直接接触式与气隙式膜蒸馏的比较研究

采用模拟计算和实验的方法对直接接触式膜蒸馏 (DCMD)和气隙式膜蒸馏 (AGMD)过程进行了比较研究。模拟计算及实验结果表明 ,AGMD中的气隙构成了过程的主要阻力 ,使得跨膜温差远小于膜两侧流体主体温差 ,这是两种膜蒸馏方式行为差别的主要原因所在。与AGMD相比 ,DCMD不仅膜通量水平高 ,而且膜通量对操作条件反应灵敏 ,易于实施过程的强化。而DCMD的热效率与AGMD相比差距并不太大。     

新型气隙式膜蒸馏组件盐水浓缩的试验研究

利用新型气隙式膜蒸馏组件对氯化钠溶液进行膜蒸馏试验研究。考察了进料温度、流速、浓度对膜通量、造水比和截留率的影响。结果表明,膜通量和造水比随着进料温度T3升高而增大,随着进料浓度的增加而减小;料液流量增加时膜通量增大,造水比降低;试验过程中截留率基本保持不变,稳定在99.8%以上。当料液浓度为3.0%,进料温度T1为30.0℃,T3为95.0℃、流量为7.0 L/h时,膜通量为4.1 L/(m2·h),造水比为7.0,截留率可达99.8%,经过60 d浓缩试验后,膜通量、造水比和截留率均保持稳定。     

基于BP神经网络的焦炭质量预测

分析了配煤炼焦中影响焦炭质量指标的各种因素及传统焦炭质量的预测方法。以天津天铁焦化厂的配合煤及生产焦炭的各项实际数据为基础,在MATLAB环境下,进行了基于BP神经网络对焦炭质量预测的方法研究。实验结果显示:3种网络的误差基本相同,范围在2%～0.05%,以中间层为15个神经元的略好,满足焦炭质量的预测要求。     

气隙式膜蒸馏传递过程的研究

本文用气隙式膜蒸馏装置测定了膜两侧流体的温度、流量及料液浓度对膜蒸馏通量的影响,并从理论上描述了传热、传质过程,建立了可以预测膜蒸馏过程渗透通量的数学模型.实验结果与模型预测吻合较好.     

基于BP神经网络的天然气负荷预测方法改进

改进用影响因素最为输入变量的BP神经网络进行短期负荷预测的传统方法,讨论基于BP神经网络的两种天然气负荷预测方法,分析其稳定性和误差分布及平均误差大小,最后得出用前4年的数据作为输入变量,后一年的数据作为目标矢量的网络训练方法,误差分布均匀且平均误差非常小,可达到天然气负荷预测的要求。     

基于BP和RBF神经网络预测硬质阳极氧化膜的硬度

通过两种不同方式分别构建NEWRB函数RBF神经网络和K-均值聚类RBF神经网络,同时构建BP神经网络.采用正交实验数据对不同神经网络进行训练,然后用训练完成的不同神经网络预测硬质阳极氧化膜的硬度,并将预测结果与实测值进行对比.结果表明:与BP神经网络相比,NEWRB函数RBF神经网络和K-均值聚类RBF神经网络的平均...     

基于BP神经网络的尿素造粒喷头性能预测

尿素造粒喷头及其操作参数对尿素颗粒的空间分布和粒径分布有着重要影响,介绍了BP神经网络模型的建立及有关参数的选取,运用该模型对不同工况下颗粒在塔径向上的分布和颗粒粒径分布进行了预测,并用于指导实际生产,确保产品质量稳定。     

新型气隙式膜蒸馏组件脱盐过程

利用基于聚丙烯中空纤维膜和聚丙烯中空纤维换热管的新型能量回收式膜组件(AGMD-HF),以70 g·L^-1的氯化钠溶液为研究对象,考察了膜组件长度和膜孔径大小对膜组件脱盐性能的影响。为直接衡量操作条件、组件参数以及温差、浓差极化现象对传质系数的影响,引入总传质系数,并研究进料温度和膜孔径对总传质系数的影响。实验结果表明,总传质系数随着温度的升高、膜孔径的增大而增大,提高膜孔径可有效提高总传质系数,同时可有效提高通量和造水比。通量随组件长度的增大而减小,而造水比增大,因此在应用过程中可综合考虑通量和造水比以便选择合适的组件长度。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明．BP神经网络能够对电力负荷进行较好地预测。     

中空纤维束-套管型气隙式膜蒸馏组件研制与测试

研制了一种结构简单、制作方便的中空纤维束-套管型气隙式膜蒸馏组件,介绍了其结构及工作过程,并制作了膜蒸馏组件的性能测试装置。采用自来水、11Brix苹果汁、50%LiBr水溶液三种料液对膜蒸馏组件的性能进行了测试,得到了该组件在典型运行工况下的膜通量、热效率、截留率等性能数据。     

基于BP神经网络实现碎解时间的预测

目前,我国广泛采用水力碎浆机碎解废纸,而碎解时间是碎解过程中最重要的影响因素,并且实践中的碎解时间都来源于经验值,缺乏整体评判,所以本文主要介绍了某造纸厂碎解的工艺过程,并分析研究了BP神经网络的结构及其改进的LM算法,通过一些已有的良好数据,建立碎浆过程中碎解时间预测的BP神经网络模型,并将碎解时间的预测模型用于碎浆过程控制,从理论上获取了比较合理的碎解时间,为造纸过程提供了理论依据,最终达到了节省能源和提高纸浆质量的目的.     

基于BP神经网络的大庆某油区剩余油预测

目前剩余油的研究是世界性的热点问题。论文利用神经网络任意逼近非线性及自学习的能力,将BP(Back Propagation)神经网络算法应用于剩余油孔隙度、渗透率及饱和度三个参数的预测研究。以大庆油田某油区数据为例,采集该油区内若干口油井的三维地理位置信息及孔渗饱参数,将其中的三维地理位置信息数据作为神经网络的输入参数,孔渗饱三参数作为神经网络的输出参数。处理输出数据时,以是否具有经济开采价值为标准,对数据进行分类,利用MATLAB软件进行编程仿真,该方法对已知数据信息种类要求不高,简单易行。仿真表明,论文给出的方法实现了通过直接输入某油区三维地理位置来预测该位置处孔渗饱参数情况,预测结果准确率高,为实际油田生产提供了很好的辅助作用。     

BP神经网络在膜分离处理废水中的应用

为能更好地预测工艺条件对膜分离过程的影响,运用BP神经网络技术建立输入变量为压差、流速、浓度和温度,输出变量为膜通量的预测模型。通过大量实验数据训练预测模型,得到的网络模型整体误差平方和仅为0.014 5;计算值与模拟值相比,10组不同条件的膜通量平均预测误差仅为1.1,证实了所建立的BP神经网络膜通量预测模型与实验值吻合程度较好,有较好地预测能力。在此基础上进一步考察了工艺参数对膜分离过程的影响。     

基于BP神经网络的油气长输管道土壤腐蚀性预测

基于BP神经网络原理,综合考虑六类土壤腐蚀指标(土壤电阻率、土壤含水量、氧化还原电位、氯离子含量、硫酸根离子含量和p H值),建立了一种土壤腐蚀速率的预测方法。基于这种方法,依据某油田的现场土壤数据,借助MATLAB神经网络工具箱建立了这一地区的土壤腐蚀性预测的BP神经网络模型。训练和预测结果表明:训练的腐蚀速率最大误差为-1.5%,预测的腐蚀速率最大误差为8%。由此可见,基于BP神经网络的土壤腐蚀性预测方法具有较好的预测精度,对油气管道的安全运行具有重要的意义。     

基于气隙式膜蒸馏的溴化锂吸收式制冷系统COP的优化

针对传统的溴化锂吸收式制冷系统难以利用低品位热源的问题,将气隙式膜蒸馏（AGMD）技术引入到溴化锂吸收式制冷系统中,是使其能够利用低品位热源的一种新的工艺流程。本文根据已有的1H,1H,2H,2H-全氟癸基三乙氧基硅烷（FAS）-Al₂O₃管式复合膜的膜蒸馏性能数据,对典型的基于AGMD的溴化锂吸收式制冷系统进行了热力计算。结果发现制冷系统的性能系数（COP）值较小,仅为0.280,因而需要对其工艺流程作进一步的优化。经热力学分析确定了优化的方案：在膜发生器浓溶液出口处增加回路,从而改进了原制冷系统的工艺流程。研究结果表明,制冷系统的COP值会随着回流比的增大而增大。当回流比达到8时,COP值可达到0.765,相较于改进前的系统增大了1.74倍,大大改善了制冷系统的性能。     

基于BP神经网络的镀镍层表面粗糙度预测及验证

以镀镍层的表面粗糙度为研究对象,应用BP神经网络构建预测模型,并对预测结果进行验证。结果显示:预测结果与测定结果较为接近,基本呈线性相关,偏差介于0.005~0.015μm范围内,最大误差为2.01%。这表明构建的BP神经网络模型能较为准确地反映电镀工艺条件与镀镍层表面粗糙度间的映射关系,凸显出应用价值。     

BP神经网络在胶料性能预测中的应用

根据BP神经网络原理，以SBR中的几种配料用量为输入变量，对应的胶料拉伸强度、拉断伸长率、撕裂强度和t90为输出变量，建立神经网络分析预报模型。通过选定合适的参数，利用已有的试验结果对模型进行训练。模型的预测结果与试验结果一致。     

基于不同神经网络模型的橡胶减振器性能预测的应用研究

利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。     

基于反向神经网络的陶瓷材料Vickers硬度预测

误差反向传播神经网络(BP网络)具有能够正确逼近非线性映射关系的优点。将其运用到复相结构陶瓷材料Vickers硬度预测当中，克服了陶瓷材料研究中单因素实验法不能正确反映Vickers硬度与添加组分多因素之间复杂非线性关系的弱点，通过硬度预测和试验验证表明，该方法可行有效，为快捷、经济地开发研制新的陶瓷材料提供了新的思路和有效手段。