| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 膜生物反应器概述 | 第10-15页 |
| 1.1.1 膜生物反应器的原理及分类 | 第10-13页 |
| 1.1.2 不同类型膜生物反应器的优点与不足 | 第13-14页 |
| 1.1.3 膜生物反应器的研究及应用现状 | 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 膜污染的概述 | 第18-19页 |
| 2.1.1 膜污染的形成 | 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19-21页 |
| 2.2.1 浓差极化现象 | 第19-21页 |
| 2.2.2 恒压下膜污染的形成机理 | 第21页 |
| 2.2.3 恒通量下膜污染的形成机理 | 第21页 |
| 2.3 膜污染的影响因素 | 第21-22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 进料液和污泥特性对膜污染的影响 | 第22页 |
| 2.3.3 膜组件的操作运行条件对膜污染的影响 | 第22页 |
| 2.4 膜污染的控制 | 第22-24页 |
| 2.4.1 膜污染的控制方法 | 第22-23页 |
| 2.4.2 膜污染的清洗方法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于ASM-CFD模型的MBR溶质浓度变化的研究 | 第26-36页 |
| 3.1 活性污泥法模型(ASM) | 第26-28页 |
| 3.1.1 Monod(莫诺特)模型 | 第26-27页 |
| 3.1.2 Eckenfelder(埃肯菲尔德)模型 | 第27页 |
| 3.1.3 McKinney(麦金尼)模型 | 第27-28页 |
| 3.1.4 Lawrence-McCarty(劳伦斯—麦卡蒂)模型 | 第28页 |
| 3.2 ASM降解有机物过程 | 第28-29页 |
| 3.3 CFD方法 | 第29-32页 |
| 3.3.1 CFD概述及应用状况 | 第29-30页 |
| 3.3.2 FLUENT软件包介绍 | 第30页 |
| 3.3.4 CFD求解过程 | 第30-32页 |
| 3.4 ASM-CFD模拟MBR反应器中溶质浓度变化 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 AdaBoost_BP模型在MBR膜通量预测中的应用 | 第36-48页 |
| 4.1 BP神经网络概述 | 第36-37页 |
| 4.1.1 BP神经网络结构 | 第36-37页 |
| 4.1.2 BP神经网络算法 | 第37页 |
| 4.1.3 BP神经网络缺陷 | 第37页 |
| 4.2 AdaBoost算法介绍 | 第37-42页 |
| 4.2.1 AdaBoost算法原理 | 第37-38页 |
| 4.2.2 AdaBoost算法流程 | 第38-40页 |
| 4.2.3 AdaBoost算法误差分析 | 第40-42页 |
| 4.3 基于BP及AdaBoost_BP的MBR仿真预测模型 | 第42-47页 |
| 4.3.1 数据预处理 | 第42-44页 |
| 4.3.2 BP和AdaBoost_BP模型的建立 | 第44-45页 |
| 4.3.3 进行实验及结果分析 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 梯度提升决策树在MBR膜通量预测中的应用 | 第48-58页 |
| 5.1 决策树概述 | 第48-49页 |
| 5.2 分类决策树 | 第49-53页 |
| 5.2.1 特征选择 | 第49-51页 |
| 5.2.2 决策树的生成 | 第51-52页 |
| 5.2.3 决策树剪枝 | 第52-53页 |
| 5.3 回归树 | 第53页 |
| 5.4 提升树算法 | 第53-55页 |
| 5.5 梯度提升决策树算法 | 第55-56页 |
| 5.6 基于梯度决策树的MBR仿真预测实验及分析 | 第56-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第六章 结论与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 发表论文和参加科研情况 | 第64-66页 |
| 附录 | 第66-72页 |
| 致谢 | 第72页 |
