PSO-ELM及CFD在MBR膜污染中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 膜生物反应器 | 第9-15页 |
| 1.1.1 膜生物反应器(MBR)的基本原理 | 第9页 |
| 1.1.2 膜生物反应器的分类及特点 | 第9-12页 |
| 1.1.3 膜生物反应器的研究现状 | 第12-15页 |
| 1.1.4 膜生物反应器存在的问题 | 第15页 |
| 1.2 课题研究条件 | 第15-16页 |
| 1.3 课题研究的内容、目的和意义 | 第16-17页 |
| 1.3.1 课题研究内容 | 第16-17页 |
| 1.3.2 课题研究目的和意义 | 第17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 MBR膜污染与防治 | 第19-27页 |
| 2.1 膜污染机理 | 第19-20页 |
| 2.2 膜污染分类 | 第20-22页 |
| 2.2.1 无机物污染 | 第20-21页 |
| 2.2.2 有机物污染 | 第21页 |
| 2.2.3 微生物污染 | 第21页 |
| 2.2.4 固形污染和胶体污染 | 第21-22页 |
| 2.3 膜污染影响因素 | 第22-24页 |
| 2.3.1 膜性质与膜组件 | 第23页 |
| 2.3.2 膜组件的运行条件与操作方式 | 第23-24页 |
| 2.3.3 混合液性质 | 第24页 |
| 2.4 膜污染的防治 | 第24-27页 |
| 2.4.1 膜污染的控制方法 | 第24-25页 |
| 2.4.2 膜清洗 | 第25-27页 |
| 第三章 极限学习机理论 | 第27-37页 |
| 3.1 人工神经网络 | 第27-30页 |
| 3.1.1 神经网络的基本分类 | 第27-28页 |
| 3.1.2 前馈神经网路模型 | 第28-29页 |
| 3.1.3 前馈神经网络的缺陷 | 第29-30页 |
| 3.2 极限学习机 | 第30-35页 |
| 3.2.1 极限学习机模型 | 第30-32页 |
| 3.2.2 在线极限学习机模型 | 第32-34页 |
| 3.2.3 增量极限学习机模型 | 第34-35页 |
| 3.3 极限学习机的优缺点分析 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于PSO-ELM膜通量的仿真预测模型 | 第37-43页 |
| 4.1 粒子群算法原理 | 第37-38页 |
| 4.2 PSO优化ELM具体步骤 | 第38-39页 |
| 4.3 基于PSO-ELM膜通量的仿真预测模型 | 第39页 |
| 4.3.1 影响因素的确定 | 第39页 |
| 4.3.2 训练样本与测试样本的选择 | 第39页 |
| 4.3.3 预测模型参数设置 | 第39页 |
| 4.4 预测结果与实验结果对比及分析 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 CFD在膜生物反应器流体运动中的数值模拟 | 第43-51页 |
| 5.1 计算流体力学 | 第43-46页 |
| 5.1.1 计算流体力学介绍 | 第43页 |
| 5.1.2 控制方程 | 第43-44页 |
| 5.1.3 湍流模型 | 第44-45页 |
| 5.1.4 模拟过程 | 第45-46页 |
| 5.2 计算模型及边界条件 | 第46-48页 |
| 5.2.1 几何建模与网格划分 | 第46-47页 |
| 5.2.2 物理模型及边界条件 | 第47-48页 |
| 5.3 模拟结果分析 | 第48-49页 |
| 5.3.1 速度矢量分析 | 第48-49页 |
| 5.3.2 气含率分析 | 第49页 |
| 5.4 本章小结 | 第49-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 发表论文及参加科研情况 | 第57-58页 |
| 致谢 | 第58页 |
