版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)
文檔簡介
1、本文在自制的體積為200ml,過濾面積為0.0024m2的死端微濾裝置上,分別使用孔徑為0.1μmPVDF和0.2μmPES的膜在不同操作條件(操作壓力:0.04~0.16MPa、0.04~0.12MPa;溫度:20~30℃、20~45℃;料液濃度:0.5~2.0g·L-1、0.3~2.0g·L-1)下對BSA溶液和酵母懸浮液進行了過濾實驗,并對各個操作條件下的死端微濾BSA溶液膜通量、酵母懸浮液膜通量及酵母懸浮液比阻進行了研究。研究步
2、驟分為四步:首先通過作圖確定了BSA溶液膜通量/酵母懸浮液膜通量/酵母懸浮液比阻隨不同操作條件的變化規(guī)律;然后采用多元線性回歸方法對回歸系數(shù)進行適當(dāng)處理得到標(biāo)準(zhǔn)化影響因子,根據(jù)各參變量系數(shù)、膜通量/比阻因子的方向和大小,對影響膜通量/比阻的操作條件進行了分析,確定了不同操作條件對BSA溶液膜通量/酵母懸浮液膜通量/酵母懸浮液比阻的定量影響程度;在定量影響程度被確定的基礎(chǔ)上,再利用人工神經(jīng)網(wǎng)絡(luò)方法建立了不同操作條件與BSA溶液膜通量/酵母
3、懸浮液微濾膜通量/酵母懸浮液比阻的基本BP和RBF神經(jīng)網(wǎng)絡(luò)模型,并對這兩個神經(jīng)網(wǎng)絡(luò)模型參數(shù)進行優(yōu)化,得到了較優(yōu)的BP和RBF神經(jīng)網(wǎng)絡(luò)模型,最后以平均絕對相對誤差和相關(guān)系數(shù)作為衡量指標(biāo),對這兩個神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度進行了比較。研究結(jié)果表明: 對于BSA溶液膜通量來說,(1)BSA溶液膜通量隨溫度升高而增大,隨料液濃度的增大而減小。隨著操作壓力的增大,BSA溶液膜通量在不同料液濃度下表現(xiàn)出差異性,料液濃度為0.5~1.0g·L-1
4、范圍內(nèi),膜通量隨操作壓力的增大而增大。料液濃度為2.0g·L-1時,操作壓力在0.04~0.10MPa范圍內(nèi),膜通量隨操作壓力增大而增大,操作壓力在0.10~0.16MPa范圍內(nèi),膜通量隨操作壓力的增大先減小后增大。但對于不同料液濃度,總體上BSA溶液膜通量隨操作壓力的增大而增大。隨著料液濃度的增加,溫度的影響程度增加,操作壓力的影響程度減小。溫度、操作壓力和料液濃度的影響程度從大到小依次為操作壓力(69%)、溫度(18%)和料液濃度(
5、13%);(2)較優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型的拓樸結(jié)構(gòu)為3-9-1,隱層神經(jīng)元個數(shù)為9,學(xué)習(xí)率為0.05,學(xué)習(xí)函數(shù)為traingdx,隱層到輸出層傳遞函數(shù)為logsig,此神經(jīng)網(wǎng)絡(luò)模型對BSA溶液膜通量預(yù)測的平均絕對相對誤差為2.35%,相關(guān)系數(shù)為0.9960;(3)較優(yōu)RBF神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)設(shè)計函數(shù)為newrbe,散布常數(shù)為400,此神經(jīng)網(wǎng)絡(luò)模型對BSA溶液膜通量預(yù)測的平均絕對相對誤差為6.08%,相關(guān)系數(shù)為0.9729:(4)在本論文實驗
6、范圍內(nèi),利用所得較優(yōu)神經(jīng)網(wǎng)絡(luò)模型,對BSA溶液膜通量進行預(yù)測時,通過對比預(yù)測的平均絕對相對誤差和預(yù)測相關(guān)性,發(fā)現(xiàn)采用BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)模型。對于酵母懸浮液膜通量來說,(1)酵母懸浮液膜通量隨溫度升高而增大,隨料液濃度的增大而減小。隨著操作壓力的增大,膜通量出現(xiàn)先增大后減小,操作壓力為0.02~0.1 MPa范圍內(nèi),膜通量隨操作壓力的增大而增大,在0.02~0.1MPa范圍內(nèi)有略所下降。但總體上是上升的趨勢。溫度、操作壓力
7、和料液濃度對膜通量的影響程度從大到小依次為料液濃度(86.80%)、操作壓力(10.12%)和溫度(3.08%);(2)運用較優(yōu)BSA溶液膜通量的BP神經(jīng)網(wǎng)絡(luò)模型對酵母懸浮液膜通量進行預(yù)測時,平均絕對相對誤差可達3.14%,相關(guān)系數(shù)為0.997;(3)運用較優(yōu)BSA溶液膜通量的RBF神經(jīng)網(wǎng)絡(luò)模型對酵母懸浮液膜通量進行預(yù)測時,效果不佳,通過進一步的優(yōu)化發(fā)現(xiàn)較優(yōu)的散布常數(shù)為170,此時的預(yù)測平均絕對誤差和相關(guān)系數(shù)分別為10.98%和0.99
8、23;(4)在本論文實驗范圍內(nèi),利用較優(yōu)BP和RBF神經(jīng)網(wǎng)絡(luò)模型對膜通量進行預(yù)測時,通過對比預(yù)測的平均絕對相對誤差和相關(guān)系數(shù),發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)于RBF神經(jīng)網(wǎng)絡(luò)模型。 對于酵母懸浮液比阻來說,(1)酵母懸浮液比阻隨著操作壓力的增加而增加,隨料液濃度的變化規(guī)律性較復(fù)雜,在0.3~1.0g·L-1范圍內(nèi),隨料液濃度的增加而增加,但在1.0~2.0g·L-1范圍內(nèi),比阻將呈現(xiàn)下降趨勢。溫度對比阻的影響基本呈下降的趨勢。操作壓力、料
9、液濃度和溫度對比阻的影響從大到小的順序依次是操作壓力(75.31%)、料液濃度(12.89%)和溫度(11.8%);(2)較優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型的拓樸結(jié)構(gòu)為3-7-1。隱層神經(jīng)元個為7,學(xué)習(xí)率為0.05,學(xué)習(xí)函數(shù)為traingdx,隱層到輸出層傳遞函數(shù)為Logsig,此神經(jīng)網(wǎng)絡(luò)模型對酵母懸浮液比阻預(yù)測的平均絕對相對誤差為3.55%,相關(guān)系數(shù)為0.9960;(3)較優(yōu)RBF神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)設(shè)計函數(shù)為newrbe,散布常數(shù)為9900,此時預(yù)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 死端微濾膜滲透通量的預(yù)測研究.pdf
- 人工神經(jīng)網(wǎng)絡(luò)在超、微濾膜過濾行為研究中的應(yīng)用.pdf
- BP神經(jīng)網(wǎng)絡(luò)在超濾膜通量預(yù)測中的應(yīng)用研究.pdf
- 死端微濾過程運行條件的優(yōu)化及膜通量的預(yù)測研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的鍋爐對流受熱面污染監(jiān)測研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的經(jīng)濟預(yù)測研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的事故預(yù)測研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的鍋爐控制研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的案例推理研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的交通量預(yù)測技術(shù)研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的語音識別研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的權(quán)證定價研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的徑流預(yù)測研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電場建模及仿真研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的水質(zhì)預(yù)測及MATLAB實現(xiàn).pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的工廠產(chǎn)能分析及預(yù)測.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的冰情預(yù)測研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)化算法研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的圖像壓縮方法研究.pdf
- 基于人工神經(jīng)網(wǎng)絡(luò)的藥劑處方優(yōu)化研究.pdf
評論
0/150
提交評論