Neural network model prediction of chromium separation in polyelectrolyte-enhanced ultrafiltration

Effectiveness of polyelectrolyte-enhanced ultrafiltration in chromium recovery from its aqueous solutions was tested experimentally. Two chromium species, Cr(III) and Cr(VI) ions, were the subject of ultrafiltration processes enhanced with two water-soluble, ion-exchanging polyelectrolytes. These were: poly(sodium 4-styrenesulfonate) – PSSS (for Cr(III) ions recovery) and poly(diallyldimethylammonium chloride) – PDDAC (for Cr(VI) ions recovery). Experimental ultrafiltration tests with two different membranes and model solutions of appropriate chromium ions (5 and 50 mg·dm-3), at different pH and with various polyelectrolyte doses, provided numerical data for the artificial neural networks training procedure. Numerical neural network models made prediction of chromium retention coefficient (R) under different process conditions (pH, polymer dose, concentration of selected Cr form) possible. Strongly nonlinear dependences of retention cśfficient (R) on pH and polymer : metal concentration ratio for both chromium species, represented by experimental data, were identified and modeled by neural networks correctly. Good compatibility between experimental data and neural network predictions was observed.

Przedstawiono możliwości prognozowania efektywności separacji chromu z roztworów wodnych w procesie ultrafiltracji wspomaganej działaniem polielektrolitu w oparciu o sztuczną sieć neuronową. Badaniom poddano układy zawierające dwie różne formy chromu – Cr(III) i Cr(VI). Do wspomagania ultrafiltracyjnej separacji metalu wykorzystano dwa rozpuszczalne w wodzie polimery o właściwościach jonowymiennych – poli(4-styrenosulfonian sodu), PSSS (separacja Cr(III)) oraz poli(chlorek diallilodimetyloamoniowy), PDDAC (separacja Cr(VI)). Wyniki testów ultrafiltracji przeprowadzonej dla wodnych roztworów modelowych obu form chromu o stężeniach 5 i 50 mg·dm-3, przy różnych wartościach pH środowiska oraz zróżnicowanych dawkach właściwych polielektrolitów, stanowiły podstawę uczenia i testowania struktur obliczeniowych sztucznych sieci neuronowych, umożliwiających predykcję współczynnika retencji (R) danej formy chromu dla różnych warunków procesowych (pH, dawka wybranego polimeru, stężenie odpowiedniego jonu Cr). Na podstawie wyników doświadczalnych oraz opracowanych sieciowych modeli numerycznych zidentyfikowano istotny, mocno nieliniowy wpływ pH oraz stosunku stężeń polimer : metal na wartości współczynników retencji (R) obu form chromu. Uzyskano dobrą zgodność danych eksperymentalnych z wartościami wyznaczonymi przy pomocy sztucznej sieci neuronowej.