模式识别和支持向量机在复合材料优化设计中的研究和应用

论述了复合材料设计及优化的基本研究方法,介绍模式识别和支持向量机人工智能法,举例详述复合材料设计及优化中的两种智能法,总结两种智能融合法在复合材料优化设计中的分类、建模、预测等基本研究方法和应用。举例说明模式识别和支持向量机在复合材料优化设计中重要的研究价值。最后对该领域的发展提出若干建议。     

化工流程工业中计算机的应用技术与进展

计算机应用技术促进了流程工业的变革和发展,并日益渗透到流程工业的各个方面。文章以流程工业中的化工行业为重点,论述了计算机在流程工业自动控制、故障诊断与检测、软测量等领域的应用原理与方法,阐明了计算机是提高企业自动化和信息化水平的关键,阐述了化工流程工业中计算机的应用技术发展所面临的问题并就其发展提出若干建议。     

计算机在化工中的应用与进展

计算机应用正日益渗透到化学工程的各个方面,将极大地促使化学工程的变革和发展。主要介绍计算机在化工设计、化工生产和科研、化工教学等重要领域的应用价值和应用内容,讨论计算机在上述领域的研究进展新动向并对其发展方向做出展望。     

工程放大效应对沥青基球状活性炭性能的影响

考察了工程放大效应对沥青基球状活性炭的制备工艺及其性能的影响。发现：在2L的成球釜中115℃，0．2MPa条件下沥青颗粒能成沥青球，但在500L的成球釜中成球温度需提高至145℃、压力为0．6MPa方能成球；当含萘沥青颗粒投入成球釜中，即使温度高于110℃，沥青颗粒仍难以成球；在2％PVA溶液中添加体积分数20％～80％的已用过的PVA溶液，有利于含萘沥青颗粒的成球；以3℃／min的升温速率由300℃直接升至1000℃再恒温10～30min，沥青球的强度最高，可达95．4％；以煤沥青为原料一次能制备出3kg，BET比表面积为1437m^2／g，强度为95％，表面pH值为7．3的沥青基球状活性炭。     

模式识别和神经网络在复合材料优化设计中的研究和应用

综述了模式识别和神经网络两种智能理论用于复合材料设计及优化方法,举例说明两种智能方法在复合材料优化设计中性能预测、仿真建模、工艺优化等多领域的应用价值和研究进展,分析讨论了两智能理论应用于材料设计研究时的主要问题及其解决方案,并对其发展方向提出了若干建议.     

煤炭地下气化过程(火用)分析

将Yong分析引入煤炭地下气化过程分析当中，建立了煤炭地下气化过程Yong分析模型，研究了煤炭地下气化系统的物料及能量转移规律，分析了唐山刘庄煤矿地下气化过程。结果表明，其系统综合Yong效率为85．18%，外供Yong效率为65．66％，不可逆过程Yong损达到14．82％．与地面气化装置相比，地下气化炉综合Yong效率高于高炉和发生炉，低于焦炉，其Yong损主要来自于燃烧不可逆Yong损和传热不可逆Yong损。     

超级电容器用活性炭电极的制备及其电极性能研究

在活化温度为800℃、活化时间为2h、碱/碳比为4：1条件下制备的活性炭最适宜于作超级电容器电极材料,其BET比表面积为2 663m~2/g,孔径集中分布在3～40nm的中孔范围内,在3M KOH电解液中的内阻为3．79Ω·cm,比电容为269F/g。     

基于RBF神经网络的添加剂改性炭材料高温黏结剂的性能预报模型

在炭材料黏结剂添加剂改性实验数据的基础上，将神经网络方法用于研究添加剂配方和热处理温度对黏结强度的影响关系，建立了添加剂改性炭材料黏结剂的RBF（Radial Basis Function径向基函数）神经网络性能预报模型，并与BP（Back-Propagation逆传播）人工神经网络进行了预报精度和训练过程比较。结果表明：上述两种模型对于黏结强度的预报平均相对误差分别为0．0127和0．0600，且BP人工神经网络易陷入局部最小。因此，RBF神经网络模型的预报能力较好，得出了具有较精确黏结性能的添加剂配方和热处理数据。可望在炭材料黏结剂改性中的多变量、非线性体系中提高实验工作效率，为炭材料黏结剂提供一条有应用前景的理论设计途径。     

高校计算机化工应用新课程体系的构建与实践

随着信息化技术的迅速发展,计算机应用正成为高校化学化工专业教学改革的重要趋势。着眼于国际标准和社会需求,对高校计算机化工应用的课程体系进行了创新性构建,形成了"重点(Important point)"、"难点(Difficult point)"、"发展点(Developing point)"的"IDD"新课程体系。     

基于PCA-GA神经网络模式识别的炭纤维复合材料导电综合性能优化及预测的研究

在炭纤维/ABS树脂基复合材料导电性和拉伸强度实验数据的基础上,利用主成分分析-遗传算法后向传播(PrincipalComponent Analysis-Genetic Algorithm Back Propagation,PCA-GABP)神经网络模式识别法,对炭纤维复合材料导电综合性参数进行智能分析识别.其中主成分分析法作为前处理过程优化样本集的选择,GABP神经网络较好地克服了BP网络非线性映射易陷入局部极小值问题.给出性能优良的目标参数优化区,并用实验予以验证.该模式识别方法可减少实验工作量,提高工作效率,在复合材料设计领域具有理论应用前景.