摘要 | 第4-6页 |
abstract | 第6-7页 |
第一章 前言 | 第11-34页 |
1.1 造粒 | 第11页 |
1.2 造粒方法分类 | 第11-12页 |
1.3 高剪切湿法造粒 | 第12-13页 |
1.4 造粒的三个速率过程 | 第13-20页 |
1.4.1 润湿与成核 | 第14-17页 |
1.4.2 聚并与生长 | 第17-18页 |
1.4.3 破碎与磨蚀 | 第18-20页 |
1.5 造粒过程的微观模型 | 第20-25页 |
1.5.1 密实模型 | 第20-21页 |
1.5.2 团聚模型 | 第21-24页 |
1.5.3 破碎模型 | 第24-25页 |
1.6 颗粒生长现象 | 第25-26页 |
1.7 颗粒生长机制图 | 第26-30页 |
1.8 常见的造粒过程研究方法 | 第30-31页 |
1.9 研究动机与本文的研究内容 | 第31-34页 |
第二章 造粒过程关键参数定义 | 第34-41页 |
2.1 引言 | 第34页 |
2.2 总相对扫料体积 | 第34-36页 |
2.3 相对理论液体可用度 | 第36-38页 |
2.4 液体注入参数 | 第38-39页 |
2.5 斯托克斯粘性系数 | 第39-40页 |
2.6 本章小结 | 第40-41页 |
第三章 实验部分与数据收集 | 第41-51页 |
3.1 引言 | 第41页 |
3.2 造粒设备及造粒工艺 | 第41-42页 |
3.3 过程参数调整及数据收集 | 第42页 |
3.4 原材料特性 | 第42-49页 |
3.4.1 原料粉堆密度的测定 | 第42-43页 |
3.4.2 原料粉粒度分布的测定 | 第43-44页 |
3.4.3 原料粉比表面积的测定 | 第44-46页 |
3.4.4 液体粘结剂物理性质的测定 | 第46-49页 |
3.5 造粒产品粒度分布的测量 | 第49页 |
3.6 本章小结 | 第49-51页 |
第四章 人工神经网络模型 | 第51-67页 |
4.1 引言 | 第51-52页 |
4.2 神经网络的基本要素 | 第52-53页 |
4.3 神经网络的种类及拓扑结构 | 第53-55页 |
4.4 传递函数 | 第55-56页 |
4.5 神经网络的学习方式 | 第56页 |
4.6 神经网络的学习规则 | 第56-57页 |
4.7 误差反向传播算法 | 第57-60页 |
4.7.1 信息的正向传播 | 第58-59页 |
4.7.2 误差的反向传播 | 第59-60页 |
4.8 神经网络训练算法 | 第60-61页 |
4.9 神经网络的泛化能力 | 第61-64页 |
4.9.1 数据归一化 | 第62页 |
4.9.2 提前终止算法 | 第62-64页 |
4.10 神经网络模型统计学评价标准 | 第64页 |
4.11 敏感度分析 | 第64-65页 |
4.12 本章小结 | 第65-67页 |
第五章 高剪切湿法造粒过程神经网络模型的建立 | 第67-88页 |
5.1 引言 | 第67页 |
5.2 数据预处理 | 第67-70页 |
5.3 人工神经网络模型的建立 | 第70-71页 |
5.3.1 网络传递函数寻优 | 第70页 |
5.3.2 网络训练算法寻优 | 第70-71页 |
5.3.3 网络拓扑结构寻优 | 第71页 |
5.4 人工神经网络模型寻优结果 | 第71-82页 |
5.4.1 预测造粒产品平均粒径的人工神经网络模型寻优结果 | 第71-75页 |
5.4.2 预测造粒产品粒度分布宽度的人工神经网络模型寻优结果 | 第75-77页 |
5.4.3 结果与讨论 | 第77-82页 |
5.5 对造粒产品粒度分布宽度预测的优化 | 第82-85页 |
5.5.1 留k法(leave-k-out method) | 第82-83页 |
5.5.2 插值法(interpolation method) | 第83-85页 |
5.5.3 优化结果与讨论 | 第85页 |
5.6 关键参数敏感度分析 | 第85-86页 |
5.7 本章小结 | 第86-88页 |
第六章 结论与展望 | 第88-91页 |
6.1 主要结论 | 第88-89页 |
6.2 论文创新点 | 第89页 |
6.3 后期工作建议 | 第89-91页 |
主要符号说明 | 第91-96页 |
附录 | 第96-101页 |
参考文献 | 第101-113页 |
发表论文和参加科研情况说明 | 第113-114页 |
致谢 | 第114-115页 |