《Desalination and Water Treatment》:Performance prediction of vacuum membrane distillation system for sulfuric acid solution based on multi-layer perceptron-support vector machine
编辑推荐:
为解决硫酸溶液真空膜蒸馏(VMD)系统性能预测精度低、稳定性差的问题,研究人员搭建了实验装置并进行多工况运行测试,构建了多层感知器-支持向量机(MLP-SVM)混合模型以预测产水通量,选取232组和58组数据点分别作为训练集与测试集进行训练与验证。结果表明预测
为解决硫酸溶液真空膜蒸馏(VMD)系统性能预测精度低、稳定性差的问题,研究人员搭建了实验装置并进行多工况运行测试,构建了多层感知器-支持向量机(MLP-SVM)混合模型以预测产水通量,选取232组和58组数据点分别作为训练集与测试集进行训练与验证。结果表明预测值与真实值基本吻合:模型训练过程中均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、百分比偏差(PBIAS)、纳什效率系数(NSE)、威尔莫特一致性指数(WI)及决定系数(R2)分别为0.0017、0.0407、0.0362、-0.4713%、0.9960、0.999和0.9953;测试过程中上述指标分别为0.0061、0.0775、0.0556、-0.2668%、0.984、0.996和0.9842。受样本量少和部分离群值影响,预测值与真实值间仍存在一定误差,但绝大多数误差在可接受范围(<20%)内,表明所建模型可高效预测VMD系统性能。
论文解读:《Performance prediction of vacuum membrane distillation system for sulfuric acid solution based on multi-layer perceptron-support vector machine》发表于《Desalination and Water Treatment》
一、研究背景与意义
硫酸废液是钛白粉生产、钢铁酸洗、气体干燥及有机物硝化等工业过程产生的高腐蚀性危险废液,直接排放造成资源浪费与环境危害,其资源化零排放日益受到关注。真空膜蒸馏(Vacuum Membrane Distillation, VMD)是利用疏水性微孔膜(如聚四氟乙烯PTFE)在冷侧负压驱动下使料液侧水汽化透过膜孔从而回收纯水的分离技术,具操作温度低、耐强腐蚀、分离效率高等优点,适用于硫酸溶液处理。但硫酸溶液沸点高、强腐蚀性强氧化性,且受膜污染、温差极化与浓差极化耦合影响,VMD实际操作参数波动大、难耦合,制约其工业化应用。性能预测对维持VMD高效稳定运行至关重要。已有研究多采用多层感知器(Multi-Layer Perceptron, MLP)、反向传播(Back Propagation, BP)神经网络等人工智能方法预测膜蒸馏性能,但此类模型需大量数据且易受噪声干扰导致过拟合;支持向量机(Support Vector Machine, SVM)基于结构风险最小化与间隔最大化原理,在小样本下具较强泛化能力与噪声容忍度。针对硫酸溶液VMD系统现有研究较少且实验数据有限,研究人员提出融合MLP特征提取能力与SVM抗过拟合优势的MLP-SVM混合回归模型开展性能预测研究。
二、主要关键技术方法
研究人员搭建PTFE膜材(有效面积1 m2,孔径0.2 μm,孔隙率80%)的VMD实验台,以稀硫酸溶液为进料,在进料温度(T1)70–90℃、进料浓度(X1)5%–60%(质量分数)、进料流量(M1)200–1000 L·h-1、真空侧压力(Pv)20–40 kPa范围内采集290组工况运行数据,按4:1划分为训练集(232组)与测试集(58组)。构建含输入层(4节点)、三层隐含层(神经元数32?64?32,激活函数为Leaky_ReLU,斜率0.2,辅以批量归一化Batch Normalization与Dropout率0.7)及特征输出层的MLP网络,提取深层非线性特征后输入采用径向基(Gaussian)核函数的ε?不敏感支持向量回归(Support Vector Regression, SVR)模型,通过网络搜索结合K折交叉验证优选SVM惩罚系数C与核参数γ,以MSE、RMSE、MAE、PBIAS、NSE、WI及R2为评价指标,并与单一MLP、SVM及随机森林(Random Forest, RF)模型对比。
三、研究结果
4.1. Prediction process analysis of MLP-SVM model
研究人员以进料温度、浓度、流量及真空侧压力四参数为输入,产水通量(N)为输出。原始数据相关性分析显示各输入特征与N呈中低线性相关(|r|=0.3–0.5),输入特征间近似独立,表明VMD输入输出间为复杂非线性映射关系,适合神经网络建模。经隐含层首层神经元数寻优(4–256),确定三层隐含层最佳神经元配置为32?64?32,此时训练与测试集误差最小、R2最高且二者差距最小。MLP?SVM预测曲线与真实值在整个值域内变化趋势基本一致,优于单一MLP、SVM及RF在高值区的偏离。
4.2. Visualization analysis of MLP-SVM model
散点图显示MLP?SVM模型预测值较其余三种模型更密集分布于y=x参考线附近,低值与宽范围真值区间均能较好贴合,表明其具更佳泛化能力与鲁棒性。
4.3. Comprehensive performance analysis of MLP-SVM model
绝对误差(Absolute Error, AE)分析显示MLP?SVM绝大多数样本AE分布在?0.1至0.1 kg·m-2·h-1内,相对误差(Relative Error, RE)>20%的样本占比低于对比模型。RE分段统计表明MLP?SVM测试集中RE<5%、5%–10%、10%–20%、>20%的样本数分别为38、10、4、6,占比65.52%、17.24%、6.90%、10.34%,超80%样本RE<20%。综合指标:训练阶段MSE=0.0017,RMSE=0.0407,MAE=0.0362,PBIAS=?0.4713%,NSE=0.9960,WI=0.999,R2=0.9953;测试阶段MSE=0.0061,RMSE=0.0775,MAE=0.0556,PBIAS=?0.2668%,NSE=0.984,WI=0.996,R2=0.9842。各项误差指标低于、一致性指标高于单一MLP(R2test=0.9757)、SVM(R2test=0.9547)及RF(R2test=0.9476),且测试与训练性能差距小,说明引入SVM有效抑制过拟合、提升泛化性。Taylor图、Radar图与Box图进一步证实MLP?SVM在相关系数及标准差匹配度上表现最优。
四、讨论与结论翻译
研究人员得出结论:(1)建立了含输入层、三层隐含层(32?64?32神经元)及输出层的MLP?SVM模型,预测值与真实值吻合良好;(2)可视化表明MLP?SVM预测值比MLP、SVM及RF更集中于真实值附近,泛化能力更优;(3)MLP?SVM的绝对误差基本波动于?0.1~0.1 kg·m-2·h-1,相对误差多小于20%,预测精度高;(4)迭代过程中MLP?SVM较单一MLP收敛稳定,测试集MSE、RMSE、MAE及PBIAS更低,NSE、WI及R2更高,过拟合程度小、泛化能力好。该MLP?SVM混合模型对硫酸溶液VMD系统产水通量预测具显著优势,亦可推广至其他强酸、强碱及高浓度盐溶液VMD系统的性能预测。未来研究方向包括:预测不同硫酸浓度下膜材料耐久性与润湿行为;开发实时监测与动态调控运行参数的智能控制策略;融合多模态数据建立全生命周期健康管理以实现膜污染预警与剩余寿命预测,保障VMD系统在强酸环境下的长期稳定运行。