| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 膜生物反应器 | 第10-15页 |
| 1.1.1 膜生物反应器的原理及分类 | 第10-12页 |
| 1.1.2 膜生物反应器的优势及问题 | 第12-14页 |
| 1.1.3 膜生物反应器的研究现状 | 第14-15页 |
| 1.2 课题研究条件 | 第15页 |
| 1.3 研究内容、目的和意义 | 第15-16页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 研究目的和意义 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 MBR膜污染机理与控制 | 第18-26页 |
| 2.1 膜污染的定义和起源 | 第18-19页 |
| 2.1.1 膜污染的产生 | 第18-19页 |
| 2.1.2 膜污染的分类 | 第19页 |
| 2.2 膜污染机理研究 | 第19-22页 |
| 2.2.1 浓差极化现象 | 第19-21页 |
| 2.2.2 膜污染的变化阶段 | 第21-22页 |
| 2.3 膜污染的影响因素 | 第22-23页 |
| 2.3.1 膜和膜组件的特性对膜污染的影响 | 第22页 |
| 2.3.2 膜自身性质受化学物质的影响 | 第22-23页 |
| 2.3.3 具有化学性的物质对膜污染的影响 | 第23页 |
| 2.4 膜污染的防治 | 第23-24页 |
| 2.4.1 膜污染的控制方法 | 第23-24页 |
| 2.4.2 膜污染的清洗方法 | 第24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 粒子群优化小波神经网络在MBR膜通量预测中的应用 | 第26-36页 |
| 3.1 小波分析 | 第26-27页 |
| 3.1.1 小波变换 | 第26-27页 |
| 3.2 小波神经网络 | 第27-30页 |
| 3.2.1 前馈神经网络 | 第27-28页 |
| 3.2.2 小波神经网络简介 | 第28页 |
| 3.2.3 小波神经网络结构 | 第28-29页 |
| 3.2.4 小波神经网络的学习方法 | 第29-30页 |
| 3.2.5 小波神经网络的发展及存在的问题 | 第30页 |
| 3.3 粒子群算法 | 第30-31页 |
| 3.3.1 粒子群算法简介 | 第30页 |
| 3.3.2 粒子群算法理论 | 第30-31页 |
| 3.4 粒子群优化小波神经网络 | 第31-32页 |
| 3.5 模拟结果分析 | 第32-33页 |
| 3.6 本章小结 | 第33-36页 |
| 第四章 深度置信网络在MBR膜通量预测中的应用 | 第36-42页 |
| 4.1 深度学习的方法 | 第36页 |
| 4.2 深度置信网络简介 | 第36-38页 |
| 4.3 高斯—伯努利GBRBM | 第38页 |
| 4.5 深度置信网络模型及优化过程 | 第38-39页 |
| 4.6 模拟结果分析 | 第39-40页 |
| 4.7 本章小结 | 第40-42页 |
| 第五章 CFD在MBR模拟仿真中的应用 | 第42-52页 |
| 5.1 CFD软件介绍 | 第42-43页 |
| 5.2 FLUENT软件介绍 | 第43-44页 |
| 5.3 流体力学控制方程 | 第44页 |
| 5.4 湍流模型 | 第44-46页 |
| 5.5 壁面函数法 | 第46-47页 |
| 5.6 多相流模型 | 第47-49页 |
| 5.6.1 概述 | 第47-49页 |
| 5.6.2 VOF模型 | 第49页 |
| 5.7 网格划分以及边界条件 | 第49-50页 |
| 5.7.1 网格划分 | 第49-50页 |
| 5.7.2 边界条件 | 第50页 |
| 5.8 模拟结果比较 | 第50-51页 |
| 5.9 本章小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 发表论文和参加科研情况 | 第58-60页 |
| 致谢 | 第60页 |