Что такое он в фильтре

В чем сущность процесса Н-ОН-ионирования воды в фильтрах смешанного действия (ФСД). Схемы регенерации фильтров смешанного действия. Опишите их. Сравните их между собой

ФСД применяются для обессоливания и обескремнивания конденсатов, а также в качестве барьерных фильтров на установках, обессоливающих природные воды.

Фильтрование в этих фильтрах осуществляется через слой специального ионообменного материала, состоящего из смеси катионита и анионита.

Назначение: Фильтры ионитные смешанного действия (ФИСД) предназначены для удаления из входящего потока катионов Na + , K + и анионов кремниевой кислоты как конечная ступень обессоливания воды. Получаемая глубоко обессоленная вода чаще всего используется для подпитки паровых котлов.

Ионный фильтр смешанного действия загружается катионитом и анионитом, которые после их раздельной регенерации кислотой и щелочью тщательно перемешиваются путем подачи в фильтр снизу вверх сжатого воздуха.

Принцип действия ФИСД:

Исходный поток под напором поступает в фильтр, равномерно распределяется и приходит через слой смешанной катионитно-анионитной шихты в направлении сверху вниз.

Катионы Na + , K + и анионы кремниевой кислоты остаются в зернах материала, обеспечивая глубокообессоленный фильтрат, который выводится из аппарата в сборный коллектор.

Взрыхление (разделение) ионитов производится снизу-вверх. Регенерация ионитов раствором щелочи и раствором кислоты может производиться одновременно или поочередно. Отмывка ионитов производится глубоко обессоленной водой. По окончании отмывки производится операция перемешивания ионитной шихты сжатым воздухом.

Различают фильтры смешанного действия с внутренней регенерацией и с выносной регенерацией.

ФСД с внутренней регенерацией:

Ионитный фильтр смешанного действия: 1 – вход обрабатываемой воды; 2 – выход обрабатываемой воды; 3 – подвод раствора щелочи; 4 – подвод раствора кислоты; 5 – подвод осветленной воды; 6 – подвод сжатого воздуха; 7 – выход отмывочной воды; 8 – отвод воздуха.

Схема установки для обессоливания конденсата с внешней регенерацией ионитов: 1 – бункер для смеси отрегенерированных ионитов; 2 – гидроперегрузка отрегенерированных ионитов; 3 – ловушки для ионитов; 4 – осветлительные фильтры; 5 – фильтры смешанного действия; 6 – внешний регенератор; 7 – вход воды.

Наличие готовой загрузки отрегенерированных ионитов в запасном бункере 1 значительно сокращает продолжительность вывода ионитных фильтров на регенерацию. В то время как при внутренней регенерации ФСД выводятся из работы на 4-5 часов, при внешней регенерации истощенные иониты заменяются путем гидроперегрузки 2 заранее отрегенерированной смесью катионитов и анионитов в течение не более 1 часа, что увеличивает долю рабочего времени ФСД.

Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:

Принцип работы анионитных фильтров

Анионирование воды ведется в целях замены удаляемых анионов на ион гидроксила. При сочетании ОН -анионирования с Н -катионированием происходит удаление из воды как анионов, так и катионов в обмен на ионы ОН — и Н + , т.е. осуществляется химическое (ионитное) обессоливание воды. При фильтровании через слой анионита осуществляется сорбция анионов согласно реакциям:

ROH + Cl — ↔ RCl + OH — ;

Высокое значение рН в зоне обмена на анионите способствует диссоциации слабых кислот Н₂СО₃ и H₂SiО₃ и переводу их в ионизированное состояние, поэтому они также могут участвовать в реакциях анионного обмена, но лишь при использовании сильноосновных анионитов:

С учетом значений обменных емкостей слабоосновных и сильноосновных анионитов, а также способности только последних сорбировать анионы слабых кислот схемы химического обессоливания обычно содержат две ступени анионирования: на первой ступени в фильтры загружается слабоосновный анионит, удаляющий ионы SО₄ 2 — и С1 — ; на второй ступени — сильноосновный анионит, предназначенный главным образом для обескремнивания воды.

Согласно ряду селективности в анионитном фильтре первой ступени сначала проскакивают в фильтрат ионы С1 — , поэтому время выхода на регенерацию этого фильтра сопоставляют с концентрацией хлоридов; отключение анионитных фильтров второй ступени на регенерацию проводят на основании контроля фильтрата по содержанию кремниевой кислоты.

Регенерация анионитных фильтров производится 4 %-ным раствором NaOH, при этом происходят следующие реакции:

RCl + nOH — ↔ ROH + Cl — + (n-1)OH — ;

RHCO₃ + nOH — ↔ ROH + HCO₃ — + (n-1)OH — ;

RHSiO₃ + nOH — ↔ ROH + HSiO₃ — + (n-1)OH — .

Избыток щелочи при регенерации слабоосновных анионитов при поглощении ими анионов сильных кислот в 2 раза больше стехиометрического количества, т.е. равен 80 г/г-экв.

Рисунок 4.7 – Удельный расход NaOH на регенерацию анионита АВ-17 при обескремнивании воды:

1 – 4– остаточное кремнийсодержание фильтрата соответственно 0,16 0,12, 0,10, 0,08 мг/дм 3 при расходе NaOH 100, 120, 150, 200 кг/м 3 .

Для регенерации анионита, насыщенного анионами кремниевой кислоты, требуется повышенный избыток NaOH (п = 10—20), обеспечивающий последующее кремнийсодержание фильтрата на уровне 0,1 мг/дм (рис. 4.7). Для снижения удельного расхода щелочи регенерацию параллельно-точных анионитных фильтров первой и второй ступеней проводят последовательно либо используют противоточную или ступенчато-противоточную технологию.

Рисунок 4.8 – Принципиальная схема двухступенчатого химического обессоливания: Н₁ и Н₂ – катионитные фильтры первой и второй ступеней; А₁ и А₂ – анионитные фильтры первой и второй ступеней с загрузкой соответственно слабоосновными и сильноосновными анионитами; Д – декарбонизатор; БДВ – бак декарбонизированной (частично обессоленной) воды; H₂SO₄ – кислота для регенерации Н-катионитных фильтров; NaOH – едконатриевая щелочь для регенерации ОН-анионитных фильтров.

При проектировании технологии химического обессоливания учитывают, что наличие в Н -катионированной воде свободной углекислоты, более сильной, чем кремниевая, уменьшает кремнеемкость анионита и вызывает более ранний проскок ионов HSiО₃ в фильтрат. Поэтому перед поступлением Н -катионированной воды на слой сильноосновного анионита из нее необходимо возможно более полно удалить СО₂, для чего в схему включается декарбонизатор. Еще сильнее снижает кремнеемкость анионита наличие в Н -катионированной воде ионов Na, так как помимо истощения анионита анионами, уравновешивающими эти катионы, увеличивается концентрация в фильтрате противоионов (ОН — ), что резко ухудшает глубину обескремнивания воды. С учетом приведенных фактов создаются, как правило, двухступенчатые схемы обессоливания, содержащие основное оборудование, приведенное на рис. 4.8.

Установки двухступенчатого химического обессоливания надежны в работе. Они обеспечивают высокое качество обработанной воды, отвечающее эксплуатационным нормам питательной воды барабанных котлов сверхвысокого давления.

Для очистки добавочной воды для прямоточных котлов и ядерных реакторов применяются трехступенчатые схемы химического обессоливания, в которых в качестве третьей ступени используются фильтры смешанного действия (ФСД). Загрузка ФСД состоит из смеси сильнокислотного катионита в Н -форме и сильноосновного анионита в ОН -форме. Переходящие в раствор в процессах ионного обмена на чередующихся зернах катионита и анионита ионы Н + и ОН — образуют воду, выводя из зоны ионного обмена противоионы и способствуя этим углублению степени обессоливания воды до остаточной удельной электропроводимости менее 0,2 мкСм/см. Недостаток этой технологии заключается в необходимости тщательного перемешивания и разделения (при регенерации) составных частей смешанной загрузки.

Что такое фильтр Блума?

Всем привет! В этой статье я постараюсь описать, что такое фильтр Блума, рассказать о его назначении и показать сценарии, в которых его можно использовать. Я также реализую фильтр Блума на Python с нуля в целях облегчения понимания его внутреннего устройства.

Назначение фильтра Блума

Фильтр Блума — это структура данных, цель которой — быстро проверить, что элемент НЕ входит в множество (для тех, кто знаком с нотацией O большое, сложность вставки и проверки принадлежности элемента к множеству с помощью фильтра Блума — O(1) ). Он может быть очень полезен для предотвращения излишнего выполнения задач, требующих интенсивных вычислений, просто проверяя, что элемент совершенно точно не входит в множество. Важно понимать, что фильтр Блума — это вероятностная структура данных: он может сказать вам со 100% вероятностью, что элемент отсутствует в наборе данных, но сказать со 100% вероятностью, что элемент находится в наборе, он не может (возможны ложно положительные результаты). Давайте же поговорим о сценариях, в которых можно использовать фильтр Блума с подробным объяснением его внутреннего устройства и реализацией на Python, и позже вы поймете, откуда фильтр Блума имеет такие показатели!

Фильтр Блума обычно используется перед поиском в множестве с достаточно медленным доступом к элементам. За счет его использования может быть уменьшено как количество поисковых операций над множеством, так и время поиска в целом.

Сценарии использования

Давайте поразмыслим о сценариях, в которых для ускорения вычисления некоторых задач такая структура данных могла бы оказаться очень полезной. Например, мы можем начать с маршрутизатора опорной сети (не такого, который вы можете найти у себя дома). От таких маршрутизаторов может требоваться скорость в uplink более 100 Гбит/с. Администратору может понадобиться создать черный список IP-адресов, чтобы заблокировать им доступ в сеть. Это означает, что каждый раз, когда маршрутизатор получает пакет на скорости более 100 Гбит/с, он должен обращаться к своей памяти и выполнять в лучшем случае логарифмический поиск ( O(log(n)) ), чтобы проверить, заблокирован ли IP-адрес, учитывая, что большинство IP-адресов не заблокированы и что поиск не даст результатов для большинства пакетов. В этом случае фильтр Блума может быть реализован как раз перед доступом к памяти, чтобы гарантировать, что большинству пакетов не нужно дожидаться поиска IP-адреса для отправки в сеть.

Еще один сценарий — это базы данных. Когда к базе данных происходят миллионы обращений в секунду, и большинство обращений представляют из себя поиск по ключу, которого в базе данных нет, максимально уменьшить нагрузку таких обращений на базу данных может быть важно по двум причинам: если сократить количество поисков, ядро ​​базы данных будет быстрее отвечать на другие обращения; если клиент может не дожидаться поиска по базе данных и получить результат (например, не из памяти) без необходимости доступа к базе данных, достигнутое ускорение может быть весьма существенным.

Наконец, чтобы ускорить процесс поиска файла в папке с большим количеством файлов, можно использовать фильтр Блума, чтобы сначала проверить, отсутствует ли файл в этой папке.

Более типичные сценарии использования фильтра Блума можно найти здесь.

Что из себя представляет фильтр Блума?

Чтобы проиллюстрировать устройство фильтра Блума, мы будем использовать первый сценарий. Представьте, что вы внесли в черный список 100 IP-адресов. Самый простой способ пометить, есть ли IP-адрес в черном списке или нет, — создать список из 100 бит, где каждый бит — это один IP. Если IP-адрес занесен в черный список, мы отмечаем его позицию как «1», в противном случае — «0».

В этом фильтре Блума 4-й IP-адрес занесен в черный список, а все остальные нет.

Сколько всего IP-адресов?

Эта реализация работает, если используются только 100 IP. В реальности же каждый IPv4-адрес имеет 32 бита, что означает, что существует 4 294 967 296 (2^32) возможных адресов (некоторые из них зарезервированы для приватных, бродкастных, мультикастных и других специальных сетей, но оставшихся адресов все еще огромное количество)! И количество IP-адресов в черном списке, вероятно, не превысит нескольких сотен в самом крайнем случае. Мы не можем позволить себе составлять такой большой список, чтобы использовать его для такого относительно небольшого количества записей. Нам нужно найти способ сопоставления IP-адреса и записей в списке. И вот тут-то и приходят на помощь хеш-функции.

Хеш-функция

Хеш-функция — это функция, которая преобразует вход произвольной длины в значение фиксированного размера. Таким образом, мы можем создать массив фиксированного размера и вычислить результат хеш-функции по конкретному IP-адресу, и он всегда будет генерировать число, меньшее или равное размеру массива. Хеш-функция не является случайной функцией, что означает, что для одного и того же ввода вывод всегда будет одинаковым.

Хеш-функция получает ввод, который может быть любой строкой (в данном случае IP), и вычисляет числовое представление. В этом случае числовое представление будет позицией в фильтре Блума, соответствующей входным данным.

Но подождите… Что-то не так. Вернемся к нашему сценарию. Представьте, что мы занесли в черный список 100 IP-адресов. Как хеш-функция точно сопоставит наши 100 из возможных 2^32 IP-адресов на 100 различных значений без сохранения какой-либо информации о них? Правда в том, что никак. Будут коллизии. Хэш-функция гарантирует, что каждый IP-адрес будет иметь собственное сопоставление с числом, но, поскольку может быть 4 294 967 296 (2^32) возможных IP-адресов, невозможно сопоставить их все с всего лишь сотней различных значений. Все, что может гарантировать хеш-функция, — это то, что она скремблирует биты входных данных так, чтобы выходные данные согласовались с равномерным распределением. Это означает, что если вы измените ввод хеш-функции с 192.168.1.1 на 192.168.1.2, вывод, вероятно, будет совершенно другим, кажущимся случайным (но в действительности не случайным, поскольку каждому вводу всегда будет соответствовать один и тот же вывод).

Пример коллизии. Два разных IP-адреса имеют одинаковый хеш, а это означает, что их индекс в фильтре Блума будет одинаковым.

Хорошо, теперь с самого начала: мы заносим в черный список 100 IP-адресов. Каждый IP-адрес будет проходить через хеш-функцию, и результат хеш-функции вернет число, меньшее или равное размеру массива. Это число будет индексом массива, который отмечает, был ли IP-адрес в черном списке или нет. Но будут коллизии — как нам с этим справиться?

Предположим, что IP-адреса 178.23.12.63 и 112.64.90.12 имеют одинаковый хеш. Первый IP попал в черный список, второй — нет. Когда мы проверяем, находится ли хеш второго IP-адреса в фильтре Блума, мы его там найдем, даже если этот IP-адрес никогда не попадал в черный список. Означает ли это, что у нас есть ошибка?

Помните, что в начале я предупреждал, что цель фильтра Блума — проверить, что элемент НЕ входит в набор данных. Если позиция элемента в фильтре Блума равна 0, этот элемент определенно НЕ входит в набор. Однако, если позиция элемента в фильтре Блума равна 1, то либо этот элемент может все-таки быть в наборе, либо это просто коллизия. Все, что мы можем сделать, это уменьшить вероятность коллизии, чтобы уменьшить количество обращений к памяти, необходимых для проверки, действительно ли IP находится в черном списке.

Снижение вероятности коллизий

Есть два основных способа снизить вероятность коллизий, и оба с нюансами. Одна из возможностей — увеличить размер массива. Если мы увеличим размер массива (и, следовательно, заставим хеш-функцию возвращать число меньше или того же размера, что и новый размер массива), вероятность коллизий уменьшается. В частности, вероятность ложного срабатывания (фильтр Блума возвращает 1, когда элемент отсутствует в наборе) составляет (1-e^(m / n)) , где m — количество элементов, которые предполагается внести в фильтр, а n размер фильтра.

Другой способ уменьшить вероятность коллизии — увеличить количество хеш-функций. Это означает, что в нашем сценарии для одного IP-адреса будет использоваться несколько различных хеш-функций, т.е. несколько различных мест в массиве будет помечаться как 1. Если мы используем k хеш-функций, вероятность ложного срабатывания теперь (1-e^(mk/n))^k , что означает, что оптимальное количество хеш-функций равно (n/m)*ln(2) (подробнее об этих уравнениях можно почитать здесь).

Пример фильтра Блума с двумя хеш-функциями. В одном из хешей этих IP-адресов мы наблюдаем коллизию, но все-равно можно проверить, что IP 112.64.90.12 не входит в набор, потому что одна из его позиций фильтра Блума не равна 1.

Ну что ж, а теперь давайте реализуем фильтр Блума в Python и посмотрим на результат! Это займет у нас всего около 50 строк кода.

Давайте начнем с создания класса BloomFilter (в следующем фрагменте кода). Конструктор получает размер фильтра Блума и (это опционально) количество ожидаемых элементов, которые будет хранить этот фильтр Блума. Для создания массива из битов мы будем использовать библиотеку bitarray , и мы установим их все в ноль. Наконец, мы устанавливаем количество хеш-функций в уравнение, которое возвращает оптимальное количество хеш-функций, учитывая размер фильтра Блума и количество ожидаемых элементов.

import math from bitarray import bitarray class BloomFilter(object): def __init__(self, size, number_expected_elements=100000): self.size = size self.number_expected_elements = number_expected_elements self.bloom_filter = bitarray(self.size) self.bloom_filter.setall(0) self.number_hash_functions = round((self.size / self.number_expected_elements) * math.log(2))

Теперь давайте определим хеш-функцию для фильтра Блума. Используемая реализация (взятая отсюда) реализует алгоритм DJB2. Сейчас мы будем использовать его как черный ящик, поскольку объяснение это алгоритма выходит за рамки темы этой статьи.

def _hash_djb2(self, s): hash = 5381 for x in s: hash = ((hash 

def _hash(self, item, K): return self._hash_djb2(str(K) + item)

def add_to_filter(self, item): for i in range(self.number_hash_functions): self.bloom_filter[self._hash(item, i)] = 1

 def check_is_not_in_filter(self, item): for i in range(self.number_hash_functions): if self.bloom_filter[self._hash(item, i)] == 0: return True return False

bloom_filter = BloomFilter(1000000, 100000) base_ip = "192.168.1." bloom_filter.add_to_filter(base_ip + str(1))

for i in range(1, 100000): if not bloom_filter.check_is_not_in_filter(base_ip + str(i)): print(base_ip+str(i))

import math from bitarray import bitarray class BloomFilter(object): def __init__(self, size, number_expected_elements=100000): self.size = size self.number_expected_elements = number_expected_elements self.bloom_filter = bitarray(self.size) self.bloom_filter.setall(0) self.number_hash_functions = round((self.size / self.number_expected_elements) * math.log(2)) def _hash_djb2(self, s): hash = 5381 for x in s: hash = ((hash