摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第9-17页 |
1.1 膜生物反应器 | 第9-11页 |
1.1.1 膜生物反应器的优缺点 | 第9-10页 |
1.1.2 膜生物反应器的分类 | 第10-11页 |
1.2 膜生物反应器的研究现状 | 第11-13页 |
1.2.1 国外研究现状 | 第11-13页 |
1.2.2 国内研究现状 | 第13页 |
1.3 本文研究所具备的条件 | 第13-14页 |
1.4 研究目的和意义 | 第14-15页 |
1.5 本文结构安排 | 第15-17页 |
第二章 MBR膜污染因素探究 | 第17-29页 |
2.1 膜的作用 | 第17-18页 |
2.2 膜污染分类 | 第18-19页 |
2.3 膜污染机理研究 | 第19-22页 |
2.3.1 膜过滤方式 | 第19-20页 |
2.3.2 浓差极化现象 | 第20-22页 |
2.4 膜污染形成过程 | 第22-23页 |
2.5 膜污染的影响因素与控制 | 第23-25页 |
2.6 膜清洗方法 | 第25-26页 |
2.7 膜污染研究现状 | 第26-27页 |
2.8 本章小结 | 第27-29页 |
第三章 粒子群算法与遗传算法 | 第29-37页 |
3.1 粒子群优化算法相关介绍 | 第29-32页 |
3.1.1 粒子群算法原理 | 第29-30页 |
3.1.2 粒子群算法流程 | 第30页 |
3.1.3 粒子群算法的参数选择 | 第30-32页 |
3.1.4 粒子群算法的特点 | 第32页 |
3.2 遗传优化算法相关介绍 | 第32-34页 |
3.2.1 遗传方法原理 | 第32页 |
3.2.2 遗传算法的基本流程 | 第32-33页 |
3.2.3 遗传算法的参数选择 | 第33-34页 |
3.2.4 遗传算法的特点 | 第34页 |
3.3 粒子群算法和遗传算法的异同 | 第34-35页 |
3.4 本章小节 | 第35-37页 |
第四章 基于人工神经网络的膜通量预测模型 | 第37-57页 |
4.1 人工神经网络 | 第37-40页 |
4.2 递归神经网络 | 第40-42页 |
4.3 膜通量预测模型相关介绍 | 第42-56页 |
4.3.1 数据预处理 | 第42-45页 |
4.3.2 PSO-Elman膜通量预测模型 | 第45-49页 |
4.3.3 PSO-GA-Elman膜通量预测模型 | 第49-53页 |
4.3.4 PSO-RNN膜通量预测模型 | 第53-56页 |
4.4 本章小结 | 第56-57页 |
第五章 基于CFD的MBR模拟仿真模型 | 第57-69页 |
5.1 计算流体力学的研究及介绍 | 第57-60页 |
5.1.1 CFD软件的构成 | 第57-58页 |
5.1.2 CFD中常用计算方程 | 第58-59页 |
5.1.3 CFD中的常用算法 | 第59页 |
5.1.4 CFD的多相流模型 | 第59-60页 |
5.2 CFD求解力学问题的过程 | 第60-61页 |
5.3 网格的相关基本概念 | 第61-62页 |
5.4 边界条件 | 第62页 |
5.5 MBR模拟仿真模型介绍 | 第62-68页 |
5.5.1 模型结构介绍 | 第62-63页 |
5.5.2 仿真模型建立步骤 | 第63-65页 |
5.5.3 仿真模型计算结果分析 | 第65-68页 |
5.6 本章小结 | 第68-69页 |
第六章 结论与展望 | 第69-71页 |
参考文献 | 第71-75页 |
发表论文和参加科研情况 | 第75-77页 |
致谢 | 第77页 |