哈工大玩遍多相流，爆颗粒流顶刊！

文章预览

Drag coefficient prediction for non-spherical particles in dense gas–solid two-phase flow using artificial neural network 英专12级翻译版： 采用人工神经网络 (ANN) 预测分析了稠密气固两相流中非球形颗粒的阻力系数、雷诺数和球形度之间的关系。首先，根据实验结果 (Pettyjohn, 1948; Yow et al., 2005)，采用反向传播神经网络 (BPNN) 和径向基函数神经网络 (RBFNN) 预测阻力系数。模拟和实验结果的比较表明，RBFNN 可以有效地预测阻力系数，其精度与BPNN一样高。此外，我们采用径向基函数神经网络对不同球形度下的阻力系数进行了预测和分析。结果表明，人工神经网络适用于预测和研究气固非球形颗粒系统中的阻力系数。基于阻力系数的预测结果，我们对阻力系数、雷诺数和颗粒球形度进行了曲线拟合，获得了阻力系数的相关性。结合Syamlal-O'Brien和Gidaspow-blend模型的阻力系数关联式，采 ………………………………