基于遗传算法的BP神经网络气液两相流持液率预测模型优化

基于遗传算法(Genetic Algorithm,GA)对BP(Back Propagation)神经网络模型的初始阈值及权值进行优化,弥补了单一BP网络模型预测气液两相流持液率时收敛速度慢随机性大等问题。为了对优化后的BP网络模型进行可行性验证,以倾斜管道为研究对象,对倾斜管道内气液两相流的持液率进行预测,并与前人获得的预测结果进行对比。结果显示:基于GA优化后的BP神经网络模型预测倾斜管道内气液两相流的持液率精度较高,且收敛速度较快。通过与倾斜管道气液两相流持液率的实际值对比得出,与传统的持液率预测公式相比,优化后的BP神经网络模型预测结果与实际值偏差较小,验证了本文优化模型的准确性及可行性。

用于蓖麻油甲醇解催化剂KF-MgO/Al_2O_3的制备和表征

为了提高蓖麻油甲醇解反应速率,分别以MgAc_2水溶液、KF水溶液作为浸渍液,Al_2O_3作为载体,采用二次浸渍、二次焙烧的方法制备了KF-MgO/Al_2O_3催化剂。将其用于蓖麻油甲醇解反应,通过正交实验优化的催化剂制备条件为:一次焙烧温度500℃,一次焙烧时间3h,二次焙烧温度450℃,二次焙烧时间5h。利用哈密特指示剂滴定法、TG-DTG(热重-微分热重)、XRD(X射线衍射)、SEM(扫描电镜)、低温N_2吸附-脱附技术对催化剂及其前驱体进行了表征。结果显示:催化剂碱强度在7.2～18.4;催化剂由负载于Al_2O_3载体表面的MgO、KF及反应产物构成;其比表面积为20.40m^2/g、孔体积为0.048 9cm^3/g。该催化剂能有效提高蓖麻油甲醇解反应速率,使蓖麻油转化率在3h内达到98.79%。