膜生物反應(yīng)器(MembraneBio-Reactor)是一種應(yīng)用在污水處理,水資源再利用領(lǐng)域的新型水處理工藝。該工藝主要由膜分離單元和生物處理單元兩部分構(gòu)成,其中對膜分離單元中的減緩膜污染的研究意義重大,一直以來大量研究也集中在如何減緩MBR的膜污染中。在各種不同的減緩MBR膜污染的措施中,調(diào)節(jié)系統(tǒng)運行的條件和參數(shù)是可操作性強,靈活性高,效果顯著的方法。本文旨在研究MBR系統(tǒng)運行過程中曝氣這個重要參數(shù)對減緩MBR膜污染的影響,首先使用Fluent模擬仿真軟件研究曝氣時產(chǎn)生的氣液兩相流場的分布狀態(tài),從微觀的角度探索如何曝氣能達到較好的減緩膜污染效果。然后使用GM算法和深度學習中的Linear算法研究預(yù)測MBR系統(tǒng)運行不同時間的最佳曝氣強度值,從數(shù)據(jù)分析的角度構(gòu)造模型來預(yù)測不同時間對應(yīng)的最佳曝氣強度值。進而達到能夠使用模型為不同時間提供最佳曝氣強度的參考數(shù)據(jù)的作用。微觀角度模擬仿真曝氣時產(chǎn)生的氣液兩相流場的實驗主要存在兩個難點,第一個難點是要理解流體力學的理論,特別是氣體和液體兩種狀態(tài)的流體在相互融合時所需建立的質(zhì)量守恒方程和動量守恒方程;第二難點是要能夠操作使用分析流體力學的Fluent...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
學位論文主要創(chuàng)新點
摘要
Abstract
第一章 緒論
    1.1 研究現(xiàn)狀及發(fā)展趨勢
        1.1.1 膜生物反應(yīng)器的應(yīng)用現(xiàn)狀
        1.1.2 膜生物反應(yīng)器的發(fā)展趨勢
    1.2 研究條件和內(nèi)容
        1.2.1 研究條件
        1.2.2 研究內(nèi)容
    1.3 研究目的和意義
        1.3.1 研究目的
        1.3.2 研究意義
    1.4 論文結(jié)構(gòu)安排
第二章 MBR膜污染與防治
    2.1 膜生物反應(yīng)
        2.1.1 膜生物反應(yīng)器的構(gòu)成與分類
        2.1.2 膜生物反應(yīng)原理
        2.1.3 傳統(tǒng)生物技術(shù)和MBR
    2.2 膜污染
        2.2.1 膜污染的形成
        2.2.2 膜污染的分類
    2.3 濃差極化現(xiàn)象
    2.4 膜污染影響因素
        2.4.1 膜和膜組件的特性對膜污染的影響
        2.4.2 進料液和污泥特性對膜污染的影響
        2.4.3 膜組件的操作運行條件對膜污染的影響
    2.5 膜污染的防治
        2.5.1 膜污染的控制
        2.5.2 膜污染的清洗
第三章 曝氣中氣液兩相流場的數(shù)值模擬
    3.1 氣液兩相流場
        3.1.1 垂直管道內(nèi)前氣液兩相流的流型
        3.1.2 垂直管道內(nèi)的氣液兩相流流型的常見分類
    3.2 氣液兩相流場數(shù)值模擬
        3.2.1 CFD數(shù)值模擬方法
        3.2.2 氣液兩相流的數(shù)學模型
        3.2.3 FLUENT軟件
    3.3 曝氣大小對氣液兩相流的影響
    3.4 曝氣位置對氣液兩相流的影響
    3.5 氣液兩相流數(shù)值模擬的驗證
        3.5.1 曝氣大小數(shù)值模擬的驗證
        3.5.2 曝氣位置數(shù)值模擬的驗證
第四章 基于GM預(yù)測模型對MBR曝氣強度預(yù)測
    4.1 GM預(yù)測模型的理論研究
        4.1.1 GM預(yù)測模型算法的基本原理
        4.1.2 GM預(yù)測模型的數(shù)學描述
        4.1.3 算法的計算步驟和流程圖
    4.2 MBR系統(tǒng)不同階段最佳曝氣強度的預(yù)測
        4.2.1 最佳曝氣強度
        4.2.2 最佳曝氣強度的影響因素
        4.2.3 最佳曝氣強度的實驗確定
    4.3 GM預(yù)測不同階段的最佳曝氣強度
        4.3.1 收集整理最佳曝氣強度數(shù)據(jù)
        4.3.2 數(shù)據(jù)導入GM預(yù)測模型進行預(yù)測
        4.3.3 預(yù)測結(jié)果及分析
第五章 基于Linear線性神經(jīng)網(wǎng)絡(luò)對MBR曝氣強度預(yù)測
    5.1 Linear線性神經(jīng)網(wǎng)絡(luò)
        5.1.1 Linear線性神經(jīng)網(wǎng)絡(luò)介紹
        5.1.2 訓練Linear的均方差損失函數(shù)MSELoss
        5.1.3 訓練Linear的Optim隨機梯度下降SGD算法
    5.2 Linear線性神經(jīng)網(wǎng)路預(yù)測最佳曝氣強度
        5.2.1 Linear線性神經(jīng)網(wǎng)絡(luò)的輸入輸出
        5.2.2 Linear線性神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)處理做歸一化
        5.2.3 使用Pytorch深度學習框架實現(xiàn)Linear模型
    5.3 Linear線性神經(jīng)網(wǎng)絡(luò)的實驗結(jié)果及分析
        5.3.1 Linear模型預(yù)測實驗結(jié)果
        5.3.2 Linear模型預(yù)測實驗分析
第六章 結(jié)論與展望
    6.1 結(jié)論
        6.1.1 氣液兩相流實驗結(jié)論
        6.1.2 GM模型預(yù)測最佳曝氣值實驗結(jié)論
        6.1.3 Linear模型預(yù)測最佳曝氣值實驗結(jié)論
    6.2 展望
        6.2.1 人工智能時代背后的算法展望
        6.2.2 MBR處理廢水技術(shù)的展望
參考文獻
發(fā)表論文情況和參加科研情況
致謝
附錄



本文編號：3832904