Membrane Separation Processes Using Machine Learning Based Mathematical Programming Models - Université de Lorraine Access content directly
Theses Year : 2023

Membrane Separation Processes Using Machine Learning Based Mathematical Programming Models

Processus de séparation par membrane à l'aide de modèles de programmation mathématique basés sur l'apprentissage automatique

Abstract

The main topic of my Ph.D. is the optimization of membrane separation technology. Membrane separation technology is often used to achieve gas purification and it can be used in different aspects of the industry. The membrane separation performance depends on the operating conditions and the interconnections between the selected equipment. Membranes for gas separation can be made of different materials, and each material leads to different permeability performances. When a mixture of gas enters the membrane, some components having low permeability pass through the membrane as in a tube, forming the retentate output, whereas other components with higher permeability drop through the material, forming the permeated output of the membrane. When a high level of purity is required, one separation stage is not enough, and multiple stages are needed. In this case, a problem of membrane system design has to be solved where the number of stages, the interconnections, and the operating conditions for each stage has to be chosen. The objective function to be considered is the cost of the system, ensuring a certain level of performance in terms of purity and recovery of the desired gas. Up to now, the problem has been solved using a heuristic global optimization approach, which was a combination of multi-start and a problem-tailored Monotonic Basin Hopping. The proposed method was applied to optimize and analyze several well-known and important gas separation cases. The degrees of freedom of the optimization model were increased case by case considering more parameters as decision variables and optimizing the separation process design. The obtained results were good, but since the algorithm is heuristic, there is no guarantee of finding the optimal global solution.
Le sujet principal de mon doctorat est l'optimisation de la technologie de séparation membranaire. La technologie de séparation par membrane est souvent utilisée pour purifier les gaz et peut être utilisée dans différents aspects de l'industrie. Les performances de la séparation membranaire dépendent des conditions de fonctionnement et des interconnexions entre les équipements sélectionnés. Les membranes pour la séparation des gaz peuvent être fabriquées à partir de différents matériaux, et chaque matériau entraîne des performances de perméabilité différentes. Lorsqu'un mélange de gaz pénètre dans la membrane, certains composants peu perméables traversent la membrane comme dans un tube, formant le rétentat de sortie, tandis que d'autres composants plus perméables tombent à travers le matériau, formant le perméat de sortie. Lorsqu'un haut niveau de pureté est requis, une étape de séparation n'est pas suffisante et plusieurs étapes sont nécessaires. Dans ce cas, il faut résoudre le problème de la conception du système membranaire en choisissant le nombre d'étages, les interconnexions et les conditions de fonctionnement de chaque étage. La fonction objective à considérer est le coût du système, en garantissant un certain niveau de performance en termes de pureté et de récupération du gaz désiré. Jusqu'à présent, le problème a été résolu à l'aide d'une approche heuristique d'optimisation globale, qui était une combinaison de multi-démarrages et d'un saut de bassin monotone adapté au problème. La méthode proposée a été appliquée pour optimiser et analyser plusieurs cas bien connus et importants de séparation des gaz. Les degrés de liberté du modèle d'optimisation ont été augmentés au cas par cas, en considérant davantage de paramètres comme variables de décision et en optimisant la conception du processus de séparation. Les résultats obtenus sont bons, mais comme l'algorithme est heuristique, il n'y a aucune garantie de trouver la solution globale optimale.
Fichier principal
Vignette du fichier
DDOC_T_2023_0038_MACALI.pdf (9.54 Mo) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

tel-04157670 , version 1 (12-10-2023)

Identifiers

  • HAL Id : tel-04157670 , version 1

Cite

Amalia Macali. Membrane Separation Processes Using Machine Learning Based Mathematical Programming Models. Computer Science [cs]. Université de Lorraine, 2023. English. ⟨NNT : 2023LORR0038⟩. ⟨tel-04157670⟩
92 View
34 Download

Share

Gmail Mastodon Facebook X LinkedIn More