vguitВестник Воронежского государственного университета инженерных технологийProceedings of the Voronezh State University of Engineering Technologies2226-910X2310-1202VSUET10.20914/2310-1202-2024-4-222-229vguit-3552Research ArticleХимическая технологияFundamental and Applied chemistry, chemical technologyПрименение нейронных сетей при создании аппаратурных схем мембранных установокApplication of neural networks in creating hardware schemes of membrane plantshttps://orcid.org/0000-0003-0245-7904ЛобасенкоБ. А.LobasenkoB. A.

д.т.н., профессор, кафедра инженерного дизайна, ул. Красная, 6, г. Кемерово, 650000, Россия

Dr. Sci. (Engin.), professor, Department of Industrial Design, Krasnaya St. 6, Kemerovo 650000, Russia

lobasenko@mail.ruhttps://orcid.org/0000-0003-4512-1933ШафрайА. В.ShafrayA. V.

к.т.н., доцент, кафедра инженерного дизайна, ул. Красная, 6, г. Кемерово, 650000, Россия

Cand. Sci. (Engin.), assistant professor, Department of Industrial Design, Krasnaya St. 6, Kemerovo 650000, Russia

shafraia@mail.ruhttps://orcid.org/0000-0002-3136-3942СеменовА. Г.SemenovA. G.

д.т.н., профессор, кафедра теории и методики преподавания естественнонаучных и математических дисциплин, ул. Красная, 6, г. Кемерово, 650000, Россия

Cand. Sci. (Econ.), engineer, Department of Theory and Methodology of Teaching Natural Sciences and Mathematics, Krasnaya St. 6, Kemerovo 650000, Russia

agsem55@ya.ruhttps://orcid.org/0009-0004-5590-1946ГалязимовП. А.GaljazimovP. A.

магистрант, кафедра теории и методики преподавания естественнонаучных и математических дисциплин, ул. Красная, 6, г. Кемерово, 650000, Россия

Master student, Department of Theory and Methodology of Teaching Natural Sciences and Mathematics, Krasnaya St. 6, Kemerovo 650000, Russia

galiazimov33@gmail.comКемеровский государственный университетРоссияKemerovo State UniversityRussian Federation202428122024864222229Copyright © Лобасенко Б.А., Шафрай А.В., Семенов А.Г., Галязимов П.А., 20252025Лобасенко Б.А., Шафрай А.В., Семенов А.Г., Галязимов П.А.Lobasenko B.A., Shafray A.V., Semenov A.G., Galjazimov P.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestnik-vsuet.ru/vguit/article/view/3552

Рассматривается схема и принцип работы мембранного аппарата, характеризующегося отделением поляризационного слоя. Аппараты этого типа, помимо удаления пермеата, производят раздельный вывод концентрированного поляризационного слоя, образующегося на мембране и ядра потока, имеющего меньшую концентрацию, из центральной части аппарата. Анализ аппаратурной схемы установки с параллельным расположением подобных аппаратов показывает ее недостаточную эффективность и низкую производительность. Основной целью проектирования новых установок является интенсификация процесса разделения низкомолекулярных и высокомолекулярных компонентов смеси. Для этого целесообразно не смешивать потоки, имеющие различную концентрацию. С целью определения оптимальной конфигурации мембранной установки для выполнения вышеизложенных условий была использована математическая модель, разработанная на основе искусственных нейронных сетей. Нейронные сети были разработаны в интерактивной среде разработки Google Colaboratory на языке программирования Python во фреймворке PyTorch. В результате этого были смоделированы две сети, одна из которых предсказывала содержание сухих веществ в концентрате, а другая содержание сухих веществ в обедненном потоке. Для подтверждения результатов разработанной математической модели была предложена программа расчета концентраций получаемых компонентов с использованием материального баланса. Результаты, полученные на основе модели, применены при создании аппаратурной схемы установки. Предлагается алгоритм, блок-схема и программа расчета продолжительности работы мембранной установки и количества мембранных аппаратов, необходимых для получения требуемой концентрации конечного продукта. На программу расчета получено свидетельство о государственной регистрации программы на ЭВМ. Описан интерфейс программы.

The scheme and operating principle of a membrane unit characterized by separation of polarization layerare considered. Units of this type, in addition to permeate removal, realize separate extraction of the concentrated polarization layer formed on the membrane, and flux core with a lower concentration from the central part of the unit. Analysis of the hardware scheme of the plant with a parallel arrangement of such units shows its insufficient efficiency and low productivity. The main purpose of designing new plants is to intensify the process of separating low-molecular and high-molecular components of the mixture. For this purpose, it is advisable not to mix flows with different concentrations. In order to determine the optimal configuration of the membrane plant to meet the above conditions, a mathematical model developed on the basis of an artificial neural networks was used. The neural networks were developed in the interactive development environment Google Colaboratory in the Python programming language with the use of the PyTorch framework. As a result, two networks were modeled, one of which predicted the dry matter content of the concentrate, and the other predicted the dry matter content of the lean stream.To confirm the results of the developed mathematical model, a program for calculating the concentrations of the components obtained using the material balance was proposed. The results obtained on the basis of the model were used to create the hardware scheme of the plant. An algorithm, a block diagram and a program for calculating the operating time of a membrane plant and the necessary number of membrane units for obtaining a required concentration of the final product are proposed. A certificate of state registration of the computer program has been received for the calculation program. The program interface is described.

искусственная нейронная сетьустановка мембранного концентрированияполяризационный слойаппаратурная схемаartificial neural networkmembrane concentrating plantpolarization layerhardware schemeReferencesГохберг Л.М., Кирпичников М.П. Прогноз научно-технологического развития России: 2030. Биотехнологии. Москва: Министерство образования и науки Российской Федерации, Национальный исследовательский университет «Высшая школа экономики», 2014. – 48 с.1 Gokhberg L.M., Kirpichnikov M.P. Forecast of scientific and technological development of Russia: 2030. Biotechnologies // Moscow: The Ministry of Education and Science of the Russian Federation, National Research University «Higher School of Economics». 2014. 48 p. (in Russian).Лобасенко Б.А., Семенов А.Г., Захаров Ю.Н. Ультрафильтрация: Теория и практика // Наука, 2015. 204 с.2 Lobasenko B.A., Semenov A.G., Zakharov Yu. N. Ultrafiltration: Theory and Practice // Nauka. 2015. 204 p. (in Russian).Терминология. Мембраны и мембранные технологии (научно-информационный портал). URL: http://www.memtech.ru/index.php/ru/glavnaya/ terms3 Glossary of Terms //Membranes and Membrane Technologies. URL: http://www.memtech.ru/index.php/ru/glavnaya/terms (in Russian).Maytakov A.L., Yusupov Sh. T., Popov A.M., Kravchenko S.N. Study of the process of concentration as a factor of product quality formation // Foods and Raw Materials. 2018. V. 6. № 1. P. 172–181.4 Maytakov A.L., Yusupov Sh. T., Popov A.M., Kravchenko S.N. Study of the process of concentration as a factor of product quality formation // Foods and Raw Materials. 2018. Vol. 6. no. 1. pp. 172–181.Shafrai A.V., Prosekov A. Yu., Vechtomova E.A. Modeling the biocatalytic method of lipid extraction using artificial neural networks // Information (Switzerland). 2023. V. 14. № 8. P. 452.5 Shafrai A.V., Prosekov A. Yu., Vechtomova E.A. Modeling the biocatalytic method of lipid extraction using artificial neural network // Information (Switzerland). 2023. Vol. 14. no. 8. pp. 452.Torshizi, M.V., Asghari, A., Tabarsa, F., Danesh, P. et al. Classification by artificial neural network for mushroom color changing under effect uv-A irradiation. Carpathian J. Food Sci. Technol. 2020. V. 12. P.157–167. doi:10.34302/crpjfst/2020.12.2.166 Torshizi M.V., Asghari A., Tabarsa F., Danesh P. et al. Classification by artificial neural network for mushroom color changing under effect uv-A irradiation. Carpathian J. Food Sci. Technol. 2020. Vol. 12. pp. 157–167. doi:10.34302/crpjfst/2020.12.2.16Ekiz B., Baygul O., Yalcintan H., Ozcan M. Comparison of the decision tree, artificial neural network and multiple regression methods for prediction of carcass tissues composition of goat kids. Meat Sci. 2020. V. 161. P. 108011. doi: 10.1016/j.meatsci.2019.1080117 Ekiz B., Baygul O., Yalcintan H., Ozcan M. Comparison of the decision tree, artificial neural network and multiple regression methods for prediction of carcass tissues composition of goat kids. Meat Sci. 2020. Vol. 161. pp. 108011. doi: 10.1016/j.meatsci.2019.108011Shafrai A.V., Permyakova L.V., Borodulin D.M., Sergeeva I.Y. Modeling the physiological parameters of brewer's yeast during storage with natural zeolite-containing tuffs using artificial neural networks // Information (Switzerland). 2022. V. 13. № 11. P. 529.8 Shafrai A.V., Permyakova L.V., Borodulin D.M., Sergeeva I.Y. Modeling the physiological parameters of brewer's yeast during storage with natural zeolite-containing tuffs using artificial neural networks // Information (Switzerland). 2022. Vol. 13. no. 11. pp. 529.Chen J.D., Zhang D.F., Nanehkaran Y.A., Li D.L. Detection of rice plant diseases based on deep transfer learning. J. Sci. Food Agric. 2020. V. 100. P. 3246–3256. doi:10.1002/jsfa.103659 Chen J.D., Zhang D.F., Nanehkaran Y.A., Li D.L. Detection of rice plant diseases based on deep transfer learning. J. Sci. Food Agric. 2020. Vol. 100. pp. 3246–3256. doi:10.1002/jsfa.10365Cunha A.F., Caetano N.S., Ramalho E., Crispim A. Fat extraction from fleshings – Optimization of operating conditions. Energy Rep. 2020. V. 6. P. 381–390. doi: 10.1016/j.egyr.2020.11.17610 Cunha A.F., Caetano N.S., Ramalho E., Crispim A. Fat extraction from fleshings – Optimization of operating conditions // Energy Rep. 2020. Vol. 6. pp. 381–390. doi: 10.1016/j.egyr.2020.11.176Tarafdar A., Kaur B.P., Nema P.K., Babar O.A. et al. Using a combined neural network-genetic algorithm approach for predicting the complex rheological characteristics of microfluidized sugarcane juice. LWT-Food Sci. Technol. 2020. V. 123. P. 109058. doi: 10.1016/j.lwt.2020.10905811 Tarafdar A., Kaur B.P., Nema P.K., Babar, O.A. Using a combined neural network-genetic algorithm approach for predicting the complex rheological characteristics of microfluidized sugarcane juice // LWT-Food Sci. Technol. 2020. Vol. 123. pp. 109058. doi: 10.1016/j.lwt.2020.109058Vasighi-Shojae H., Gholami-Parashkouhi M., Mohammadzamani D., Soheili A. Predicting Mechanical Properties of Golden Delicious Apple Using Ultrasound Technique and Artificial Neural Network. Food Anal. Methods 2020. V. 13. P. 699–705. doi:10.1007/s12161–019–01689z12 Vasighi-Shojae H., Gholami-Parashkouhi M., Mohammadzamani D., Soheili A. Predicting Mechanical Properties of Golden Delicious Apple Using Ultrasound Technique and Artificial Neural Network // Food Anal. Methods. 2020. Vol. 13. pp. 699–705. doi:10.1007/s12161–019–01689zLu A., Wei X., Cai R., Xiao S., et al. Modeling the effect of vibration on the quality of stirred yogurt during transportation. Food Sci. Biotechnol. 2020. V. 29. P. 889–896. doi:10.1007/s10068–020–00741–713 Lu A., Wei X., Cai R., Xiao S. Modeling the effect of vibration on the quality of stirred yogurt during transportation. // Food Sci. Biotechnol. 2020. Vol. 29. pp. 889–896. doi:10.1007/s10068–020–00741–7Jenkins B., Ronis M., Koulman A. LC–MS lipidomics: Exploiting a simple high-throughput method for the comprehensive extraction of lipids in a ruminant fat dose-response study. Metabolites. 2020. V. 10. P. 296. doi:10.3390/ metabo1007029614 Jenkins B., Ronis M., Koulman A. LC–MS lipidomics: Exploiting a simple high-throughput method for the comprehensive extraction of lipids in a ruminant fat dose-response study // Metabolites 2020, 10, 296. https://doi.org/10.3390/ metabo10070296.Ali A., Qadri S., Mashwani W.K., Brahim Belhaouari S. et al. Machine learning approach for the classification of corn seed using hybrid features. Int. J. Food Prop. 2020. V. 23. P. 1097–1111. doi:10.1080/10942912.2020.177872415 Ali A., Qadri S., Mashwani W.K., Brahim Belhaouari S. Machine learning approach for the classification of corn seed using hybrid features // Int. J. Food Prop. 2020. Vol. 23. pp. 1097–1111. doi:10.1080/10942912.2020.1778724Asghari M., Dashti A., Rezakazemi M., Jokar E. et al. Application of neural networks in membrane separation16 Asghari M., Dashti A., Rezakazemi M., Jokar E. et al. Application of neural networks in membrane separation // Reviews in Chemical Engineering. 2020. Vol. 36. no. 2. pp. 265–310. doi:10.1515/revce2018–0011// Reviews in Chemical Engineering. 2020. V. 36. №. 2. P. 265–310. doi:10.1515/revce2018–001117 Alver A., Zeynep Kazan Z. Prediction of full-scale filtration plant performance using artificial neural networks based on principal component analysis // Separation and Purification Technology. 2020. Vol. 230. P. 115868. doi: 10.1016/j.seppur.2019.115868Alver A., Kazan Z. Prediction of full-scale filtration plant performance using artificial neural networks based on principal component analysis // Separation and Purification Technology. 2020. V. 230. P. 115868. doi: 10.1016/j.seppur.2019.11586818 Ibrahim S., Abdul Wahab N. Improved Artificial Neural Network Training Based on Response Surface Methodology for Membrane Flux Prediction // Membranes. 2022. Vol. 12(8). pp. 726. doi:10.3390/membranes12080726Ibrahim, S., Abdul Wahab N. Improved Artificial Neural Network Training Based on Response Surface Methodology for Membrane Flux Prediction. Membranes. 2022. V. 12(8). P. 726. doi: 10.3390/membranes1208072619 Abuwatfa W.H., AlSawaftah N., Darwish N., Pitt W.G. et al. A Review on Membrane Fouling Prediction Using Artificial Neural Networks (ANNs) // Membranes. 2023. Vol. 13(7). pp. 685. doi:10.3390/membranes13070685Abuwatfa, W.H., AlSawaftah, N., Darwish N., Pitt W.G. A Review on Membrane Fouling Prediction Using Artificial Neural Networks (ANNs) // Membranes. 2023. V. 13(7). P. 685. doi:10.3390/membranes1307068520 Chan M., Shams A., Wang C.; Lee P. et al. Artificial Neural Network Model for Membrane Desalination: A Predictive and Optimization Study // Computation. 2023. Vol. 11(3). pp. 68. doi:10.3390/computation11030068Chan, M., Shams, A., Wang C., Lee P. et al. Artificial Neural Network Model for Membrane Desalination: A Predictive and Optimization Study. Computation. 2023. V. 11(3). P. 68. doi:10.3390/computation11030068Chan, M., Shams, A., Wang C., Lee P. et al. Artificial Neural Network Model for Membrane Desalination: A Predictive and Optimization Study. Computation. 2023. V. 11(3). P. 68. doi:10.3390/computation11030068

The authors declare that there are no conflicts of interest present.