Tuz gölü suyundan yüksek saflıkta tuz eldesi ve tuz kalitesinin öngörülmesi

Abstract

Tuz, yapısında bulundurduğu sodyum ve klorür iyonlarından dolayı birçok üretim prosesinin olmazsa olmazlarındandır. Sanayide kullanılan ham tuzların içerisinde barındırdığı safsızlıklardan kaynaklı direkt kullanılamamaktadır. Kimya sanayilerinde genellikle yüksek saflıkta ve düşük sertlikte tuzlar kullanılmaktadır. Sistemde tuzdan gelen safsızlıkların bulunması, prosesin içerisinde farklı ürünlerin oluşmasına, proseste kullanılan ekipmanların korozyona uğramasına, proseste kireç oluşumuna sebep olarak sistemin tıkanması ve benzeri problemler oluşturmaktadır. Bu tez çalışmasında iki farklı amaç için çalışılmıştır. Bunlardan birincisinde tuzlu su kaynağının içinde barındırdığı safsızlıklar uzaklaştırılarak düşük sertlikte yüksek saflıkta, sanayide kullanıma uygun ham tuz üretimi amaçlanmıştır. Yapılan çalışmalar neticesinde üretilen ham tuzun saflık değeri %98,7'lerden %99,97'ye yükseltilerek başarılı sonuçlar elde edilmiştir. İkinci amaç ise bir tuz kaynağından alınmış örneklerin yapay sinir ağları ve aşırı öğrenme makinası yöntemleri kullanılarak tuz kalitesini öngörmektir. Modelleme öncesinde yapılan deneysel çalışmalarda pH, sıcaklık, askıda katı madde, kalsiyum, bome, magnezyum, Alman sertliği verileri alınmıştır. Tez çalışmasında üç farklı model geliştirilmiştir.1. Modelde; kalsiyum, bome, pH, toplam katı madde ve sülfat parametreleri giriş değişkenleri olarak seçilmiş ve Alman sertliği değeri çıkış değişkeni olarak belirlenmiştir. 2. Modelde; Alman sertliği, bome, pH, toplam katı madde ve sülfat parametreleri giriş değişkenleri olarak seçilmiş ve kalsiyum değeri çıkış değişkeni olarak belirlenmiştir. 3. Modelde; bome, pH, toplam katı madde, kalsiyum, magnezyum ve sülfat parametreleri giriş değişkenleri olarak seçilmiştir. Tuzlu su numunesinin buharlaşması sonucu oluşan ham tuzun Alman sertliği değeri çıkış değişkeni olarak belirlenmiştir. Yapay sinir ağı ve aşırı öğrenme makinası kullanılarak öngörüde bulunulmuştur.Havuz suyu verilerinin ve tuzun Alman sertliğinin öngörüldüğü çalışmalarda geliştirilen yapay sinir ağı modellerinin başarılı sonuçlar ürettiği görülmüştür.

Salt is the main part of the manufacturing process due to its sodium and chloride ions. It cannot be used directly from the impurities contained in the raw salts used in the industry. High purity and low hardness salts are generally used in chemical industries. The presence of impurities from the salt in the system causes the formation of different products in the process, corrosion of the equipments used in the process, the formation of lime in the process, and clogging of the system. In this thesis, two different purposes were studied. The first objective was to remove the impurities contained in the salt water source and to produce raw salt of high hardness and high purity suitable for industrial use. As a result of the studies, the purity value of the raw salt produced was increased from 98,7% to 99,97% and successful results were obtained. The second objective was to use the extreme learning machine and artificial neural network methods to predict the salt quality of the samples taken from a salt source. In the experimental studies were carried out before modeling and pH, temperature, suspended solids, calcium, bome, magnesium and hardness data were obtained. Three different models were developed in the thesis;1. In the development of the model, calcium, bome, pH, total solids and sulphate parameters were chosen as input variables and hardness value was determined as output variables2. In the development of the model, German hardness, bome, pH, total solids and sulfate parameters were selected as input variables and calcium value was determined as output variables.3. In the development of the model, bome, pH, total solids, calcium, magnesium and sulfate parameters were chosen as input variables. The hardness value of the raw salt formed as a result of evaporation of the brine sample was determined as the output variable.It has been observed that artificial neural network models developed in the studies that predict the hardness of the pool water data and the salt hardness have produced successful results.