【摘 要】
：
目前我国的经济在快速增长,工业化在不断推进。一方面带动了就业增长,另一方面企业排出的难降解的有害物质也严重污染了环境。其中以固液混合物形式的污染物为最多,处理这些污染物经常采用固液旋流分离技术。水力旋流器是一种上部圆柱体,下部分倒锥体组合起来的用于分离分级的一种设备。它能实现多种功能,如液体澄清、液体除气和除砂,还能实现固相颗粒洗涤、固相颗粒分级分类等。本文以实验数据为验证数据,并且利用CFD数值
论文部分内容阅读
目前我国的经济在快速增长,工业化在不断推进。一方面带动了就业增长,另一方面企业排出的难降解的有害物质也严重污染了环境。其中以固液混合物形式的污染物为最多,处理这些污染物经常采用固液旋流分离技术。水力旋流器是一种上部圆柱体,下部分倒锥体组合起来的用于分离分级的一种设备。它能实现多种功能,如液体澄清、液体除气和除砂,还能实现固相颗粒洗涤、固相颗粒分级分类等。本文以实验数据为验证数据,并且利用CFD数值模拟方法得出模拟数据,模拟数据和实验数据混合成机器学习所需要的大数据资源,再搭建BP神经网络模型,预测分离性能。建立CNN-SVM模型,并与BP模型进行对比研究,分析两模型对于旋流器的预测性能,确定CNN-SVM模型在预测误差上更加精准。论文的主要研究成果如下:（1）对于D为25mm的旋流器,在7.6m/s进口速度下,插入深度从0.8-1.4D分离效率为非单调,在插入深度1D的工况下达到最大值。在插入深度（0.8D）不变的情况下,随着进口速度不断变大的情况下分离效率会随之增大。当分离效率达到最大值后,再增大进口速度分离效率会随之减小并且趋于平缓稳定。（2）论文能达到通过实验数据和模拟数据混合组成大数据,建立能较好预测旋流器分离性能的经济实用型预测模型。使用BP神经网络和CNN-SVM模型预测分离性能进行对比分析。（3）BP神经网络测试数据平均预测误差为2.72%。在CNN-SVM神经网络中测试数据的平均误差为0.81%。BP神经网络均方误差为0.013689,而CNNSVM均方根误差为0.00387109,相比较之下,CNN-SVM具有更高的预测性能。
其他文献
离子聚合物金属复合材料（IPMC）是一种具有轻质量、高柔韧性、高效电能转化（电能转化为机械能）的智能材料。IPMC在软机器人应用中具有一些显著的优势,尤其是电能向机械能的高效转化,其在较低的电压下激活,快速响应下可实现较广范围的形变。其功耗低,而且具有一定的机械和化学耐受性和稳定性、易于小型/微型化。由于其具有上述特点,因此作为软体机器人的软执行器是不可多得的材料,在微型机器人和水下机器人应用中得
网上社交媒体平台上文本、图像、音频、视频等多模态数据的增长迅猛,传统的单一模态数据检索已经无法满足当今社会的需求,跨模态检索应运而生。多模态数据往往具有很高的维度,使其难以有效检索。为了有效地组织、管理和检索在文本、图像的语义之间相互关联的有效数据,跨模态检索已经成为了当今学术界和工业界的热门话题。本文以跨模态图文检索技术为重点,结合多模态数据的特点,研究提高跨模态图文检索的精度问题,设计和开发跨
水稻是世界上最主要的三大粮食作物之一。水稻谷粒的性状参数是反映谷粒品质和进行育种等相关研究的重要评价指标。通常,在水稻育种的各个环节都需要对谷粒的性状参数进行测量,主要包括谷粒数量、谷粒长度、谷粒宽度、谷粒面积、谷粒周长、谷粒萌发率等。传统的谷粒性状参数测量方法依赖于专业人员的手工测量,不仅测量效率低下,而且测量结果易受个人主观因素影响,准确性和稳定性无法得到保证。此外,当前已有的谷粒性状参数测量
空气污染已经成为21世纪以来世界范围内最受关注的问题之一,为了缓解空气污染,许多研究人员试图使用各种方法准确预测空气污染物的浓度以及扩散趋势。研究表明,空气污染物具有动态的时空依赖特征。许多研究者利用非深度学习方法包括确定性方法和统计学方法预测空气污染物浓度。这些方法存在一定的限制,例如:确定性方法应用于有限数据集,需通过气象原理和数学方法来模拟大气的物理化学反应和污染物的扩散、排放和转化过程,由
随着教育数字化转型的发展,在线学习模式逐渐受到学习者的青睐,拉近了不同时空下学习者的距离,同时产生了海量的学习行为数据。网络学伴社区结构能够提升在线学习的效果,但传统的社区发现方法无法有效利用学习行为数据挖掘清晰的网络学伴社区结构。由于社区中学习者的学习兴趣影响学习行为,学习者行为特征与学伴社区发现存在较强的关联。因此,基于学习行为兴趣标签的网络学伴社区发现问题值得进一步研究。现阶段,在学习行为特
在软件的开发周期中,为满足市场变化和用户需求,通常需要对软件进行持续性更改和维护。开发者们为保证软件质量,需要进行软件测试,然而,软件的测试代码也会存在各种缺陷——测试异味,对生产代码的质量产生不良影响。目前,针对软件质量保证活动的研究主要集中在利用软件的结构、变更信息,进行软件缺陷的预测,尚未考虑到利用测试环节中出现的测试异味,加强对软件的质量保证和缺陷预测。本文在现有的即时缺陷预测模型中,融合
随着人工智能技术和教育大数据的发展,在线教育平台已经成为实现现代教育改革的重要一环。在传统教育环境中,教师难以实时追踪每位学习者的学习历史并为其提供个性化指导。但是,通过利用在线教育平台采集的海量数据,并使用知识追踪模型对学习者的在线教育过程进行分析,可以评估和预测学习者的学习效果,从而为学习者提供多维度的反馈与指导。现阶段,知识追踪的研究工作主要集中于对学习者答题行为数据的挖掘和分析。学习者的答