Моделирование водно-химических процессов в оборотных системах охлаждения

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

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.

Полный текст

Доступ закрыт

Об авторах

Артем Дмитриевич Воробьёв

Институт общей и неорганической химии НАН Беларуси

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

к.т.н.

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

Александр Викторович Бильдюкевич

Институт физико-органической химии НАН Беларуси

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

д.х.н., проф., академик

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

Елена Викторовна Воробьева

Институт общей и неорганической химии НАН Беларуси

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

д.х.н., проф.

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

Елена Васильевна Лаевская

Институт общей и неорганической химии НАН Беларуси

Автор, ответственный за переписку.
Email: layeuskaya@gmail.com
ORCID iD: 0000-0002-9008-269X

к.т.н.

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

Анастасия Руслановна Черникова

Институт общей и неорганической химии НАН Беларуси

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

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Схематическое изображение модели нейросети.

Скачать (362KB)
3. Рис. 2. Схема лабораторной установки, моделирующей гидродинамический режим оборотных систем охлаждения. 1, 2 — циркуляционный насос; 3 — дифференциальный манометр; 4 — металлический капилляр; 5 — термостат; 6 — теплообменное устройство.

Скачать (63KB)
4. Рис. 3. Корреляция экспериментальных (предоставленные предприятиями) и расчетных (полученные с использованием нейросети) показателей транспорта кальция.

Скачать (89KB)
5. Рис. 4. Зависимость расчетного показателя транспорта кальция от концентрации ингибитора осадкообразования: полиакриловой кислоты с молекулярной массой 5.0 × 103 (а) и натриевой соли фосфонбутантрикарбоновой кислоты (б). Модельная система с жесткостью (ммоль-экв·л–1): 7.3 (1), 6.3 (2), 7.9 (3), 8.1 (4), 9.8 (5).

Скачать (203KB)
6. Рис. 5. Корреляция экспериментальных (полученных на модельной установке) и расчетных (полученных с использованием нейросети) показателей транспорта кальция.

Скачать (93KB)
7. Рис. 6. Влияние полиаспартамовой кислоты [концентрация 5.0 (1), 12.0 мг·л–1 (2)], полиакриловой кислоты (концентрация 12.0 мг·л–1) с молекулярной массой 2.0·103 (3), 5.0·103 (4). 8.0·103 (5), полиметакриловой кислоты (концентрация 12.0 мг·л–1) (6), сополимера малеиновой и акриловой кислот (концентрация 12.0 мг·л–1) (7), сополимера натрий-метакрилсульфоната с акрилатом натрия (концентрация 12.0 мг·л–1) (8), натриевой соли аминотриметиленфосфоновой (9) и натриевой соли фосфонбутантрикарбоновой (10) кислот, композиции полиаспартамовой и полиакриловой кислот (1:1) (11), полиаспартамовой и натриевой соли фосфонбутантрикарбоновой кислот (1:1) (12) на транспорт кальция.

Скачать (234KB)

© Российская академия наук, 2024