Experimental and data-driven PVDF hollow fiber direct contact membrane distillation module degradation prediction for water purification using a deep learning method

Sauberes Wasser ist ein grundlegendes Bedürfnis, doch für Milliarden von Menschen bleibt es unerreichbar. Während die Natur riesige Ozeane bereitstellt, macht das Salz in ihnen das Wasser ohne Behandlung untrinkbar. Seit Jahrzehnten verlassen sich Ingenieure auf Methoden wie die Umkehrosmose, um Wasser durch winzige Filter zu pressen und dabei das Salz zurückzulassen. Diese Systeme haben jedoch Schwierigkeiten, wenn das Wasser extrem salzhaltig ist oder wenn die Filter selbst durch organische Stoffe verstopfen. Ein anderer Ansatz, bekannt als Membrandestillation, bietet eine vielversprechende Alternative. Anstatt flüssiges Wasser durch eine Barriere zu drücken, nutzt diese Methode Wärme, um Wasser in Dampf zu verwandeln, der dann durch eine spezielle wasserdichte Membran tritt und auf der anderen Seite wieder zu reinem flüssigem Wasser kondensiert. Die Membran wirkt wie ein Sieb, das Dampf durchlässt, aber flüssiges Wasser blockiert, was sie ideal für die Behandlung von sehr salzigen oder schmutzigen Wasserquellen macht.

Die Herausforderung bei dieser Technologie liegt in den Materialien, aus denen die Membran gebaut wird. Das am häufigsten verwendete Material ist ein zäher Kunststoff namens Polyvinylidenfluorid oder PVDF. Obwohl es robust und hitzebeständig ist, ist es nicht immun gegen die harschen Bedingungen in einer Wasseraufbereitungsanlage. Im Laufe der Zeit wird die Membran durch organische Partikel und Bakterien verschmutzt, und die Chemikalien, die zur Reinigung verwendet werden, können ihre Struktur langsam beschädigen. Dieser Degradationsprozess ist ein langsamer, komplexer Vorgang, der davon abhängt, wie heiß das Wasser ist, wie viel Druck ausgeübt wird und wie oft das System gereinigt wird. Wenn Ingenieure nicht vorhersagen können, wann eine Membran versagt, müssen sie sie entweder zu früh ersetzen, was Geld verschwendet, oder zu spät, was das Risiko eines Zusammenbruchs der Wasserversorgung birgt.

In einer kürzlich durchgeführten Studie versuchten Forscher, dieses Problem zu lösen, indem sie physikalische Experimente mit einer Form der künstlichen Intelligenz kombinierten, die als Deep Learning bekannt ist. Sie bauten ein System im Labormaßstab auf, das den realen Betrieb einer Wasseraufreinigungseinheit nachbildet. Der Aufbau umfasste Tanks mit Salzwasser und Frischwasser, Pumpen zur Bewegung der Flüssigkeit und ein Modul, das aus Hohlfasern aus PVDF besteht. Um Jahre der Abnutzung in kurzer Zeit zu simulieren, ließ das Team das System durch hunderte von Zyklen laufen. In jedem Zyklus variierten sie Temperatur, Druck und Durchflussrate und belasteten die Membran, bis sie verstopfte. Sobald der Druck zu hoch anstieg, was darauf hindeutete, dass die Membran blockiert war, stoppten sie den Fluss und reinigten das Modul mit einer chemischen Lösung, speziell Natriumhypochlorit, die üblicherweise verwendet wird, um hartnäckigen Schmutz zu entfernen. Nach der Reinigung testeten sie erneut, wie gut die Membran funktionierte.

Die Forscher beobachteten, dass die Leistung der Membran auf zwei verschiedene Arten abnahm. Erstens gab es einen reversiblen Effizienzverlust. Dies geschah schnell während des Betriebs, als das Wasser heißer und konzentrierter wurde, was zu einem vorübergehenden Rückgang der Menge des durch die Membran produzierten Wassers führte. Diese Art von Rückgang konnte durch die Reinigung der Membran behoben werden. Zweitens gab es einen irreversiblen Verlust. Selbst nach der chemischen Reinigung erreichte die Membran nie wieder ihre ursprüngliche Leistung. Die Studie ergab, dass die Membran mit jedem Reinigungszyklus etwa 4 Prozent ihrer permanenten Effizienz verlor. Im Verlauf des Experiments, das 620 Zyklen umfasste, sank die Gesamtmenge des produzierten Wassers der Membran signifikant und erreichte schließlich einen Punkt, an dem die Hälfte des eingehenden Wassers nicht mehr gereinigt werden konnte.

Um diese komplexen Daten verständlich zu machen, wandte das Team eine spezielle Art von Computerprogramm an, das als Long Short-Term Memory Netzwerk oder LSTM bekannt ist. Im Gegensatz zu Standard-Computerprogrammen, die Daten Stück für Stück betrachten, ist ein LSTM darauf ausgelegt, Muster über die Zeit hinweg zu speichern. Es ist besonders gut darin, Sequenzen zu verstehen, ähnlich wie ein Mensch den Anfang einer Geschichte erinnert, um das Ende zu verstehen. Die Forscher speisten das Programm mit den Daten aus ihren 620 Zyklen, einschließlich Temperatur, Druck und Durchflussraten. Der Computer lernte zu erkennen, wie diese sich ändernden Bedingungen die Geschwindigkeit beeinflussten, mit der die Membran alterte. Das Modell war bemerkenswert genau. Als es mit Daten getestet wurde, die es zuvor noch nicht gesehen hatte, sagte es die Leistung der Membran mit einer Fehlerrate von weniger als einem Prozent voraus.

Die Studie zeigte auch, dass sich die Art und Weise, wie die Membran altert, im Laufe der Zeit verändert. In der Anfangsphase war der reversible Leistungsabfall das Hauptproblem, aber als die Membran weiter alterte, wurde der irreversible Schaden dominanter. Die Forscher stellten fest, dass der scharfe Leistungsabfall, der in den ersten Zyklen-Chargen zu beobachten war, nach der sechsten Charge abflachte, was darauf hindeutet, dass sich die Membran mit zunehmendem Alter in ein anderes Verschleißmuster einpendelt. Sie entwickelten auch eine einfache mathematische Beziehung, um den Zustand der Membran basierend auf der Anzahl der durchlaufenen Zyklen abzuschätzen, was den Betreibern ein schnelles Werkzeug bietet, um die Gesundheit ihrer Systeme zu beurteilen, ohne komplexe Berechnungen durchführen zu müssen.

Diese Arbeit zeigt, dass Deep Learning ein leistungsstarkes Werkzeug für die Verwaltung der Infrastruktur der Wasseraufbereitung sein kann. Indem der Computer das Verhalten der Membran unter Belastung aus der Historie lernt, kann das Modell zukünftige Ausfälle vorhersagen, bevor sie eintreten. Dies ermöglicht es den Betreibern, die Wartung effektiver zu planen und zu optimieren, wann das System gereinigt und wann es vollständig ersetzt werden muss. Die Studie bestätigt, dass der Reinigungsprozess zwar notwendig ist, aber auch zur langfristigen Abnutzung der Membran beiträgt. Das Verständnis dieses Gleichgewichts ist entscheidend für die Verlängerung der Lebensdauer von Wasseraufbereitungssystemen und stellt sicher, dass sie so lange wie möglich effizient sauberes Wasser liefern können. Die Fähigkeit, diese Veränderungen mit einer solchen Präzision vorherzusagen, markiert einen bedeutenden Schritt vorwärts, um die Membrandestillation zu einer zuverlässigen Lösung für die globale Wasserknappheit zu machen.