本文選題：高剪切濕法造粒　切入點(diǎn)：關(guān)鍵參數(shù)定義　出處：《天津大學(xué)》2016年博士論文

【摘要】：造粒是一種被廣泛應(yīng)用于不同工業(yè)領(lǐng)域的單元操作。造粒過程通過聯(lián)結(jié)作用將初級(jí)粉料聚集在一起生成顆粒產(chǎn)品。造粒過程的影響因素有很多,包括配方特性、設(shè)備幾何特性、操作參數(shù)等。大多數(shù)影響因素與產(chǎn)品特性間呈高度非線性關(guān)系,這使得對(duì)造粒過程機(jī)理的研究變得相當(dāng)復(fù)雜。目前對(duì)造粒過程的研究只是定性的描述了某一特定造粒過程所處的機(jī)理區(qū)域,以及可能出現(xiàn)的造�，F(xiàn)象,尚不能對(duì)造粒產(chǎn)品的特性給出定量的預(yù)測(cè)。人工神經(jīng)網(wǎng)絡(luò)模型因其優(yōu)秀的信息處理能力,在模式識(shí)別、預(yù)測(cè)控制等許多不同領(lǐng)域取得了廣泛的應(yīng)用。其善于處理高度非線性關(guān)系的特點(diǎn)尤其適合造粒過程的建模工作。本文借助人工神經(jīng)網(wǎng)絡(luò)模型(Artificial Neural Networks)方法對(duì)高剪切濕法造粒過程建立了一種工業(yè)上普遍適用的半經(jīng)驗(yàn)?zāi)Ｐ蛠韺?duì)造粒產(chǎn)品的粒度分布參數(shù)進(jìn)行定量的預(yù)測(cè)。文章的主要內(nèi)容包括以下幾個(gè)方面:通過對(duì)造粒過程機(jī)理研究的相關(guān)文獻(xiàn)進(jìn)行調(diào)研,以及實(shí)驗(yàn)觀察,確定影響造粒過程的主要參數(shù),并對(duì)這些參數(shù)進(jìn)行了歸納分析。定義了總相對(duì)掃料體積(RSVtotal)、相對(duì)理論液體可用度(RTLA)、液體注入?yún)?shù)(LIF)以及斯托克斯粘性系數(shù)(Stv)四個(gè)描述造粒過程的關(guān)鍵參數(shù)。對(duì)造粒過程建立了統(tǒng)一的標(biāo)準(zhǔn)化描述方法,使其適用于不同的配方和設(shè)備。同時(shí),關(guān)鍵參數(shù)定義法可以降低問題描述的維度,減少實(shí)驗(yàn)及建模過程的工作量。另外,無(wú)量綱的關(guān)鍵參數(shù)消除了對(duì)設(shè)備尺寸的依賴,滿足了工業(yè)放大的需求。本工作在小試車間尺度到工業(yè)生產(chǎn)尺度等不同尺寸的設(shè)備上進(jìn)行了造粒實(shí)驗(yàn),記錄了每批實(shí)驗(yàn)的配方特性、相關(guān)操作參數(shù)及產(chǎn)品粒度分布參數(shù)。測(cè)定了計(jì)算造粒過程關(guān)鍵參數(shù)所需的原材料的基本特性。計(jì)算出每批實(shí)驗(yàn)的關(guān)鍵參數(shù)值,并以此為輸入對(duì)造粒過程的粒度分布參數(shù)進(jìn)行預(yù)測(cè)。人工神經(jīng)網(wǎng)絡(luò)模型的建立。利用MATLAB軟件,以關(guān)鍵參數(shù)為輸入建立了造粒過程的人工神經(jīng)網(wǎng)絡(luò)模型,對(duì)造粒產(chǎn)品的粒度分布參數(shù)進(jìn)行預(yù)測(cè)。利用隱藏節(jié)點(diǎn)可變的神經(jīng)網(wǎng)絡(luò)考察了網(wǎng)絡(luò)結(jié)構(gòu)對(duì)預(yù)測(cè)結(jié)果的影響,最終選取了最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)(Network topology)。對(duì)不同傳遞函數(shù)(transfer function)和不同訓(xùn)練方法(training algorithm)的效果進(jìn)行了比較,并選取最優(yōu)組合。利用MIV(Mean Impact Value)法對(duì)各關(guān)鍵參數(shù)對(duì)造粒產(chǎn)品粒度分布參數(shù)的影響進(jìn)行了評(píng)價(jià)。針對(duì)粒度分布寬度參數(shù)預(yù)測(cè)效果稍差的現(xiàn)象采取了兩種建立人工神經(jīng)網(wǎng)絡(luò)模型常用的方法進(jìn)行優(yōu)化,并對(duì)可能的原因進(jìn)行了分析。最后,在不同的配方、不同的設(shè)備尺度及不同的操作條件下對(duì)模型的預(yù)測(cè)效果進(jìn)行了驗(yàn)證。
[Abstract]:Granulation is a kind of unit operation which is widely used in different industrial fields. The granulation process aggregates primary powder together to form granulation products through the process of granulation. There are many factors influencing the granulation process, including the properties of formula, the geometric characteristics of equipment, and so on. Operating parameters, etc. Most of the influencing factors are highly nonlinear with the characteristics of the product, This makes the study of the mechanism of granulation process quite complicated. At present, the study of granulation process only qualitatively describes the mechanism region of a particular granulation process and the possible granulation phenomenon. It is not possible to give a quantitative prediction of the characteristics of granulation products. Because of its excellent information processing ability, the artificial neural network model is used in pattern recognition. Predictive control has been widely used in many different fields, such as predictive control, which is good at dealing with highly nonlinear relations. It is especially suitable for modeling the granulation process. In this paper, artificial Neural network method is used to model high shear. A semi-empirical model of wet granulation process is established to quantitatively predict the granularity distribution parameters of granulation products. The main contents of this paper are as follows: the mechanism of granulation process is analyzed. Research on the relevant literature, As well as experimental observations to determine the main parameters that affect the granulation process, These parameters are summarized and analyzed. Four key parameters are defined to describe the granulation process: total relative sweep volume, relative theoretical liquid availability, liquid injection parameter (LIFand) and Stokes viscosity coefficient (Stv). The process establishes a unified standardized description method, At the same time, the key parameter definition method can reduce the dimension of problem description and reduce the workload of experiment and modeling process. In addition, the dimensionless key parameters eliminate the dependence on the size of the equipment. The granulation experiments were carried out on equipment of different sizes from workshop scale to industrial production scale, and the formula characteristics of each batch of experiments were recorded. The basic properties of raw materials needed to calculate the key parameters of granulation process were measured. The key parameters of each batch of experiments were calculated. The parameters of granularity distribution in granulation process are predicted. The artificial neural network model is established by using MATLAB software and key parameters as input. The particle size distribution parameters of granulation products are predicted. The influence of network structure on the prediction results is investigated by using the neural network with variable hidden nodes. Finally, the optimal network structure is selected and the effects of different transfer functions and training algorithms are compared. The influence of key parameters on granularity distribution parameters of granulation products was evaluated by using MIV(Mean Impact value method. Two artificial neural systems were adopted to predict the grain size distribution parameters. The network model is optimized by common methods, The possible causes are analyzed. Finally, the prediction effect of the model is verified under different formulations, different equipment scales and different operating conditions.
【學(xué)位授予單位】：天津大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ029

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;硫磺冷凝造粒技術(shù)實(shí)現(xiàn)工業(yè)化[J];化工礦物與加工;2000年05期

2 陳馮 ,李丹;“小顆�！痹炀痛笫袌�(chǎng)——天津大學(xué)攻克造粒技術(shù)難關(guān)[J];化工設(shè)備與防腐蝕;2002年04期

3 ;干法強(qiáng)壓造粒技術(shù)填補(bǔ)國(guó)內(nèi)空白[J];橡塑技術(shù)與裝備;2004年02期

4 ;南京三普發(fā)布“回轉(zhuǎn)鋼帶冷凝造粒生產(chǎn)高濃度尿基復(fù)合肥”新技術(shù)[J];硫磷設(shè)計(jì)與粉體工程;2009年02期

5 錢伯章;;回轉(zhuǎn)鋼帶冷凝造粒技術(shù)成功投用[J];化肥工業(yè);2009年03期

6 東uQ;平一郎;羅蜀生;陳建國(guó);;造粒技術(shù)的進(jìn)展[J];純堿工業(yè);1981年02期

7 坂本浩 ,計(jì)范;超微粉與造粒裝置[J];化工裝備技術(shù);1986年05期

8 賈曉輝;硫磺冷凝造粒技術(shù)實(shí)現(xiàn)工業(yè)化[J];煉油設(shè)計(jì);2000年02期

9 李建平,李承政,王天勇,田希安,于愛蘭;我國(guó)粉體造粒技術(shù)的現(xiàn)狀與展望[J];化工機(jī)械;2001年05期

10 張毅民,尹曉鵬;混合造粒的機(jī)理及其控制條件[J];化學(xué)工業(yè)與工程;2003年06期

相關(guān)會(huì)議論文 前10條

1 陳松;康仕芳;李國(guó)兵;;化工產(chǎn)品熔融造粒技術(shù)及其應(yīng)用[A];第七屆全國(guó)顆粒制備與處理學(xué)術(shù)暨應(yīng)用研討會(huì)論文集[C];2004年

2 石學(xué)勇;王金銘;;全熔融新型塔式風(fēng)冷造粒生產(chǎn)尿基復(fù)合(混)肥技術(shù)[A];全國(guó)第14屆新型肥料技術(shù)及新工藝推介研討會(huì)論文資料匯編[C];2009年

3 汪國(guó)平;卓震;;化肥干粉造粒的應(yīng)用[A];全國(guó)化肥工業(yè)技術(shù)交流會(huì)論文資料集[C];2004年

4 汪國(guó)平;卓震;;化肥干粉造粒的應(yīng)用[A];全國(guó)第九屆新型肥料開發(fā)與應(yīng)用技術(shù)交流會(huì)論文資料集[C];2004年

5 喬維克;;高密度小直徑顆粒的批量化成型[A];第六屆全國(guó)粉體工程學(xué)術(shù)大會(huì)暨2000年全國(guó)粉體設(shè)備-技術(shù)-產(chǎn)品交流會(huì)會(huì)議文集[C];2000年

6 ;14屆會(huì)議推介可供轉(zhuǎn)讓科研成果、技術(shù)的簡(jiǎn)介[A];全國(guó)第14屆新型肥料技術(shù)及新工藝推介研討會(huì)論文資料匯編[C];2009年

7 胡容峰;尹輝;趙紅;;球晶造粒技術(shù)制備可直壓微粒的研究及進(jìn)展[A];2009年全國(guó)中藥學(xué)術(shù)研討會(huì)論文集[C];2009年

8 張棟梁;崔政偉;;飼料酶的造粒技術(shù)和設(shè)備評(píng)述[A];農(nóng)業(yè)機(jī)械化與新農(nóng)村建設(shè)——中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)2006年學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2006年

9 王桂霞;;年產(chǎn)100kt高濃度尿基復(fù)合肥裝置運(yùn)行總結(jié)[A];全國(guó)第14屆新型肥料技術(shù)及新工藝推介研討會(huì)論文資料匯編[C];2009年

10 陳德明;王亭杰;王軼;金涌;;硝酸銨鈣造粒的基本特性[A];中國(guó)顆粒學(xué)會(huì)2004年年會(huì)暨海峽兩岸顆粒技術(shù)研討會(huì)會(huì)議文集[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 南京三普造粒裝備有限公司董事長(zhǎng) 陳剛;創(chuàng)新與實(shí)踐引領(lǐng)企業(yè)升級(jí)[N];中國(guó)化工報(bào);2010年

2 陳馮 李丹;天津大學(xué)攻克造粒技術(shù)難關(guān)[N];中國(guó)化工報(bào);2002年

3 楊艷 記者 韋小川;撫順石化石蠟水下造粒技術(shù)取得突破[N];撫順日?qǐng)?bào);2006年

4 記者 陳一訓(xùn)　王軍;三普開發(fā)成功鋼帶冷凝復(fù)肥造粒技術(shù)[N];農(nóng)資導(dǎo)報(bào);2009年

5 吳清明　曹廣峰;雙塔熔體造粒技術(shù)降低土壤污染[N];中國(guó)化工報(bào);2010年

6 李建平;我國(guó)粉體造粒技術(shù)與設(shè)備現(xiàn)狀[N];中國(guó)化工報(bào);2002年

7 劉其丕;輕金屬等造粒新技術(shù)通過鑒定[N];中國(guó)有色金屬報(bào);2002年

8 通訊員 陳馮 李丹;“小顆�！痹炀痛笫袌�(chǎng)[N];科技日?qǐng)?bào);2002年

9 特約記者 高建強(qiáng);塔式尿基復(fù)合肥在寧夏破土動(dòng)工[N];中國(guó)化工報(bào);2001年

10 特約記者　周鵬 通訊員　惠叢軍;國(guó)內(nèi)首套水下造粒系統(tǒng)開汽成功[N];中國(guó)石油報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 于會(huì)滿;基于神經(jīng)網(wǎng)絡(luò)模型的高剪切濕法造粒過程模擬和放大預(yù)測(cè)[D];天津大學(xué);2016年

2 袁朝暉;二元離散神經(jīng)網(wǎng)絡(luò)模型的動(dòng)力學(xué)分析[D];湖南大學(xué);2003年

3 王軍平;幾類離散神經(jīng)網(wǎng)絡(luò)模型的動(dòng)力學(xué)分析[D];復(fù)旦大學(xué);2006年

4 南晉華;決策神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用研究[D];華中科技大學(xué);2008年

5 周日貴;量子神經(jīng)網(wǎng)絡(luò)模型研究[D];南京航空航天大學(xué);2008年

6 劉艷青;時(shí)滯神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性研究[D];天津大學(xué);2005年

7 趙靈曉;基于部件神經(jīng)網(wǎng)絡(luò)模型的制冷系統(tǒng)混合仿真方法及應(yīng)用[D];上海交通大學(xué);2010年

8 朱紅;高速（HS-K-WTA）神經(jīng)網(wǎng)絡(luò)模型[D];南京理工大學(xué);2003年

9 熊佩英;幾類神經(jīng)網(wǎng)絡(luò)模型的動(dòng)力學(xué)分析[D];湖南大學(xué);2013年

10 劉開宇;幾類二元神經(jīng)網(wǎng)絡(luò)模型的動(dòng)力學(xué)性質(zhì)研究[D];湖南大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 李冬冬;賴氨酸發(fā)酵廢液近零排放的大型連續(xù)流化床造粒干燥研究[D];北京化工大學(xué);2015年

2 汪波;大型模板水下造粒過程常見故障機(jī)理及改進(jìn)技術(shù)研究[D];北京化工大學(xué);2016年

3 戴志謙;非均質(zhì)尿基復(fù)合肥流化造粒新工藝研究[D];四川大學(xué);2002年

4 劉勇;尿基復(fù)合肥包涂造粒過程工業(yè)性試驗(yàn)研究[D];四川大學(xué);2003年

5 郝青;復(fù)合肥料的造粒技術(shù)及顆粒特性研究[D];山西師范大學(xué);2012年

6 楊文亮;煙花自動(dòng)生產(chǎn)線及其造粒系統(tǒng)的設(shè)計(jì)與研究[D];河北工業(yè)大學(xué);2014年

7 丁秋平;氣體懸浮造粒裝置及初步實(shí)驗(yàn)研究[D];中北大學(xué);2005年

8 楊行浩;火工藥劑混合造粒技術(shù)的工藝研究[D];中北大學(xué);2010年

9 吳胡奎;氯化鈣干燥造粒技術(shù)開發(fā)與實(shí)踐[D];浙江工業(yè)大學(xué);2008年

10 羅俊國(guó);尿液噴漿團(tuán)粒多元復(fù)合肥裝置的建設(shè)和生產(chǎn)[D];四川大學(xué);2003年

，

本文編號(hào)：1695118