活性炭-氨吸附式制冷循环中吸附床的传热传质性能研究

吸附床由6个吸附单元组成,吸附单元为壳管式换热器,吸附工质对是活性炭-氨。利用多孔介质中流体流动的概念,建立一个吸附单元的数学模型,模拟结果与实验结果显示出很好的一致性。同时得出了吸附床内某种平均温度和平均压力的分布规律。     

颗粒堆积吸附床内三维数值传热计算

吸附床内传热过程的分析和计算是吸附式制冷研究的重要基础内容之一.在对颗粒堆积吸附床内传热过程分析的基础上,通过对吸附床内复杂传热过程进行合理简化,建立了吸附床内部三维非稳态无内热源传热数学模型,并以硅胶-水工质对为例进行了求解,计算所得吸附床换热系数数值与根据相关文献中提供的实验数据所推算山的数值十分接近.同时,根据计算结果分析了吸附床内部传热过程,为颗粒堆积吸附床的设计和优化提供了一种简单而有效的理论方法.     

基于机器学习的合金催化剂表面吸附能预测

近年来,机器学习方法逐渐成为多相催化中的一种关键研究手段. 二元合金材料作为重要的催化剂之一,在双功能催化剂的筛选中受到了广泛的关注. 本文提出了一个将机器学习方法应用在预测催化性质上的整体框架,从而快速预测原子、分子在金属和二元合金表面的吸附能. 通过测试不同的机器学习方法来评估它们对于该问题的适用性,并将树集成的方法与压缩感知方法相结合,利用约6×10⁴个吸附能数据构建了预测模型. 相对于线性比例关系,该方法可以更准确地预测大量合金上的吸附能(预测的均方根误差降低一半),并且更通用地预测各种吸附物的能量,为发现新的双金属催化剂铺平了道路.     

具有非平衡吸附特征的吸附床传热特性研究

吸附床是固体吸附制冷系统的关键部件,对于连续回热等快速进行的吸附制冷循环,吸附床内温度的变化及其压力交变对吸附特性的影响不可忽视。本文对吸附床在吸附、解吸过程中的温度场和吸附率分布进行了模拟计算,并将其与采用平衡吸附模型的计算结果进行了比较,文中比较及结论有助于深入认识吸附床在制冷循环中工作特性,并为吸附床的设计提供参考依据。     

COIL低温真空吸附床结构的改进

 压力恢复系统是氧碘化学激光器的重要组成部分。采用低温真空吸附系统作为氧碘化学激光器的压力恢复系统,吸附床的吸附性能决定着低温真空吸附系统的压力恢复性能。通过改变液氮在传热过程中的流动状态,改善液氮与吸附床之间的热交换效率。对两种不同结构吸附床的传热系数进行了计算及实验验证,结果表明:当液氮在传热过程中的流动状态由环状流变为泡状流时,可以很好地改善液氮与吸附床的传热效率。改进后的液氮与吸附床的传热系数提高了2.2倍,提高了吸附床的吸附性能。     

基于机器学习的竖直管内超临界压力CO2湍流换热替代模型研究

超临界压力流体在热力发电、航空航天热防护等工业领域具有广泛应用和广阔的应用前景.然而,由于超临界压力流体在准临界温度附近物性变化剧烈,对流换热性能异于常规流体,为系统热设计带来了很大挑战.本文以受浮升力与热加速耦合影响的超临界压力CO2管内湍流换热问题为例,利用机器学习的高斯过程回归算法和协同克里金法建立两种计算模型,...     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

基于ARMA模型的船舶海水冷却系统参数预测

船舶海水冷却系统与船外海水直接接触,工作环境较为恶劣,而基于小波理论、灰色理论等参数预测方法受环境影响较大,为了实现对船舶海水冷却系统状态参数的准确预测,提出了根据平稳时间序列建立自回归移动平均模型（ARMA）的方法;介绍了ARMA模型原理及建模过程;选取“育鲲轮”海水冷却系统6天的状态参数作为训练样本,输入到ARMA预测模型中进行训练;在MATLAB环境下,获得预测数据;运用平均绝对百分比误差对预测模型的准确性进行验证并对误差进行分析,结果表明所建立的船舶海水冷却系统状态参数预测模型具有良好的预测能力,能有效的反应未来一段时间海水冷却系统的工作状态的变化,提示系统是否存在异常,为早期故障诊断提供有效手段,进而为船舶的稳定运营提供了条件。     

基于神经网络参数优化的热失控状态温度预测研究

为提高夹杂热失控现象的微波干燥褐煤过程中神经网络预测温度精度,提出一种基于二次滤波及粒子群寻优的神经网络参数优化算法。该方法先引入小波分析对训练数据进行软阈值滤波处理,使温度数据在描述变化趋势的同时突出非平稳特征,而后使用粒子群算法寻找该趋势特征对应的神经网络最优的隐层节点数、学习率及最佳训练次数的组合,最后在预测中使用前向均值阈值滤波处理输入数据配合该最优网络进行预测。实验结果表明,该方法能同时提高热失控和非热失控状态下温度预测精度,使预测平均绝对误差下降59.2%。