《Desalination》：Parametric optimization of single-effect distillation via artificial neural network for desalination process
編輯推薦：
隨著全球對清潔水需求的增長，研究人員開展了利用人工神經網絡（ANN）優化單效蒸餾器（SED）海水淡化工藝的研究。結果顯示，多層感知器（MLP）模型預測性能優越，還確定了最佳操作條件，并提出太陽能 SED 概念設計，為解決水資源短缺提供新途徑。
在全球水資源日益緊張的當下，淡水供應不足成為了制約人類發展的重大難題。地球表面雖有豐富的水資源，但淡水僅占 3%，且大多存在于地下水和冰山之中，可輕易獲取的淡水僅占 0.3%。隨著全球人口增長和工業化進程加速，對清潔水的需求持續攀升。據聯合國《2023 年世界水資源發展報告》預測，到 2050 年，清潔水需求將增加 30% - 50%。在這樣的嚴峻形勢下，海水淡化成為了獲取清潔水的重要途徑。
海水淡化主要有熱法和壓力法兩種。熱法如多效蒸餾（MED）、多級閃蒸（MSF）等，通過蒸發鹽水并冷凝蒸汽獲取淡水；壓力法則利用膜過濾，如反滲透（RO）等技術。單效蒸餾器（SED）作為一種真空蒸發器，在海水淡化領域具有獨特優勢。它能在較低溫度下蒸發，減少熱能需求，提高能源效率，且無需化學添加劑，對環境影響小，還能生產高純度蒸餾水。然而，SED 的性能受熱水溫度、冷水溫度和真空壓力等關鍵操作參數影響，如何優化這些參數以提高其效率和可持續性成為關鍵問題。
為解決這一問題，來自國內的研究人員開展了相關研究。他們利用機器學習技術，通過構建多層感知器（MLP）和支持向量回歸（SVR）等模型，對 SED 的操作參數進行優化。研究旨在提高小型 SED 海水淡化過程的效率和可持續性，為解決全球水資源短缺問題提供有效方案。
研究人員首先搭建了實驗室規模的 SED 裝置，通過改變真空壓力、熱水溫度和冷水溫度等參數進行實驗，并收集數據。實驗使用的鹽水中含有 3.5%（w/w）的氯化鈉，通過一系列設備控制溫度和壓力，測量蒸餾出的水的質量流量等數據，并對蒸餾水的 pH 和電導率等水質指標進行表征。
在技術方法上，研究人員運用了多種關鍵技術。他們利用皮爾遜相關矩陣（Pearson's correlation matrix）分析輸入參數與輸出變量之間的線性關系，確定各參數的影響程度。通過機器學習進行優化，將實驗數據按 60%、20%、20% 的比例劃分為訓練集、驗證集和測試集，使用根均方誤差（RMSE）和決定系數（R2）等指標評估模型性能。利用線性回歸、多項式回歸、SVR 和 MLP 等模型進行預測，其中 SVR 和 MLP 模型的超參數分別通過 GridSearchCV 和 KerasTuner 進行優化。
在水質量測試方面，研究發現蒸餾水的 pH 在整個過程中保持穩定，為 6.80，電導率則從初始鹽水的 48.4 mS/cm 大幅降至 12.55 μS/cm，表明蒸餾過程有效去除了鹽分。
在 SED 性能研究中，發現整體傳熱系數（UA）隨熱水溫度升高而增加，較低的操作壓力也會使 UA 增加，但當熱水溫度過高接近鹽水沸點時，UA 會下降。同時，增加熱水溫度、降低操作壓力會提高蒸餾水流率，而冷水溫度升高則會使蒸餾水流率降低。
通過機器學習模型優化發現，熱水溫度對蒸餾水流率影響最大，與蒸餾水流率呈強正相關（相關系數為 0.741）；操作壓力與蒸餾水流率呈中度負相關（相關系數為 -0.403）；冷水溫度與蒸餾水流率呈弱負相關（相關系數為 -0.233）。MLP 模型在預測 SED 性能方面表現最優，其測試集 R2 值達到 0.9671，RMSE 為 0.3867 g/min，優于 SVR、多項式回歸和線性回歸模型。
利用 MLP 模型生成的等高線圖顯示，為實現最大蒸餾水流率，最佳操作條件為低冷水溫度、高熱水溫度和低操作壓力。例如，冷水溫度為 12°C 時，在熱水溫度高于 85°C、壓力低于 10 kPa 的條件下，蒸餾水流率最高；在冷水溫度為 22°C（接近室溫）時，當熱水溫度超過 85°C 且真空壓力低于 10 kPa，蒸餾水流率也較高，這意味著可利用室溫海水冷卻冷凝器，提高能源效率。
研究人員還提出了太陽能 SED 的概念設計。該設計利用太陽能熱水器提供熱水，使熱水溫度達到 85°C 以上，利用室溫海水冷卻冷凝器，減少額外冷卻基礎設施需求。太陽能光伏（PV）面板為所有泵提供電力，包括真空泵，確保系統獨立運行。通過溫度控制系統維持熱水溫度，調節冷卻海水流量優化熱交換效率，系統在低真空壓力（低于 10 kPa）下運行，提高蒸發效率。此外，還可集成熱能和電能存儲系統，確保在低日照時段持續運行，并通過能量管理系統監控和平衡能源。
這項研究意義重大。首先，確定了 SED 最佳操作條件，為實際應用提供了指導，有助于提高海水淡化效率，降低能源消耗。其次，提出的太陽能 SED 概念設計為海水淡化提供了可持續、高效且經濟的解決方案，減少了對傳統能源的依賴，降低了碳排放。再者，研究中使用的機器學習框架具有通用性，可應用于其他海水淡化系統，通過訓練不同數據集優化各種技術和配置，為解決全球水資源短缺問題提供了新的思路和方法。研究成果發表在《Desalination》上，為該領域的進一步研究和發展提供了重要參考。
