AI-based reversible membrane fouling early warning system for Ultrafiltration - Proof-of-concept

Due to the complexity of membrane fouling processes, it is rather challenging to accurately predict the occurrence or evolution of membrane fouling using these classical mechanistic mathematical models. Therefore, it is very necessary to develop more effective approaches that can accurately predict the performance of membrane processes. The rapid development of artificial intelligence (AI) offers a great opportunity to achieve this goal. In this project, we propose the development of a proof of concept for an early warning system designed to predict fouling behavior, specifically the increase in transmembrane pressure, within full-scale Ultrafiltration (UF) membrane plants. The primary objective for
water companies is to create a forecasting tool capable of predicting surface water fouling potential based on operational historical data and real-time support from water quality online monitoring.

AI-modellen kunnen bijdragen aan betere voorspelling van de vervuiling van ultrafiltratiemembranen. Gekeken is naar effectievere benaderingen om de prestaties van membraanprocessen nauwkeurig te kunnen voorspellen en de ontwikkeling van een proof of concept voor een vroegtijdig waarschuwingssysteem dat ontworpen is om vervuilingsgedrag te voorspellen, in het bijzonder de toename in transmembraandruk, binnen full-scale Ultrafiltratie (UF) membraaninstallaties. Een met historische data getraind AI-model blijkt in staat om de vervuiling in een specifieke installatie te voorspellen, maar is nog niet gegeneraliseerd genoeg om ook goede voorspellingen te doen voor andere UF-installaties. Aanbevelingen voor geschikte parameters, verdere dataverzameling en aanvullende modeltraining zijn geformuleerd, evenals voor de ontwikkeling van hybride modellen die de inzet van het vroegtijdig waarschuwingssysteem in volle schaal systemen kunnen stimuleren.