化工多相流多尺度数学模拟与应用电子书

版权页

前言

目录

1.1 概述

1.2 化工模拟技术的发展历史

1.3 化工模型分类

1.4 化工模拟技术国内外对比与发展趋势

1.5 化工模拟未来的发展方向

参考文献

2.1 概述

2.2 分子模型分类

2.2.1 量子化学（QC）

2.2.2 分子动力学（MD）

2.2.3 分子力学（MM）

2.2.4 蒙特卡罗（MC）

2.3 分子动力学模型建模的关键

2.3.1 模型化合物的选择

2.3.2 力场的选择

2.3.3 反应条件的选择

2.4 分子动力学模型建模过程

2.5 应用实例

2.5.1 煤气化过程

2.5.2 废塑料热解过程

2.5.3 废轮胎气化过程

2.6 展望

参考文献

3.1 概述

3.2 CFD模型分类

3.2.1 欧拉-欧拉模型

3.2.2 欧拉-拉格朗日模型

3.2.3 其他模型

3.3 CFD模型建模的关键

3.3.1 网格划分

3.3.2 模块选择

3.3.3 模型求解

3.4 CFD模型建模过程

3.5 应用实例

3.5.1 喷雾干燥制备CL-20过程

3.5.2 薄膜反应器中的传热过程

3.6 展望

参考文献

4.1 概述

4.2 经验模型分类

4.2.1 热力学平衡模型

4.2.2 反应动力学模型

4.2.3 其他模型

4.3 经验模型建模的关键

4.4 经验模型建模过程

4.5 应用实例

4.5.1 喷雾干燥制备HMX/F_(2602)

4.5.2 煤催化气化制天然气

4.5.3 煤催化加氢气化制天然气

4.5.4 旋转填料床吸附苯酚

4.6 展望

参考文献

5.1 概述

5.2 Aspen Plus模型分类

5.2.1 物料平衡-化学平衡-能量平衡法

5.2.2 热力学平衡模型法

5.3 Aspen Plus模型建模的关键

5.3.1 物性参数的选择

5.3.2 模块的选择

5.4 Aspen Plus模型建模过程

5.5 应用实例

5.5.1 喷雾干燥制备含能材料

5.5.2 流化床废轮胎气化

5.5.3 旋转填料床真空精馏乙醇和水

5.5.4 旋转填料床汽提氨氮废水

5.6 展望

参考文献

6.1 概述

6.2 机器学习模型分类及建模方法

6.2.1 机器学习模型分类

6.2.2 常用的建模方法

6.2.3 超参数优化算法

6.3 机器学习模型建模的关键

6.3.1 输入参数的选择

6.3.2 神经网络模型的选择

6.3.3 神经网络算法的选择

6.3.4 隐含神经元个数的设置

6.4 机器学习模型建模过程

6.4.1 构建数据集

6.4.2 选择神经网络模型、算法和神经元个数

6.4.3 评价模型性能

6.5 应用实例

6.5.1 喷雾干燥制备含能材料

6.5.2 煤和生物质共气化反应动力学研究

6.5.3 煤和生物质共气化工艺过程

6.5.4 煤、石油焦或生物质共气化

6.5.5 固定床煤的催化气化

6.5.6 流化床废轮胎气化

6.5.7 旋转填料床活性炭吸附

6.5.8 旋转填料床颗粒物脱除

6.5.9 超临界水氧化丙烯腈废水

6.6 展望

参考文献