SEARCH

SEARCH BY CITATION

Keywords:

  • induced aeration;
  • neural nets;
  • gas induction;
  • connectionist modelling

Abstract

Gas induction in agitated vessels with turbine impellers can be modelled accurately by means of radial basis function neural nets. The results obtained with the radial basis neural net were significantly better than those obtained by multivariate regression models or standard back propagation neural nets. Moreover, by using the radial basis function neural net model, it was possible to conduct a sensitivity analysis of the variables affecting aeration. Increased medium density showed a strong adverse effect, while variation of the viscosity can cause an increase or a decrease in the rate of aeration, depending on the prevailing process conditions.

L'induction de gaz dans des réservoirs agités avec des turbines peut ětre modélisée avec précision au moyen de réseaux neuronaux à fonction de base radiale. Les résultats obtenus avec le réseau neuronal de base radiale sont significativement meilleurs que ceux obtenus au moyen des modèles de régression multivariés ou par les réseaux neuronaux à rétropropagation standards. En outre, grǎce au modèle de réseau neuronal à fonction de base radiale, il a été possible de mener une analyse de sensibilité des variables qui influent sur l'aération. On note un fort effet adverse quand la densité du milieu augmente, tandis que la variation de la viscosité peut entraǐner une augmentation ou une diminution de la vitesse d'aération, selon les conditions de procédé qui s'appliquent.