Optimaliseren van ultrafiltratie met neurale netwerken

Met gegevens uit een eerder uitgevoerde inventarisatie van UF-installaties in Nederland konden geen verbanden worden gevonden tussen enerzijds procesinstellingen, zoals filtratietijd en flux, waterkwaliteitsparameters (bv. troebelheid en DOC-concentratie) en anderzijds de prestaties van de installaties. De reden hiervoor was het grote aantal parameters dat mogelijk een invloed heeft ten opzichte van de beperkte dataset; voor elke parameter was alleen een gemiddelde waarde bekend. In zo’n complexe situatie, met veel variabelen die onderling een verband kunnen hebben, kan met een kunstmatig neuraal netwerk (KNN) toch een relatie worden gelegd tussen input (procesinstellingen en waterkwaliteitsgegevens) en output (transmembraandruk), zonder dat hiervoor de exacte fysische achtergrond bekend hoeft te zijn.
Het doel van dit onderzoek was om met een KNN algemeen geldende relaties te vinden tussen waterkwaliteitsparameters en procesparameters enerzijds en de transmembraandruk in praktijk UF-installaties anderzijds. In dit onderzoek zijn daarvoor data van verschillende praktijkinstallaties verzameld en is naast een KNN black-box model ook een KNN white-box model gebruikt. Met dit laatste model kunnen verbanden tussen input en outputparameters inzichtelijk worden gemaakt.