在线微量水总结与应用

本文介绍了丙烯净化工艺,特别是3A分子筛脱水阶段,强调了在线微量水分析仪器的重要性。文章讨论了电解法、电容法、冷镜法、激光光谱式、晶体振荡式和光纤式微量水分析仪的工作原理、特点及优缺点,最终推荐光纤式分析仪用于化工行业的恶劣条件测量。
摘要由CSDN通过智能技术生成

在线微量水分析仪器的应用与发展

1 相关生产工艺介绍
当前我们生活中常用的塑料中的成分主要是聚丙烯,它是以丙烯为原料,在一定的温度和压力下,再充入氢气为调节剂,经过液-气相聚合反应来合成聚丙烯树脂。在这个反应过程中,催化剂已被原料(丙烯)中的杂质(如COS、CO、O、水、砷)所影响,来降低催化剂的活性。应该严把丙烯的纯度,来保证整个处理过程的效率和经济效益。经查找资料原料的丙烯的净化顺序[1]为:原料丙烯自界区→活性炭塔粗脱硫→固碱塔粗脱水加粗脱硫→分子筛脱水塔脱水→丙烯脱硫塔深脱硫→CO汽提塔脱CO、氧等不凝气→丙烯脱水塔神脱水→脱砷塔脱砷。其丙烯的净化流程如下图1.1所示。

D-001—活性炭塔、D-002—固碱塔、D-004—脱水塔、D-005—脱硫塔、T-001—CO气提塔、D-006—脱水塔、D-007—脱砷塔
图1.1 丙烯的净化流程图
查找资料知聚丙烯的生产一般为三井油化工艺液相-气相组合式连续式本体法生产工艺。原料丙烯在净化之前与聚丙烯的指标如下表所示:
表1.1净化前丙烯与聚丙烯的指标对照表[1]
项目 原料指标 聚合指标
丙烯纯度 ≥99.6% mol ≥99.6% mol
CO ≤5 ppm mol ≤0.2 ppm mol
氧 ≤10 ppm mol ≤2.0 ppm mol
总硫 ≤10 ppm mol ≤1.0 ppm mol
CO2 ≤10 ppm mol ≤5 ppm mol
砷 ≤1.7 ppm wt ≤0.03 ppm wt
水 ≤100 ppm wt ≤2 ppm wt
通过分析上表可知未净化的丙烯远远达不到要求,需要净化来处理杂质。其具体的步骤是:初脱硫→固碱初脱水→3A分子筛脱水→深脱硫→脱不凝气→深脱水→脱砷。
由于本次论文主要是脱水流程,我们主要是介绍3A分子筛脱水:丙烯自D-002A

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

良心不痛吗

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值