高校化学工程学报
高校化學工程學報
고교화학공정학보
JOURNAL OF CHEMICAL ENGINEERING OF CHINESE UNIVERSITIES
2004年
4期
459-464
,共6页
周树孝%彭黔荣%周勇%石炎福%余华瑞
週樹孝%彭黔榮%週勇%石炎福%餘華瑞
주수효%팽검영%주용%석염복%여화서
散式流态化%聚式流态化%BP神经网络%流型识别
散式流態化%聚式流態化%BP神經網絡%流型識彆
산식류태화%취식류태화%BP신경망락%류형식별
由于流化系统的复杂性和非线性的特性,到目前为止,仍没有一个能很好地判断这两类流态化的可靠方法,而人工神经网络能够进行复杂的逻辑操作和实现对非线性系统流型的识别.由此,在文献数据(含15种颗粒和11种流体)的基础上,利用三层BP人工神经网络,提出了一种识别散式流化和聚式流化的新方法.以经过归一化处理的3个无因次准数(ρp-ρf)/pf、Remf和Frmf(判别因子)作为神经网络的三个输入结点,以散式流化、过渡状态和聚式流化对应于神经网络的三个输出结点,由训练样本集得到隐层结点数等最佳网络参数,然后对待测样本进行了流型识别.研究结果表明,神经网络用于散式流化和聚式流化的模式识别,结果与实际较一致.新方法优于传统的识别方法,具有较好的应用前景.
由于流化繫統的複雜性和非線性的特性,到目前為止,仍沒有一箇能很好地判斷這兩類流態化的可靠方法,而人工神經網絡能夠進行複雜的邏輯操作和實現對非線性繫統流型的識彆.由此,在文獻數據(含15種顆粒和11種流體)的基礎上,利用三層BP人工神經網絡,提齣瞭一種識彆散式流化和聚式流化的新方法.以經過歸一化處理的3箇無因次準數(ρp-ρf)/pf、Remf和Frmf(判彆因子)作為神經網絡的三箇輸入結點,以散式流化、過渡狀態和聚式流化對應于神經網絡的三箇輸齣結點,由訓練樣本集得到隱層結點數等最佳網絡參數,然後對待測樣本進行瞭流型識彆.研究結果錶明,神經網絡用于散式流化和聚式流化的模式識彆,結果與實際較一緻.新方法優于傳統的識彆方法,具有較好的應用前景.
유우류화계통적복잡성화비선성적특성,도목전위지,잉몰유일개능흔호지판단저량류류태화적가고방법,이인공신경망락능구진행복잡적라집조작화실현대비선성계통류형적식별.유차,재문헌수거(함15충과립화11충류체)적기출상,이용삼층BP인공신경망락,제출료일충식별산식류화화취식류화적신방법.이경과귀일화처리적3개무인차준수(ρp-ρf)/pf、Remf화Frmf(판별인자)작위신경망락적삼개수입결점,이산식류화、과도상태화취식류화대응우신경망락적삼개수출결점,유훈련양본집득도은층결점수등최가망락삼수,연후대대측양본진행료류형식별.연구결과표명,신경망락용우산식류화화취식류화적모식식별,결과여실제교일치.신방법우우전통적식별방법,구유교호적응용전경.