散式流态化到聚式流态化的混沌识别

散式流态化呈现出一种非常均匀的理想流态化结构 .聚式流态化具有明显的两相结构 .当流型从散式到聚式转变时 ,床层结构发生了变化 .本文在提出用最小二乘法同时计算关联维D2 和K2 熵的计算方法的基础上 ,就A类颗粒在不同气速下的压力波动 ,分析了从散式到聚式转变时所对应的床层结构的变化 ,解释了在不同尺度下两种流型所表现出的不同动力学行为 .以此为基础 ,提出了新的识别流型转变的方法 .

FCC颗粒散式或聚式流态化特性的CFD模拟

流化催化裂化(FCC)在重油轻质化过程中占有重要地位,掌握气固流化床内流动特性对FCC装置的合理设计有一定指导作用。采用Brandani S和Zhang K的模型,在商业化CFD软件包CFX 4.4平台上模拟了宽为0.25 m和高0.70 m的二维流化床中粒径为6.4×10-5m和密度为1 225 kg/m3的FCC颗粒不同表观气速下的散式或聚式流态化特性,所得结果与前人的实验测量和理论预报相吻合。

散式流化和聚式流化的BP神经网络识别

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pff()/rrr-、mfRe和mfFr(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。

流化床技术在制药工业应用的现状及前景

从流化床的基本概念入手,分析和比较了流化床在制药工业应用的现状,阐述了几种流化床设备的特点,同时对流化床技术的发展和应用前景作了预测。