简介:为研究连通容器内气体爆炸规律,采用流体力学软件Fluent对球形连通容器内预混气体爆炸过程进行模拟,分析了不同管道长度和传爆方向条件下连通容器内压力和中心轴线上的速度变化。结果表明:随连接管长增加,连通容器内压力峰值更高,连通容器在压力稳定阶段保持的压力更小;较之小容器中心点火、大容器中心点火连通容器内压力迅速上升期及达到压力峰值的时间更迟,连通容器内的压力峰值更高,不同传爆方向时,传爆容器内的压力都先于起爆容器达到一个极值;火焰进入传爆容器后,轴线速度得到极大提高,最大值出现在管道内靠近传爆容器的接合处,可燃气体基本燃烧完时,连通容器轴线速度随连接管长增加下降更慢。
简介:为了对地铁颗粒物进行数值模拟,讨论了不同粒径颗粒物的密度均值,重点分析了地铁颗粒物在区间隧道内运动的受力情况,计算和对比了各主要作用力。结果表明,地铁颗粒物的密度随粒径变化较大,采用平均值表示更为合适,其中PM1、PM2.5和PM10的密度均值分别为2.562g/cm~3、3.766g/cm~3和4.043g/cm~3。由于地铁颗粒物独特的密度属性及区间隧道内特殊的流场环境,颗粒受力情况不能一概而论,当颗粒粒径为1μm时,主要作用力呈现明显的分化,仅需考虑Brownian力和曳力;当颗粒粒径为2.5μm时,重力占据了足够的份额而不能被忽略,需要考虑Brownian力、曳力和重力;当颗粒粒径为10μm时,Saffman力明显增大而不能被忽略,因此需要考虑Brownian力、曳力、重力和Saffman力。
简介:矿井瓦斯突出的发生是一个非线性系统在时空演化过程中的灾变行为,影响突出的各个基本因素与突出危险性之间存在复杂的非线性映射关系。对于处理这样的非线性时空演变问题,传统的数学方法是有局限性的。为了更好地预测矿井瓦斯涌出量,将灰色理论引入到预测精度高的遗传神经网络,使灰色理论和遗传神经网络有机结合起来,以神经网络理论为基础,利用遗传算法优化隐含层神经元个数和网络中的连接权值,并用其建立瓦斯涌出量的预测新模型。在实验室测试数据的基础上,建立遗传神经网络训练和检验样本集,并且将检验结果分别与标准BP神经网络的预测结果进行比较。
简介:为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。
简介:落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系.人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法.基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究.结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快;该预测模型的应用可为采掘工作面瓦斯涌出量的动态预测提供可靠的基础数据,为采掘工作面落煤残存瓦斯量的确定提出了一种全新的方法和思路.
简介:为了研究A2N-SBR短程硝化反硝化系统内亚硝化细菌和短程反硝化聚磷菌的培养驯化,以实际生活污水为试样,对A2N-SBR系统内N-SBR反应器和A2-SBR反应器的菌种分别进行培养驯化.结果表明:在温度为26~28℃,pH值为7.5~8.0,DO质量浓度为0.4~0.8mg/L的条件下,经过38d的连续运行,在N-SBR反应器内驯化出了亚硝化细菌,氨氮的去除率和亚硝化率分别达到97.0%和96.5%在温度为25~26℃,pH值为7.0~8.0的条件下,采用先厌氧/好氧后厌氧/缺氧的运行方式,经过78d的连续运行,在A2-SBR反应器内驯化出短程反硝化聚磷菌,COD和PO4-3-的去除率分别达到86.2%和96.4%,NO-N的质量浓度也由29.9mg/L降为0.35mg/L.研究表明,通过控制适宜的环境条件,在A2N-SBR系统的N-SBR反应器和A2-SBR反应器内能够分别培养驯化出亚硝化细菌和短程反硝化聚磷菌.