Um eine vernünftige Kontrolle des Partikelumlaufstroms zu gewährleisten, haben wir die Auswirkungen von Steuerungsparametern wie der Fluidisierungsgeschwindigkeit des Blasenbetts, der Gesamtgeschwindigkeit des Schnellbetts und dem Belüftungsverhältnis, der Höhe der ruhenden Schicht des Blasenbetts und dem durchschnittlichen Partikeldurchmesser auf den Partikelumlaufstrom in unserem selbst gebauten System des doppelten Fluidisierungszyklus untersucht. Basierend auf drei verschiedenen Gewichtsoptimierungsalgorithmen wie dem zusätzlichen Impulsalgorithmus, dem Levenberg-Marquardt-Algorithmus und dem genetischen Algorithmus haben wir ein BP-Neuronennetz-Optimierungsmodell erstellt und den Fehler zwischen den vorhergesagten Modellwerten und den tatsächlichen Werten verglichen. Die Studienergebnisse zeigen, dass der Partikelumlaufstrom wenig von Änderungen der Fluidisierungsgeschwindigkeit des Blasenbetts abhängt; der Partikelumlaufstrom steigt mit der Zunahme des Belüftungsverhältnisses, der Gesamtgeschwindigkeit des Schnellbetts und dem Blasenbett sowie der Höhe der ruhenden Schicht und sinkt mit der Zunahme des durchschnittlichen Partikeldurchmessers; basierend auf der genetischen Optimierung des BP-Neuronennetzes beträgt der durchschnittliche Fehler bei Tests an Proben 0,4365%, die Standardabweichung 0,0641, die vorhergesagten Werte stimmen mit den experimentellen Werten überein, was das BP-Neuronennetzmodell zu einer bevorzugten Wahl macht.

doppelte Fluidisierungszirkulation; Umlaufgeschwindigkeit; Steuerungsparameter; Gewichtsoptimierung; BP-Neuronennetzmodell; genetischer Algorithmus; AM-Algorithmus; LM-Algorithmus