Abstract
Bu çalismada DS 5 tipi nanofiltrasyon membran kullanan membran prosesinde tuz giderim verimini
belirlemek için ileri beslemeli bir YSA modeli kullanilmistir. Yapay Sinir Agini (YSA) egitmek ve test etmek için
kullanilacak olan 238 adet deneysel veri literatürden toplanmistir. Bu deneysel verilerin 178 tanesi YSA’nin egit im
setinde ve 60 tanesi de test setinde kullanilmak üzere rasgele seçilerek iki kisma ayrilmistir. YSA modeli bes girdi
ve bir çiktidan olusmaktadir. Girdiler basinç, tuz konsantrasyonu, boya konsantrasyonu, yatay akis hizi ve pH iken
çikti yalnizca tuz giderme verimidir. YSA’nin egitimi için optimizasyon algoritmasi olarak ölçeklenmis konjuge
gradyent algoritmasi kullanilmistir. Test setinde YSA’nin performansini degerlendirmek için ortalama mutlaka
yüzde hata (OMYH) ve ortalama karesel hata (OKH) metotlari kullanilmistir. Egitim ve test islemleri sonucunda en
uygun gizli katman ve islem elemani sayisi deneysel veriler ile YSA sonuçlari arasindaki en düsük OMYH ve OKH
performans degerlerine sahip olan tek gizli katmanli ve 9 islem elemanli yapi olarak belirlenmistir. Egitim ve test
sonuçlari için ortalama mutlak yüzde hata degerleri sirasiyla 4,22 ve 3,84’dür. Bu degerlere göre deneysel sonuçlar
ile YSA sonuçlari arasinda çok iyi bir uyum oldugu görülmektedir.
Abstract
In this paper, a feedforward neural network (NN) model is used to determination the salt rejection
efficiency of a Nanofiltration (NF) experimental setup, which uses a DS5 nanofiltration membrane. Experimental
data were collected from literature. Two hundred thirty eight experimental data were used for training and testing
the network. The NN was fed with five inputs: the feed pressure, pH, salt concentration, dye concentration and cross
flow velocity to determination the salt rejection efficiency. The Scaled Conjuge Gradient Algorithm (SCG) was used
as optimization algorithm for training the NN. The best network configuration was set as 5-9-1 with trying and
testing. The model will determine the salt rejection efficiency of nanofiltration membranes based on input and
output parameters. The network was trained with a hundred seventy eight experimental data and tested with sixty
experimental data. The mean absolute percentage error method was used to evaluate performance of NN. The mean
absolute percentage error of training and testing results were 4.22 and 3.84 respectively. It is shown that the
agreement between NN predictions and experimental data was very good.
Details
| Other ID | JA57HK87TG |
|---|---|
| Journal Section | Articles |
| Authors | |
| Publication Date | August 1, 2007 |
| Submission Date | August 1, 2007 |
| Published in Issue | Year 2007 Volume: 3 Issue: 2 |