文献

J-GLOBAL ID：202202239054464222   整理番号：22A1050277

膜蒸留脱塩の長期性能の予測評価のための時系列モデルの探索【JST・京大機械翻訳】

Exploration of time series model for predictive evaluation of long-term performance of membrane distillation desalination

著者 (8件)： Ray Saikat Sinha (Department of Urban and Environmental Engineering (UEE), Ulsan National Institute of Science and Technology (UNIST), Republic of Korea) ,  Verma Rohit Kumar (Department of Life Sciences, School of Natural Sciences (SONS), Shiv Nadar University, Delhi NCR, India) ,  Singh Ashutosh (Department of Life Sciences, School of Natural Sciences (SONS), Shiv Nadar University, Delhi NCR, India) ,  Myung Suwan (Research Center for Bio-based Chemistry, Korea Research Institute of Chemical Technology (KRICT), Ulsan 44429, Republic of Korea) ,  Park You-In (Membrane Research Center, Korea Research Institute of Chemical Technology, Daejeon, Republic of Korea) ,  Kim In-Chul (Membrane Research Center, Korea Research Institute of Chemical Technology, Daejeon, Republic of Korea) ,  Lee Hyung Kae (Department of Urban and Environmental Engineering (UEE), Ulsan National Institute of Science and Technology (UNIST), Republic of Korea) ,  Kwon Young-Nam (Department of Urban and Environmental Engineering (UEE), Ulsan National Institute of Science and Technology (UNIST), Republic of Korea)
資料名： Process Safety and Environmental Protection  (Process Safety and Environmental Protection)
巻： 160  ページ： 1-12  発行年： 2022年 
JST資料番号： W0232A  ISSN： 0957-5820  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 膜蒸留(MD)操作における固有の合併症のために,特に処理コストが顕著な懸念である場合,排水の品質を守るのに迅速かつ適切に認識する課題となっている。MD操作における膜濡れは長期性能における主要な関心事である。本研究では,機械学習(ML)方法論を利用して,従来の機構モデリングの限界を克服した。ML応用は,水フラックスや塩フラックスのような操作因子が長期MD性能に影響を受けるかを調べるためには,これまで調査されていない。さらに,時間依存因子は無視され,排水品質と運転因子の間の関係を分析するのは困難であった。したがって,本研究はMDの性能を高めるために設計された新しいMLベースフレームワークを実証した。MLベースフレームワークは自己回帰統合移動平均(ARIMA)から成り,操作因子間の時系列の影響を説明するユニークな経路を利用する。予測の精度を180時間(180データセット)を用いて探索し,さらに,訓練(165データセット)と試験データセット(15データセット)に分割した。結局,ARIMAモデルはモデルと実験データの間の高度に正確な関係秩序を示し,これは濡れと汚損に関して膜性能を予測するためにさらに使用できる。選択したARIMAモデル(3,2,1)は,水および塩フラックスデータに対する適切なモデルであり,最小予測RMSEを生成することにより,透過水および塩フラックスの過程を捉えるのに効果的に使用された。RMSE値は,水および塩フラックスに対して,それぞれ0.22および0.05であり,それは,高周波で長期時系列をより良く予測することができた。これらのフレームワークは,もし十分な高分解能データが利用できるならば,膜濡れの早期予測に適用できる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 濡れ ,  *蒸留 ,  排水 ,  HF【周波数】 ,  時間依存性 ,  モデリング ,  脱塩 ,  *モデル ,  高分解能 ,  合併症 ,  機械学習
準シソーラス用語： ARIMAモデル ,  *膜蒸留 ,  試験データ ,  自己回帰 ,  水フラックス , 【Automatic Indexing@JST】

著者キーワード (5件)： 水処理 ,  膜蒸留 ,  時系列 ,  機械学習 ,  予測解析

分類 (1件)： 膜分離  (XD02120Z)

タイトルに関連する用語 (7件)： 膜蒸留 ,  脱塩 ,  長期性能 ,  予測 ,  評価 ,  時系列モデル ,  探索