简介:对膨胀颗粒污泥床(EGSB)反应器在低温(10—15℃)条件下的运行状况和污泥特性进行研究。结果表明,EGSB反应器在10—15℃的低温条件下能够稳定高效运行。当进水COD质量浓度低至114mg/L或高达3600mg/L(有机负荷高达23kgCOD·m^-3·d^-1)时,COD去除率均能维持在70%左右。与中温(32—35℃)相比,低温时颗粒污泥的沉速相对较低,但不低于15m/h,不会被冲出反应器而造成污泥流失。低温时,颗粒污泥的产甲烷活性明显降低,COD去除率也明显降低,但液体上升流速的提高能改善泥水的传质效果,提高COD去除率。在HRT=0.9h,液体上升流速Vup=3.0m/h左右的运行条件下,反应器内温度由35℃降到15℃时,K由0.391×10^3降到0.107×10^3,COD去除率由84.32%降到689%但当Vup由3.0m/h提高到4.2m/h时,K由0.107×10^3提高到0.254×10^3,COD去除率也由68.9%提高至76.7%:低温时,EGSB反应器的抗温度冲击能力很强。低浓度时,EGSB反应器的抗pH冲击能力不强,但随着进水COD浓度的提高,其抗DH冲击能力逐渐增强。EGSB反应器在低温低浓度条件下运行时需添加碱度以维持反应器内适宜的pH值。
简介:落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系.人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法.基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究.结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快;该预测模型的应用可为采掘工作面瓦斯涌出量的动态预测提供可靠的基础数据,为采掘工作面落煤残存瓦斯量的确定提出了一种全新的方法和思路.