CN108372026A - 基于bp神经网络的静电除尘器中磁场效应预测方法 - Google Patents

基于bp神经网络的静电除尘器中磁场效应预测方法 Download PDF

Info

Publication number
CN108372026A
CN108372026A CN201810049617.0A CN201810049617A CN108372026A CN 108372026 A CN108372026 A CN 108372026A CN 201810049617 A CN201810049617 A CN 201810049617A CN 108372026 A CN108372026 A CN 108372026A
Authority
CN
China
Prior art keywords
field
magnetic field
temperature
particle
dust
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810049617.0A
Other languages
English (en)
Other versions
CN108372026B (zh
Inventor
张建平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Electric Power
University of Shanghai for Science and Technology
Original Assignee
Shanghai University of Electric Power
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN201810049617.0A priority Critical patent/CN108372026B/zh
Publication of CN108372026A publication Critical patent/CN108372026A/zh
Application granted granted Critical
Publication of CN108372026B publication Critical patent/CN108372026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
    • B03C3/017—Combinations of electrostatic separation with other processes, not otherwise provided for
    • B03C3/0175—Amassing particles by electric fields, e.g. agglomeration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C2201/00—Details of magnetic or electrostatic separation
    • B03C2201/24—Details of magnetic or electrostatic separation for measuring or calculating parameters, efficiency, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electrostatic Separation (AREA)

Abstract

本发明涉及一种基于BP神经网络的静电除尘器中磁场效应预测方法，包括以下步骤：1)在建立了流场、电磁场和颗粒动力场相互耦合的数学模型基础上，分析温度场对以上三个场域的作用机理；2)对磁场环境下高温线板式ESP中PM2.5的除尘性能进行数值模拟；3)以仿真数据作为训练数据，利用BP神经网络模型对不同工作电压下的磁场效应进行预测。与现有技术相比，本发明模拟了磁场环境中不同工作电压下高温线板ESP的除尘效率，并结合仿真数据和预测模型对不同工况下的磁场效应进行了预测，为准确预测高温线板式ESP磁场效应提供了模型依据。

Description

基于BP神经网络的静电除尘器中磁场效应预测方法
技术领域
本发明涉及一种静电除尘器中磁场效应预测方法，尤其是涉及一种基于BP神经网络的静电除尘器中磁场效应预测方法。
背景技术
随着社会的发展和人类的进步，当前人类活动给自然环境带来了极大的影响，特别是火电厂等能源化工行业在生产过程中产生了大量的粉尘气体，虽然通过处理后才向大气中排放，但仍然造成了严重的粉尘污染，破坏了人类的生存环境。如何提高ESP(高温线板式静电除尘器(Electrostatic Precipitators，ESP))的除尘效率，特别是提高ESP中高温粉尘烟气的捕集性能，成为了目前亟需解决的难题。
目前，国内外学者对高温静电除尘技术的研究工作主要集中在实验验证方面，系统地数值仿真磁场环境中高温下静电除尘器内颗粒运行特性的研究工作鲜见开展，而基于BP神经网络模型的不同工作电压下ESP磁场效应的预测更是处于空白状态。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于BP神经网络的静电除尘器中磁场效应预测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于BP神经网络的静电除尘器中磁场效应预测方法，包括以下步骤：
1)在建立了流场、电磁场和颗粒动力场相互耦合的数学模型基础上，分析温度场对以上三个场域的作用机理；
2)对磁场环境下高温线板式ESP中PM2.5的除尘性能进行数值模拟；
3)以仿真数据作为训练数据，利用BP神经网络模型对不同工作电压下的磁场效应进行预测。
优选地，所述的在建立了流场、电磁场和颗粒动力场相互耦合的数学模型基础上，分析温度场对以上三个场域的作用机理具体包括：外加磁场机理分析过程，温度机理分析过程和多场耦合分析过程。
优选地，所述的外加磁场机理分析过程具体为：
在二维静电除尘器中施加与静电除尘器电场的方向垂直纸面向内的磁感应强度；
假设在极线上施加正高压，电场力的方向是指向收尘板，这时在正离子向收尘板运动过程中与尘粒相碰，并附着于粉尘颗粒上使其荷正电，荷电粒子由于受到电场力作用朝收尘极方向做抛物线运动；
加入磁场后，带电粉尘颗粒由于受到电场力和洛伦兹力联合作用作螺旋运动，延长了荷电颗粒在ESP中停留时间，改变荷电颗粒与收尘板的碰撞方向，将使得颗粒物更易被收尘极捕获。
优选地，所述的温度机理分析过程具体为：
温度是影响静电除尘性能的重要因素之一，通过烟气密度影响影响流场，通过烟气粘度改变颗粒的运动速度进而影响颗粒动力场；
温度通过扩散荷电的影响作用于电磁场，扩散荷电Qdiff表示为：
式中，ε0为真空介电常数，8.854×10-12F/m；K0为波尔兹曼常数，1.38×10-23J/K；Di为颗粒粒径，μm；qe为电子荷电量1.6×10-19C；N0为单位体积内平均离子数密度；t为颗粒在电场中运动的时间，s；mion为离子质量，kg；T为温度。
优选地，所述的多场耦合分析过程具体为：
静电除尘器的内部场量有流场、颗粒动力场、电磁场和温度场，其耦合关系是：电磁场通过离子风影响流场，电磁场通过电场力和洛伦兹力影响颗粒动力场；流场通过离子对流反作用于电磁场，通过空气动力拖曳力和离子风力作用于颗粒动力场；颗粒动力场通过空间电荷来影响电磁场的分布，通过气-固两相耦合作用于流场；
温度场通过烟气密度影响影响流场，通过烟气粘度改变颗粒的运动速度进而影响颗粒动力场，利用其对扩散荷电的影响作用于电磁场
优选地，所述的利用BP神经网络模型具体为：
采用传统的BP神经网络预测模型来预测PM2.5捕集性能，设定隐层节点数为6，目标误差为10-3，学习率为0.01，迭代步数为5000次。
优选地，不同工作电压下的磁场效应进行预测，根据获得曲线，可知：
1)不论是否存在磁场环境，也不论是否考虑工作电压及温度的变化，颗粒的分级除尘效率均随着粒径的增大呈非线性增加的趋势，且逐渐趋于平缓；
2)不论是否有无磁场，颗粒的分级除尘效率均随着工作电压的增大而增大，均随着温度的增大逐步降低，且降低的趋势逐步减小；
3)不论电压和温度如何变化，磁场环境中的分级效率更高，这表明磁场的引入可有效地提高PM2.5的分级除尘效率；
4)不论是否存在磁场环境，工作电压越高，不同温度下分级效率的差值越小，这表明高工作电压下温度对分级效率的影响更小；
5)不论有无磁场，温度越高，工作电压对分级效率贡献的幅度越大，这表明高温时工作电压对分级效率的影响更明显。
优选地，同一温度下，不同工作电压下分级除尘效率的差值均随粒径增大而逐渐减小并趋于平缓，这说明磁场对分级除尘效率提升幅度对小粒径而言更显著。
优选地，工作电压越小，磁场对分级效率提升幅度越大，这表明低工作电压时磁场效应越明显。
优选地，所述的BP神经网络模型的预测值曲线能反映不同电压下分级除尘效率的变化规律，且预测结果均与仿真数据较吻合。
与现有技术相比，本发明结合国内外ESP相关理论和实际应用，在建立高温线板式ESP多场耦合理论模型和BP神经网络模型的基础上，数值模拟了磁场环境中不同工作电压下高温线板ESP的除尘效率，并结合仿真数据和预测模型对不同工况下的磁场效应进行了预测，为准确预测高温线板式ESP磁场效应提供了模型依据，其研究思路可为火电厂快速确定ESP的运行参数提供方法借鉴，并为进一步提升高温线板式ESP捕集性能提供了技术参考。
附图说明
图1为外加磁场作用下的线板式静电除尘机理分析示意图；
图2为高温静电除尘器内部多场域耦合关系示意图；
图3为BP神经网络预测流程图；
图4为网格数为48620时线板式ESP二维模型网格剖分图；
图5为无磁场环境中不同温度和工作电压下的分级效率曲线图；
图6为有磁场环境中不同温度和工作电压下的分级效率曲线图；
图7为有无磁场环境中873K时不同工作电压下的分级除尘效率曲线图；
图8为分级除尘效率BP神经网络模型预测值与仿真数据的对比示意图；
图9为40kV工作电压下分级除尘效率的模型预测值的相对误差示意图；
图10为60kV工作电压下分级除尘效率的模型预测值的相对误差示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明以高温线板式静电除尘器(Electrostatic Precipitators，ESP)的二维简化模型为研究对象，在建立了流场、电磁场和颗粒动力场相互耦合的数学模型基础上，分析了温度场对以上三个场域的作用机理，利用FLUENT软件对磁场环境下高温线板式ESP中PM2.5的除尘性能进行数值模拟，并以仿真数据作为训练数据，利用BP神经网络模型对不同工作电压下的磁场效应进行了预测。可以发现：磁场提升了ESP对PM2.5的捕集效率，在不同工作电压下的磁场效应预测中，BP神经网络模型的预测值具有较高的准确性。分析结果为探索磁场效应对高温线板式ESP捕集效率的影响提供理论依据，同时也为准确预测高温线板式ESP磁场效应提供模型依据，并为进一步提升高温线板式ESP捕集性能提供了技术参考。
1理论模型
1.1多场耦合理论模型
1.1.1外加磁场机理分析
图1给出了外加磁场作用下线板式静电除尘器内部除尘机理分析结构示意图。在二维静电除尘器中施加与静电除尘器电场的方向垂直纸面向内的磁感应强度。假设在极线上施加正高压，电场力的方向是指向收尘板，这时在正离子向收尘板运动过程中与尘粒相碰，并附着于粉尘颗粒上使其荷正电，荷电粒子由于受到电场力作用朝收尘极方向做抛物线运动。加入磁场后，带电粉尘颗粒由于受到电场力和洛伦兹力联合作用作螺旋运动，延长了荷电颗粒在ESP中停留时间，改变荷电颗粒与收尘板的碰撞方向，将使得颗粒物更易被收尘极捕获。
本发明中给定的磁场在ESP空间内是均匀分布的且不随时间变化，其大小和方向均不变，不涉及到麦克斯韦方程组的求解计算。
1.1.2温度机理分析
温度是影响静电除尘性能的重要因素之一，通过烟气密度影响影响流场，通过烟气粘度改变颗粒的运动速度进而影响颗粒动力场。
此外，温度通过扩散荷电的影响作用于电磁场，扩散荷电Qdiff可表示为：
式中，ε0为真空介电常数，8.854×10-12F/m；K0为波尔兹曼常数，1.38×10-23J/K；Di为颗粒粒径，μm；qe为电子荷电量1.6×10-19C；N0为单位体积内平均离子数密度；t为颗粒在电场中运动的时间，s；mion为离子质量，kg。
本发明中给定的温度场在ESP空间内假定是均匀分布的且不随时间变化，不涉及到温度场方程组的求解计算。
1.1.3多场耦合分析
静电除尘器的内部场量有流场、颗粒动力场、电磁场和温度场。这三个场域不是彼此孤立而是相互联系和耦合的，其耦合关系是：电场通过离子风影响流场，电磁场通过电场力(扩散荷电和电场荷电联合作用)和洛伦兹力影响颗粒动力场；流场通过离子对流反作用于电场，通过空气动力拖曳力和离子风力作用于颗粒动力场；颗粒动力场通过空间电荷(荷电后的颗粒)来影响电场的分布，通过气-固两相耦合作用于流场。
温度场通过烟气密度影响影响流场，通过烟气粘度改变颗粒的运动速度进而影响颗粒动力场，利用其对扩散荷电的影响作用于电磁场，这里不考虑流场、颗粒动力场与电场对温度场的影响。本文所处理的多场域耦合关系见图2。
1.2BP神经网络预测模型
BP神经网络又称为误差逆传播算法的多层前馈网络，是目前应用最广泛的一种网络结构。基础的BP算法包含两个过程。“模式顺传播”过程：当给定网络的一个输入模式，它由输入层单元传到隐含层单元，经过隐含层单元逐个处理后传到输出层单元，由输出层单元处理产生一个输出模式。这是一个逐层状态更新的过程，称为前向传播。“误差逆传播”过程：如果输出响应与期望输出不符时，那么就转入误差逆传播，将误差值沿着连接通路逐层传递并修正各层连接权值。BP神经网络具体预测流程图见图3。
本发明采用传统的BP神经网络预测模型来预测PM2.5捕集性能，设定隐层节点数为6，目标误差为10-3，学习率为0.01，迭代步数为5000次。
本发明基于BP神经网络来预测静电除尘器中磁场效应，是BP神经网络模型在该领域的首次应用。
2ESP有限元网格模型
图4是网格单元数为48620时线板式ESP的二维模型网格剖分图。整个模型的计算区域由三个电晕区和其它部分组成，其参数分别为：电晕线到收尘极板距离b＝114.3mm；电晕线间距C＝152.4mm；电晕极半径rw(plate)＝2.032mm。由于电晕区部分的电场强度比较大，所以对此区域的网格进行了加密处理。
3不同工作电压下的磁场效应的仿真与预测
本发明通过不同工作电压下磁场对除尘效率的影响来反映磁场效应的作用，下面给出具体的仿真与预测结果。
3.1不同工况下磁场对PM2.5除尘效率的影响
在有无磁场环境中，当烟气流速为0.5m/s时，图5和图6显示了不同工作电压与温度下R-R分布颗粒分级除尘效率的变化曲线，不难发现：
1)不论是否存在磁场环境，也不论是否考虑工作电压及温度的变化，颗粒的分级除尘效率均随着粒径的增大呈非线性增加的趋势，且逐渐趋于平缓；
2)不论是否有无磁场，颗粒的分级除尘效率均随着工作电压的增大而增大，均随着温度的增大逐步降低，且降低的趋势逐步减小；
3)不论电压和温度如何变化，磁场环境中的分级效率更高，这表明磁场的引入可有效地提高PM2.5的分级除尘效率；
4)不论是否存在磁场环境，工作电压越高，不同温度下分级效率的差值越小，这表明高工作电压下温度对分级效率的影响更小；
5)不论有无磁场，温度越高，工作电压对分级效率贡献的幅度越大，这表明高温时工作电压对分级效率的影响更明显。
为了更直接地看出磁场和工作电压之间的变化关系，基于图5和图6可得到有无磁场环境中温度为873K时不同工作电压下的分级除尘效率，如图7所示，可以发现：
1)同一温度下，不同工作电压下分级除尘效率的差值均随粒径增大而逐渐减小并趋于平缓，这说明磁场对分级除尘效率提升幅度对小粒径而言更显著；
2)工作电压越小，磁场对分级效率提升幅度越大，这表明低工作电压时磁场效应越明显。
3.2BP神经网络模型下的磁场效应预测
为了判断BP神经网络在不同工作电压下磁场效应预测中预测精度的高低，选用图5和图6中的数据作为训练数据，即0.0Tesla和0.5Tesla磁场环境中不同温度(473K、673K、873K)和不同工作电压(40kV、60kV)下的分级除尘效率，采用BP神经网络对0.25Tesla环境中473K时40kV和60kV下的分级效率进行预测，并将其预测结果与仿真数据进行对比，如图8所示，从图中可以看出：BP神经网络模型的预测值曲线能大致反映473K时不同电压下分级除尘效率的变化规律，且预测结果均与仿真数据较吻合，这说明预测模型具有一定的可靠性；
结合图8中的数据，可得到BP神经网络预测值的相对误差，绘于图9和图10，可以看出：不论工作电压如何变化，BP神经网络模型预测值的相对误差总体上都低于3.25％，这表明BP神经网络预测模型的精度较高。
由此可见，本发明得到的BP神经网络模型可为研究人员在静电除尘器中不同工作电压下磁场效应预测方面提供一种具有较高精度的预测模型。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于BP神经网络的静电除尘器中磁场效应预测方法，其特征在于，包括以下步骤：
1)在建立了流场、电磁场和颗粒动力场相互耦合的数学模型基础上，分析温度场对以上三个场域的作用机理；
2)对磁场环境下高温线板式ESP中PM2.5的除尘性能进行数值模拟；
3)以仿真数据作为训练数据，利用BP神经网络模型对不同工作电压下的磁场效应进行预测。
2.根据权利要求1所述的方法，其特征在于，所述的在建立了流场、电磁场和颗粒动力场相互耦合的数学模型基础上，分析温度场对以上三个场域的作用机理具体包括：外加磁场机理分析过程，温度机理分析过程和多场耦合分析过程。
3.根据权利要求2所述的方法，其特征在于，所述的外加磁场机理分析过程具体为：
在二维静电除尘器中施加与静电除尘器电场的方向垂直纸面向内的磁感应强度；
假设在极线上施加正高压，电场力的方向是指向收尘板，这时在正离子向收尘板运动过程中与尘粒相碰，并附着于粉尘颗粒上使其荷正电，荷电粒子由于受到电场力作用朝收尘极方向做抛物线运动；
加入磁场后，带电粉尘颗粒由于受到电场力和洛伦兹力联合作用作螺旋运动，延长了荷电颗粒在ESP中停留时间，改变荷电颗粒与收尘板的碰撞方向，将使得颗粒物更易被收尘极捕获。
4.根据权利要求2所述的方法，其特征在于，所述的温度机理分析过程具体为：
温度是影响静电除尘性能的重要因素之一，通过烟气密度影响影响流场，通过烟气粘度改变颗粒的运动速度进而影响颗粒动力场；
温度通过扩散荷电的影响作用于电磁场，扩散荷电Qdiff表示为：
式中，ε0为真空介电常数，8.854×10-12F/m；K0为波尔兹曼常数，1.38×10-23J/K；Di为颗粒粒径，μm；qe为电子荷电量1.6×10-19C；N0为单位体积内平均离子数密度；t为颗粒在电场中运动的时间，s；mion为离子质量，kg；T为温度。
5.根据权利要求2所述的方法，其特征在于，所述的多场耦合分析过程具体为：
静电除尘器的内部场量有流场、颗粒动力场、电磁场和温度场，其耦合关系是：电磁场通过离子风影响流场，电磁场通过电场力和洛伦兹力影响颗粒动力场；流场通过离子对流反作用于电磁场，通过空气动力拖曳力和离子风力作用于颗粒动力场；颗粒动力场通过空间电荷来影响电磁场的分布，通过气-固两相耦合作用于流场；
温度场通过烟气密度影响影响流场，通过烟气粘度改变颗粒的运动速度进而影响颗粒动力场，利用其对扩散荷电的影响作用于电磁场。
6.根据权利要求1所述的方法，其特征在于，所述的利用BP神经网络模型具体为：
采用传统的BP神经网络预测模型来预测PM2.5捕集性能，设定隐层节点数为6，目标误差为10-3，学习率为0.01，迭代步数为5000次。
7.根据权利要求1所述的方法，其特征在于，不同工作电压下的磁场效应进行预测，根据获得曲线，可知：
1)不论是否存在磁场环境，也不论是否考虑工作电压及温度的变化，颗粒的分级除尘效率均随着粒径的增大呈非线性增加的趋势，且逐渐趋于平缓；
2)不论是否有无磁场，颗粒的分级除尘效率均随着工作电压的增大而增大，均随着温度的增大逐步降低，且降低的趋势逐步减小；
3)不论电压和温度如何变化，磁场环境中的分级效率更高，这表明磁场的引入可有效地提高PM2.5的分级除尘效率；
4)不论是否存在磁场环境，工作电压越高，不同温度下分级效率的差值越小，这表明高工作电压下温度对分级效率的影响更小；
5)不论有无磁场，温度越高，工作电压对分级效率贡献的幅度越大，这表明高温时工作电压对分级效率的影响更明显。
8.根据权利要求7所述的方法，其特征在于，同一温度下，不同工作电压下分级除尘效率的差值均随粒径增大而逐渐减小并趋于平缓，这说明磁场对分级除尘效率提升幅度对小粒径而言更显著。
9.根据权利要求7所述的方法，其特征在于，工作电压越小，磁场对分级效率提升幅度越大，这表明低工作电压时磁场效应越明显。
10.根据权利要求7所述的方法，其特征在于，所述的BP神经网络模型的预测值曲线能反映不同电压下分级除尘效率的变化规律，且预测结果均与仿真数据较吻合。
CN201810049617.0A 2018-01-18 2018-01-18 基于bp神经网络的静电除尘器中磁场效应预测方法 Active CN108372026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810049617.0A CN108372026B (zh) 2018-01-18 2018-01-18 基于bp神经网络的静电除尘器中磁场效应预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810049617.0A CN108372026B (zh) 2018-01-18 2018-01-18 基于bp神经网络的静电除尘器中磁场效应预测方法

Publications (2)

Publication Number Publication Date
CN108372026A true CN108372026A (zh) 2018-08-07
CN108372026B CN108372026B (zh) 2019-10-18

Family

ID=63016625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810049617.0A Active CN108372026B (zh) 2018-01-18 2018-01-18 基于bp神经网络的静电除尘器中磁场效应预测方法

Country Status (1)

Country Link
CN (1) CN108372026B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110038723A (zh) * 2019-04-28 2019-07-23 张建平 一种内涡型静电旋风除尘器除尘效率提升方法
CN111624887A (zh) * 2020-06-08 2020-09-04 福建龙净环保股份有限公司 电除尘控制方法及相关装置
CN111706480A (zh) * 2020-06-18 2020-09-25 哈尔滨工业大学 一种基于电场加速的离子风推力装置
CN111706479A (zh) * 2020-06-18 2020-09-25 哈尔滨工业大学 一种基于磁场的离子风推力装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103639043A (zh) * 2013-11-29 2014-03-19 山东大学 一种多场/力协同作用的微细颗粒物脱除方法及装置
CN106861915A (zh) * 2017-02-09 2017-06-20 广东松山职业技术学院 基于ga技术的电除尘器智能化监测诊断控制系统
CN106951603A (zh) * 2017-02-28 2017-07-14 上海电力学院 基于power函数的pm2.5捕集效率贡献率曲线拟合方法
CN106980710A (zh) * 2017-02-28 2017-07-25 上海电力学院 Esp工作电压贡献率与磁感应强度曲线拟合方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103639043A (zh) * 2013-11-29 2014-03-19 山东大学 一种多场/力协同作用的微细颗粒物脱除方法及装置
CN106861915A (zh) * 2017-02-09 2017-06-20 广东松山职业技术学院 基于ga技术的电除尘器智能化监测诊断控制系统
CN106951603A (zh) * 2017-02-28 2017-07-14 上海电力学院 基于power函数的pm2.5捕集效率贡献率曲线拟合方法
CN106980710A (zh) * 2017-02-28 2017-07-25 上海电力学院 Esp工作电压贡献率与磁感应强度曲线拟合方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110038723A (zh) * 2019-04-28 2019-07-23 张建平 一种内涡型静电旋风除尘器除尘效率提升方法
CN111624887A (zh) * 2020-06-08 2020-09-04 福建龙净环保股份有限公司 电除尘控制方法及相关装置
CN111706480A (zh) * 2020-06-18 2020-09-25 哈尔滨工业大学 一种基于电场加速的离子风推力装置
CN111706479A (zh) * 2020-06-18 2020-09-25 哈尔滨工业大学 一种基于磁场的离子风推力装置

Also Published As

Publication number Publication date
CN108372026B (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN108372026B (zh) 基于bp神经网络的静电除尘器中磁场效应预测方法
Safikhani Modeling and multi-objective Pareto optimization of new cyclone separators using CFD, ANNs and NSGA II algorithm
Duman et al. Gravitational search algorithm for economic dispatch with valve-point effects
CN106980710A (zh) Esp工作电压贡献率与磁感应强度曲线拟合方法
CN112099343B (zh) 基于神经网络的电除尘系统智能节能优化方法及其介质
CN106951603A (zh) 基于power函数的pm2.5捕集效率贡献率曲线拟合方法
Varonos et al. Prediction of the cleaning efficiency of an electrostatic precipitator
Farnoosh et al. 3-D numerical simulation of particle concentration effect on a single-wire ESP performance for collecting poly-dispersed particles
Jiang et al. Electrostatic fog collection mechanism and design of an electrostatic fog collector with nearly perfect fog collection efficiency
Soldati et al. Direct simulation of turbulent particle transport in electrostatic precipitators
Jaworek et al. Numerical simulation of scavenging of small particles by charged droplets
Gao et al. Effect of the Vortex Formed by the Electrohydrodynamic Flow on the Motion of Particles in a Needle-plate Electrostatic Precipitator
Li et al. Energy-saving optimal control for a factual electrostatic precipitator with multiple electric-field stages based on GA
CN108363838B (zh) 基于atpso-svm模型的静电除尘器中温度效应预测方法
Tripathi et al. Computationally efficient expressions for the collision efficiency between electrically charged aerosol particles and cloud droplets
Li et al. A multi-sensor management method based on particle swarm algorithm
Gutt et al. An automata model of granular materials
Li et al. Research of the effect of different corrugated dust collection plates on particle removal in electrostatic precipitators
Nghishiyeleke et al. Design of an electrostatic precipitator for a novel bituminous coal-fired circulating fluidised bed combustion power plant in Namibia
Zhang et al. Numerical simulation of the enhancing effect of micro–nano protrusions on electrostatic fog harvesting
Pu et al. Adaptive Weighted Hybrid PSOGSA Algorithm and its Application in Power System Economic Load Dispatch Problem
Chang Influence of Ionic Wind in Micro Electrostatic Precipitator on Internal Air Flow Characteristics.
Balasubramanian et al. Binary Monkey-King Evolutionary Algorithm for single objective target based WSN
Lehtinen et al. Coagulation in an electrical agglomerator
Wardle et al. The development and testing of a small scale dry electrostatic precipitator for the removal of particulate matter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant