研究情報
Research information

石膏スケーリングは依然として淡水化および塩水管理システムにおいて大きな課題であり、運転効率を損ない、装置の寿命を短縮し、化学薬品使用を増加させる。誘導時間によって反映された石膏核生成速度を予測することは、スケーリングの可能性を評価し適切な緩和策を選択する上で不可欠である。多くの実験的研究で様々な条件下での石膏結晶化を調査してきたにもかかわらず、広範な溶液組成にわたる誘導時間と運転温度を予測するモデルは開発されていない。本研究では文献から誘導時間データを収集し、熱力学的整合性のためにピッツァーモデルを用いて飽和指数(SI)を再計算した。データのギャップを埋めるため、温度(20–80°C)およびNaCl背景濃度(0–3M)の範囲で追加の誘導時間実験を実施した。スモルホフスキー凝集理論に基づく機構モデルを用いて誘導時間を推定し、温度（20～80℃）とNaCl濃度（0～5M）の関数としての石膏-溶液界面エネルギーに関する経験モデルを開発した。最終的に、誘導時間を予測するために複数の機械学習(ML)モデルを訓練し、物理モデルとデータ駆動型学習を組み合わせた統合ML–スモルホフスキーモデルを開発した。この統合モデルは最高精度（R² = 0.93）を達成し、単独のMLモデルとスモルコフスキーモデル（各R² = 0.89）両方を凌駕した。結果は、誘導時間が温度上昇に伴い大きく減少し、NaCl濃度に対して非単調的な傾向を示すことが明らかとなった。統合モデリング手法は、さまざまな淡水化と塩水管理場面における石膏スケーリングリスクを推定するための実用的なツールを提供する。
© 2025 The Authors. Published by Elsevier B.V. Creative Commons Attribution NonCommercial 4.0 International License (http://creativecommons.org/licenses/by-nc/4.0/).
https://doi.org/10.1016/j.desal.2025.119288