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.

1. Гохберг 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.

2. Лобасенко Б.А., Семенов А.Г., Захаров Ю.Н. Ультрафильтрация: Теория и практика // Наука, 2015. 204 с.

3. Терминология. Мембраны и мембранные технологии (научно-информационный портал). URL: http://www.memtech.ru/index.php/ru/glavnaya/ terms

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. V. 6. № 1. P. 172–181.

5. 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.

6. 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/2020.12.2.16

7. 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. V. 161. P. 108011. doi: 10.1016/j.meatsci.2019.108011

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. V. 13. № 11. P. 529.

9. 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.10365

10. Cunha 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.2020.11.176

11. Tarafdar 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.2020.109058

12. 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. V. 13. P. 699–705. doi:10.1007/s12161–019–01689z

13. Lu 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/s10068–020–00741–7

14. 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. V. 10. P. 296. doi:10.3390/ metabo10070296

15. 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:10.1080/10942912.2020.1778724

16. Asghari M., Dashti A., Rezakazemi M., Jokar E. et al. Application of neural networks in membrane separation

17. // Reviews in Chemical Engineering. 2020. V. 36. №. 2. P. 265–310. doi:10.1515/revce2018–0011

18. Alver 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.2019.115868

19. Ibrahim, 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/membranes12080726

20. Abuwatfa, 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/membranes13070685

21. Chan, 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