitor: polyacrylic acid with a molecular weight of 5.0 × 103 (a) and the sodium salt of phosphonbutantricarboxylic acid (b). Model system with stiffness (mmol-eq·L–1): 7.3 (1), 6.3 (2), 7.9 (3), 8.1 (4), 9.8 (5).

Baixar (203KB)
Metadados
6. Figs. 5. Correlation of experimental (obtained on model setup) and calculated (obtained using neural network) calcium transport rates.

Baixar (93KB)
Metadados
7. Figs. 6. Effect of polyaspartic acid [concentration 5.0 (1), 12.0 mg·L–1 (2)], polyacrylic acid (concentration 12.0 mg·L–1) with molecular weight 2.0·103 (3), 5.0·103 (4) . 8.0·103 (5), polymethacrylic acid (concentration 12.0 mg·L–1) (6), copolymer of maleic and acrylic acid (concentration 12.0 mg·L–1) (7), copolymer of sodium-methacryl sulfonate with sodium acrylate (concentration mg·L–1) (8), sodium salt of aminotrimethylenephosphonic (9) and sodium salt of phosphonbutantricarboxylic acid (10), compositions of polyaspartame and polyacrylic acid (1:1) (11), polyaspartame and sodium salt of phosphonbutantricarboxylic acid (1:1) (12) on calcium transport.

Baixar (234KB)
Metadados

Declaração de direitos autorais © Russian Academy of Sciences, 2024