Псо стерилизация: Отделение последипломного образования КОГПОБУ «Кировский медицинский колледж»

Псо стерилизация: Отделение последипломного образования КОГПОБУ «Кировский медицинский колледж»

20.01.1985

Содержание

Оказание услуг по стерилизации медицинских изделий для нужд ФГБУ «Центр реабилитации».

Наименование Кол-во Цена за ед. Стоимость, ₽

Газовая стерилизация. Упаковка, стерилизация мелкого инструментария (1 упаковка- 5шт.).

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

34,40

34,40

Газовая стерилизация. Стерилизация стоматологического слюноотсоса (10 шт. в упаковке)

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

39,30

39,30

Газовая стерилизация. Упаковка, стерилизация эндоскопа.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

1 562,20

1 562,20

Упаковка в крепированную бумагу (один слой).

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

21,90

21,90

Упаковка, стерилизация перевязочного материала, ватных шариков, марлевых салфеток, палочек с ватой (1 упаковка)

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

28,00

28,00

ПСО, упаковка, стерилизация шприца и двух игл

ОКПД2 86. 90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

42,90

42,90

ПСО, упаковка, стерилизация инструментов ЛОР (комплект от 5 до 10 шт.).

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

50,20

50,20

Упаковка, стерилизация больших кюветов, банок.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

42,20

42,20

Газовая стерилизация. Упаковка стерилизация набора для имплантации.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

703,90

703,90

Стерилизация биксов

ОКПД2 86. 90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

15,60

15,60

Упаковка, стерилизация мед. изделия: глазные пипетки (в упак.-10 шт.), ст. палочки (в упак.-10 шт.)

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

36,00

36,00

Упаковка, стерилизация деревянных шпателей (упак. -от 5 до 10 шт.)

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

31,00

31,00

Газовая стерилизация. Стерилизация одного сложного инструмента.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

73,40

73,40

ПСО упаковка, стерилизация стоматологического набора 2-3 инструмента.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

44,50

44,50

ПСО, упаковка, стерилизация, хирургического набора

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

54,90

54,90

ПСО, упаковка, стерилизация одного инструмента

ОКПД2 86. 90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

33,40

33,40

ПСО упаковка, стерилизация стоматологического набора инструменты + лоток.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

51,90

51,90

ПСО, упаковка, стерилизация лаб. пипеток (упак.- 10 шт.)

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

42,00

42,00

Упаковка, стерилизация белья

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

41,90

41,90

ПСО упаковка, стерилизация стоматологического набора 4 инструмента.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

50,30

50,30

ПСО, упаковка, стерилизация гинекологического набора (до5-ти инструментов).

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

50,20

50,20

Газовая стерилизация. Стерилизация одного катетера.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

27,60

27,60

Газовая стерилизация. Упаковка, стерилизация набора СОД хирургический набор инструментария.

ОКПД2 86.90.19.190   Услуги в области медицины прочие, не включенные в другие группировки

846,90

846,90

Ника-Неодез, средство для ПСО, стерилизации и дезинфекции

У нас можно купить оптом и в розницу средство Ника-Неодез, концентрат для ПСО, стерилизации и дезинфекции. Если вам нужна на Нику-Неодез оптовая цена пришлите заявку с вашими реквизитами. Также просим оставлять про Нику-Неодез ваши отзывы.

Действующие вещества:

Алкилдиметилбензиламмоний хлорид (АДБАХ) + N-алкилэтилбензиламмоний хлорид 9.5 %, Полигексаметиленгуанидин гидрохлорид (ПГМГ) 6 %, ПАВы.

Форма выпуска:

жидкий концентрат в бутылках 1л и канистрах 5л.

Срок годности:

в упаковке — 3 года, в рабочем растворе — 14 дней.

Дополнительная информация:

Средство для ПСО, стерилизации и дезинфекции, в том числе биологического материала.

Заявленный показатель активности водородных ионов (pH): от 2.5 до 3.5

Особые свойства:

  • Не вызывает коррозии металлов;
  • Сохранение свойств при замораживании/размораживании;
  • Не обесцвечивает ткани;
  • Не фиксирует органические загрязнения;
  • Не агрессивно по отношению к объектам обработки.

Класс опасности: при введении в желудок — 3; при нанесении на кожу — 4; рабочего раствора — 4.

Активно в отношении:

  • Бактерии — Mycobacterium tuberculosi, Возбудители ВБИ, Грамотрицательные бактерии, Грамположительные бактерии;
  • Вирусы — ВИЧ, Гепатита В, Полиомиелит;
  • Возбудители особо опасных инфекций — Сибирская язва, Туляремия, Холера, Чума;
  • Патогенные грибы — Дерматофитон, Кандида, Трихофитон;
  • Спороцидные свойства;

Сфера применения дезсредства согласно инструкции:

  • Акушерские стационары,
  • ЛПУ,
  • Клинические лаборатории,
  • Станции переливания крови,
  • Бактериологические лаборатории,
  • Детские учреждения (детсады, школы и т.п.),
  • Пенитенциарные учреждения,
  • Инфекционные очаги,
  • Предприятия общественного питания,
  • Предприятия продовольственной торговли,
  • Потребительские рынки,
  • Коммунальные объекты (бани, бассейны, гостиницы, общественные туалеты и т. п.),
  • Парикмахерские,
  • Косметические и (или) массажные салоны,
  • Прачечные,
  • Санитарный транспорт,
  • Отделения неонатологии,
  • Спортивные и культурно-оздоровительные комплексы,
  • Диагностические лаборатории.

Объекты обработки (инструкция на дезсредство № 10; 11 от 2007):

  • Баки накопительные автономных туалетов,
  • Белье нательное,
  • Белье постельное,
  • Бытовые кондиционеры,
  • Воздух в помещениях,
  • Вращающиеся стоматологические инструменты,
  • Выделения больного (моча, фекалии, мокрота),
  • Гибкие эндоскопы,
  • Жесткая мебель,
  • Жесткие эндоскопы,
  • Игрушки,
  • ИМН из металлов, резин на основе натурального и силиконового каучука, стекла, пластмасс,
  • ИМН обычные,
  • ИМН одноразовые перед утилизацией,
  • Инструменты к эндоскопам,
  • Инструменты парикмахерских, массажных, косметических салонов,
  • Инструменты стоматологические,
  • Инструменты хирургические,
  • Кровь,
  • Крышные кондиционеры,
  • Лабораторная посуда,
  • Мед. отходы из текстильных материалов (ватные и марлевые тампоны, марля, бинты),
  • Мокрота,
  • Моча,
  • Мусоросборочное оборудование, мусоропроводы,
  • Ножи, разделочные доски, разделочные столы, тара,
  • Обувь,
  • Поверхности в помещениях,
  • Поверхности приборов и аппаратов,
  • Предметы для мытья посуды,
  • Предметы личной гигиены,
  • Предметы обстановки,
  • Предметы ухода за больными,
  • Резиновые и полипропиленовые коврики,
  • Санитарно-техническое оборудование,
  • Санитарный транспорт,
  • Системы вентиляции и кондиционирования воздуха,
  • Спецодежда,
  • Сплит-системы, мультизональные сплит-системы,
  • Столовая посуда,
  • Стоматологические материалы (оттиски из альгината, силикона, полиэфирной смолы, зубопротезные заготовки, артикуляторы),
  • Уборочный инвентарь,
  • Фекалии,
  • Фекально-мочевая взвесь.

Роспотребнадзор: свидетельство о регистрации дезсредства смотреть на официальном сайте fp.crc.ru.

Дезинфекция эндоскопов, Дезинфекция высого уровня

Дезинфекция и стерилизация гибких эндоскопов, гастроскопов, медицинских инструментов

Согласно методических рекомендаций МОЗ, а также,  рекомендаций медицинской комиссии по профилактике инфекций Института Роберта Коха (Германия) инструменты, которые непосредственно соприкасаются, а также проникают в стерильные ткани или сосудистую систему, должны быть стерильными. А  инструменты, затрагивающие слизистые оболочки, могут быть лишь продезинфицированы.

Во время работы  гибкий эндоскоп соприкасается со слизистой оболочкой. Для  минимизации риска возможного перекрестного инфицирования, эндоскоп должен быть обработан путем дезинфекции высокого уровня или проведена стерилизация оборудования критического уровня 

Для  эффективной дезинфекции медицинских инструментов, эндоскопов и принадлежностей ажно понять алгоритм передачи инфекции. Если один из пунктов нарушен, инфекция не передается.

Рассмотрим каждый из этих пунктов:

  1. Наличие жизнеспособных патогенных микроорганизмов

  2. Количество патогенной микрофлоры необходимое для развития инфекции.

  3. Насколько восприимчив организм к микроорганизмам

  4. Путь передачи патогенов через  типичные входные ворота: (ЖКТ микроорганизмы  поступают через пищеварительный тракт, те которые размножаются в крови — через кровь)

Для предотвращения передачи, необходимы определенные условия:

  1. Правильная эксплуатация защитного оборудования медицинским персоналом

  2. Соблюдение правил гигиены

  3. Правильно и хорошо  вентилируемое помещение

  4. Профилактическая очистка и дезинфекция помещения с использованием специальных дезинфицирующих средств

  5. Правильно обученный персонал

 


    Перед дезинфекцией и/или  стерилизацией гибких эндоскопов они должны быть тщательно очищены. 

Дезинфекция или стерилизация эффективны, при условии, когда дезсредство контактирует напрямую с микроорганизмами.

Поэтому, обработка эндоскопов, гастроскопов для нестерильных процессов, а также дополнительных медицинских инструментов, принадлежностей(колпачки, заглушки)  , выполняется по следующей схеме.

➡▶Вначале, как упоминали выше — предварительная очистка, далее последующая очистка совмещенная с дезинфекцией, следующих шаг-дезинфекция и хранение в условиях, исключающих возможное потенциальное инфицирование продезинфицированного оборудования. 

    Если речь идет о дезинфекции и стерилизации эндоскопов, гастроскопов, и дополнительного оборудования для стерильных манипуляций. То шаги следующие. ➡▶ Первый шаг это предварительная очистка, далее ПСО совмещенная с дезинфекцией, стерилизация, и хранение в соответствующих условиях, исключающее повторное инфицирование. Одним из важных моментов, на которые рекомендуем обратить внимание. Какое дезинфицирующее средство используется для дезинфекции и стерилизации эндоскопов, гастроскопов и дополнительного оборудования? Не все дезинфицирующие средства, присутствующие на рынке подходят для ПСО, дезинфекции и стерилизации.  Не рекомендуется использовать средства, для очистки, и очистки совмещенной с дезинфекцией, в составе которых есть альдегиды и спирты. Так как они  фиксируют органические загрязнения.

Для дезинфекции высокого уровня, и стерилизации возможно применение альдегид содержащих средств, хлорсодержащих.Наряду с альдегид содержащими средствами  в качестве дезинфектантов высокого уровня дезинфекции могут использоваться препараты на основе других химических веществ.

❗ Рекомендуем обратить ваше внимание на дезинфицирующее средство СД амин … Не фиксирует органические загрязнения. Предназначен для проведения текущей, конечной дезинфекции. Эффективный к возбудителям кишечных и капельных инфекций (включая туберкулез) бактериальной, вирусной, грибковой этиологии в очагах инфекционных заболеваний и учреждениях здравоохранения всех профилей: в манипуляционных перевязочных кабинетах операционных блоках отделениях интенсивной терапии и реанимации

Комплект

PSO | Avalign Technologies Medical Instruments Производители оригинального оборудования

Инструменты для остеотомии позвоночника для специальных процедур
Наши инженеры разработали полный набор специализированных инструментов в уникальной упаковке для использования в процедурах субтракционной остеотомии (PSO) и резекции позвоночного столба (VCR). Эти сложные операции требуют точных инструментов, и наборы PSO от Avalign удовлетворяют эту потребность с помощью высококачественных и высокопроизводительных компонентов.

В упаковке
• Предназначен для различных специализированных инструментов
• Создан для процедур PSO и VCR
• Хранится в легких стерилизуемых ящиках

Настраиваемый
• Выберите инструменты, необходимые для сложных процедур
• Выберите размеры и спецификации, необходимые для вашего приложения
• Разработайте индивидуальный набор или стандартный продукт для инвентаризации Avalign

Бренд
• Доступен для распространения под частной торговой маркой
• Может распространяться под брендом Avalign
• Распространяется в США.S. и E.U., или добавить дополнительные рынки

Создан для процедур остеотомии позвоночника
Разработанный для сложных процедур остеотомии позвоночника, наборы Avalign PSO упрощают подготовку к применению PCO и VCR.

• Вычитающая остеотомия на ножке (PSO)
• Резекция позвоночного столба (VCR)

Непревзойденное качество и производительность
Мы используем самые качественные материалы и производственные технологии, чтобы наши хирургические инструменты соответствовали строгим стандартам качества и производительности или превосходили их.Узнайте больше об объекте, который производит наши наборы инструментов PSO. Узнайте больше об объекте, который производит наши наборы инструментов PSO.

Комплексные индивидуальные решения
Avalign упрощает поиск, бренд и распространение наборов инструментов PSO в США и за рубежом.

• Оптимизированная упаковка содержит полный набор инструментов в легком, легко стерилизуемом контейнере
• Широкий выбор размеров и опций упрощает настройку вашего решения
• Доступны варианты брендинга Avalign или частных торговых марок

Avalign упрощает поиск и распространение наборов инструментов для остеотомии позвоночника.Найдите торгового представителя Avalign для получения дополнительной информации и индивидуальных предложений.

Исследование производительности системы нечеткого вывода (PSOFIS) на основе алгоритма оптимизации роя частиц (PSO) в сочетании с CFD-моделированием для прогнозирования потока жидкости

  • 1.

    Rollbusch, P. et al. Барботажные колонны работают в промышленных условиях — текущее понимание конструктивных параметров. Chem. Англ. Sci. 126 , 660–678 (2015).

    CAS Статья Google Scholar

  • 2.

    Дудукович, М. П., Ларачи, Ф. и Миллс, П. Л. Многофазные каталитические реакторы: взгляд на современные знания и будущие тенденции. Catal. Ред. 44 , 123–246 (2002).

    Артикул Google Scholar

  • 3.

    Ge, W. & Li, J. Макромасштабные явления, воспроизводимые в микроскопических системах — псевдочастичное моделирование псевдоожижения. Chem. Англ. Sci. 58 , 1565–1585 (2003).

    CAS Статья Google Scholar

  • 4.

    Wu, Y. & Gidaspow, D. Гидродинамическое моделирование синтеза метанола в газожидкостных барботажных колонных реакторах. Chem. Англ. Sci. 55 , 573–587 (2000).

    CAS Статья Google Scholar

  • 5.

    Смит, Дж. С. и Валсарадж, К.T. Барботажные колонные реакторы для очистки сточных вод. 3. Пилотная очистка растворителем пирена и пентахлорфенола из модельных сточных вод. Ind. Eng. Chem. Res. 36 , 903–914 (1997).

    CAS Статья Google Scholar

  • 6.

    Анастасиу А., Пассос А. и Муза А. Пузырьковые колонны с мелкопористым барботером и неньютоновской жидкой фазой: прогнозирование удержания газа. Chem. Англ. Sci. 98 , 331–338 (2013).

    CAS Статья Google Scholar

  • 7.

    Ван Т. и Ван Дж. Численное моделирование массопереноса газ-жидкость в пузырьковых колоннах с помощью связанной модели CFD-PBM. Chem. Англ. Sci. 62 , 7107–7118 (2007).

    CAS Статья Google Scholar

  • 8.

    Монахан, С. М. Анализ динамики жидкости и воды в пузырьковых колоннах воздух-вода (2007).

  • 9.

    Монахан, С. М. и Фокс, Р. О. Анализ линейной устойчивости двухжидкостной модели для пузырьковых колонн воздух-вода. Chem. Англ. Sci. 62 , 3159–3177 (2007).

    CAS Статья Google Scholar

  • 10.

    Krishna, R. & Sie, S. Проектирование и расширение барботажного реактора Фишера-Тропша с барботажной колонной для суспензии. Топливный процесс. Technol. 64 , 73–105 (2000).

    CAS Статья Google Scholar

  • 11.

    Аль-Баали, A.A.-G. И Фарид М. М. Стерилизация пищевых продуктов в ретортных пакетах 33–44 (Springer, Berlin, 2006).

    Забронировать Google Scholar

  • 12.

    Yan, P. et al. Численное моделирование характеристик пузырьков в пузырьковых колоннах с различной вязкостью жидкости и поверхностным натяжением с использованием связанной модели CFD-PBM. Chem. Англ. Res. Des. 154 , 47–59 (2020).

    CAS Статья Google Scholar

  • 13.

    Бхусаре, В., Диман, М., Калага, Д. В., Рой, С. и Джоши, Дж. Б. Моделирование пузырьковой колонны с внутренними элементами и без них с помощью CFD с использованием OpenFOAM. Chem. Англ. J. 317 , 157–174 (2017).

    CAS Статья Google Scholar

  • 14.

    Pourtousi, M., Sahu, J. & Ganesan, P. Влияние межфазных сил и моделей турбулентности на прогнозирование структуры потока внутри пузырьковой колонны. Chem. Англ. Процесс. 75 , 38–47 (2014).

    CAS Статья Google Scholar

  • 15.

    Вехингер Г. Д., Петерс Дж., Музаферия С., Эппингер Т. и Крауме М. Численное моделирование вертикальной волновой динамики жидкой пленки. Chem. Англ. Sci. 104 , 934–944 (2013).

    CAS Статья Google Scholar

  • 16.

    Liu, Y. & Hinrichsen, O.Исследование закрытия турбулентности CFD – PBM на основе моделей k – ε и напряжения Рейнольдса для гетерогенных пузырьковых потоков в колонне. Comput. Жидкости 105 , 91–100 (2014).

    MathSciNet Статья Google Scholar

  • 17.

    Бабанежад, М., Нахджири, А. Т., Резаказеми, М., Ширазян, С. Разработка интеллектуального алгоритма в виде обзора машинного обучения над большими данными, созданными методом Эйлера-Эйлера для моделирования гидродинамики пузырькового колонного реактора. САУ Омега 5 , 20558 (2020).

    CAS PubMed PubMed Central Статья Google Scholar

  • 18.

    Бабанежад, М., Пишнамази, М., Марджани, А. и Ширазян, С. Предсказание пузырьковых потоков с помощью рандомизированного искусственного обучения нейронных ячеек и нечетких систем на основе k – ε турбулентности и набора данных модели Эйлера. Sci. Отчет 10 , 1–12 (2020).

    Артикул CAS Google Scholar

  • 19.

    Бабанежад М., Нахджири А. Т. и Ширазян С. Изменения в числе функций принадлежности для прогнозирования объемной доли газа в двухфазном потоке с использованием кластеризации с разбиением по сетке метода ANFIS. ACS Omega 5 , 16284–16291 (2020).

    CAS PubMed PubMed Central Статья Google Scholar

  • 20.

    Зейнали М., Мазлан С. А., Чой С.-Б., Имадуддин Ф. и Хамдан Л. Х.Влияние поршня и магнитных катушек на полевые характеристики демпфирования смешанного магнитореологического демпфера. Smart Mater. Struct. 25 , 055010 (2016).

    ADS Статья CAS Google Scholar

  • 21.

    Pourtousi, M., Zeinali, M., Ganesan, P. & Sahu, J. N. Прогнозирование многофазного потока внутри реактора с трехмерной барботажной колонной с использованием комбинации CFD и ANFIS. RSC Adv. 5 , 85652–85672. https://doi.org/10.1039/c5ra11583c (2015).

    CAS Статья Google Scholar

  • 22.

    Pourtousi, M., Sahu, JN, Ganesan, P., Shamshirband, S. & Redzwan, G. Комбинация вычислительной гидродинамики (CFD) и адаптивной нейро-нечеткой системы (ANFIS) для прогнозирования гидродинамика пузырьковой колонны. Порошок Технол. 274 , 466–481. https://doi.org/10.1016/j.powtec.2015.01.038 (2015).

    CAS Статья Google Scholar

  • 23.

    Nguyen, Q., Babanezhad, M., Taghvaie Nakhjiri, A., Rezakazemi, M. & Shirazian, S. Прогнозирование теплового распределения и потока жидкости в области с мульти-твердыми структурами с использованием кубической интерполяции модель псевдочастиц. PLoS ONE 15 , e0233850 (2020).

    CAS PubMed PubMed Central Статья Google Scholar

  • 24.

    Бабанежад М., Тагвайе Нахджири А., Резаказеми М. и Ширазян С. Разработка интеллектуального алгоритма в виде обзора машинного обучения над большими данными, созданными методом Эйлера-Эйлера для моделирования гидродинамики реактора с пузырьковой колонной. САУ Омега 5 , 20558 (2020).

    CAS PubMed PubMed Central Статья Google Scholar

  • 25.

    Варол, Ю., Коджа, А., Озтоп, Х. Ф. и Авчи, Э. Анализ системы нечеткого вывода на основе адаптивных сетей (ANFIS) для оценки поля потока, вызванного плавучестью, в частично обогреваемых треугольных ограждениях. Expert Syst. Прил. 35 , 1989–1997 (2008).

    Артикул Google Scholar

  • 26.

    Варол, Ю., Авчи, Э., Коджа, А. и Озтоп, Х.Ф. Прогнозирование полей потока и распределения температуры за счет естественной конвекции в треугольном корпусе с использованием адаптивной сетевой системы нечеткого вывода (ANFIS). ) и искусственной нейронной сети (ИНС). Внутр. Commun. Тепломассообмен 34 , 887–896 (2007).

    Артикул Google Scholar

  • 27.

    Nguyen, Q., Behroyan, I., Rezakazemi, M. & Shirazian, S. Прогнозирование скорости жидкости внутри пузырькового колонного реактора с использованием алгоритма ANFIS на основе входных данных CFD. Arab. J. Sci. Англ. 45 , 7487 (2020).

    CAS Статья Google Scholar

  • 28.

    Нгуен, К., Тагвайе Нахджири, А., Резаказеми, М.& Ширазян, С. Тепловая и потоковая визуализация квадратного источника тепла в наножидкостном материале с кубической интерполированной псевдочастицей. САУ Омега 5 , 17658 (2020).

    CAS PubMed PubMed Central Статья Google Scholar

  • 29.

    Shi, Y. & Eberhart, R.C. In Proc. 2001 Конгресс по эволюционным вычислениям (IEEE Cat. No. 01TH8546) 101–106 (IEEE).

  • 30.

    Ху, В., Чен, З., Бак-Йенсен, Б. и Ху, Ю. Оптимизация нечеткого адаптивного роя частиц для минимизации потерь мощности в распределительных системах с использованием оптимальной реакции на нагрузку. IET Gener. Трансм. Дистриб. 8 , 1–10 (2014).

    Артикул Google Scholar

  • 31.

    Нешат, М. ФАИПСО: Оптимизация роя нечетких адаптивных информированных частиц. Neural Comput. Прил. 23 , 95–116 (2013).

    Артикул Google Scholar

  • 32.

    Никнам, Т., Мохаррад, Х. Д. и Найерипур, М. Новая нечеткая адаптивная оптимизация роя частиц для негладкой экономической диспетчеризации. Энергия 35 , 1764–1778 (2010).

    Артикул Google Scholar

  • 33.

    Laborde-Boutet, C. et al. CFD-моделирование явления гидродинамического / теплового взаимодействия в пузырьковой колонне с внутренними устройствами. Aiche J. 56 , 2397–2411 (2010).

    CAS Google Scholar

  • 34.

    Баша, О. М., Вен, Л., Мен, З. и Морси, Б. I. Моделирование CFD с экспериментальной проверкой внутренней гидродинамики в пилотном реакторе с барботажной колонной с пузырьками. Внутр. J. Chem. Reactor Eng. 14 , 599–619 (2016).

    CAS Статья Google Scholar

  • 35.

    Лоу, Д., Батталья, Ф. и Хейндел, Т. Дж. Проверка модели для потоков пузырьковой колонны с низкой и высокой приведенной скоростью газа. Chem.Англ. Sci. 63 , 4605–4616 (2008).

    CAS Статья Google Scholar

  • 36.

    Ляо, Ю., Креппер, Э. и Лукас, Д. Базовая концепция закрытия для моделирования пузырькового потока с фазовым переходом: механистическая модель для коэффициента межфазной теплопередачи. Nucl. Англ. Des. 348 , 1–13 (2019).

    CAS Статья Google Scholar

  • 37.

    Боле, М., Джоши, Дж. И Рамкришна, Д. CFD-моделирование пузырьковых колонн с использованием моделирования баланса населения. Chem. Англ. Sci. 63 , 2267–2282 (2008).

    CAS Статья Google Scholar

  • 38.

    Díaz, M. E. et al. Численное моделирование газожидкостного потока в пузырьковой колонне лабораторного масштаба: влияние распределения пузырьков по размерам и сил отсутствия сопротивления. Chem. Англ. Дж. 139 , 363–379 (2008).

    Артикул CAS Google Scholar

  • 39.

    Экамбара, К. и Дхотре, М. Моделирование пузырьковой колонны с помощью CFD. Nucl. Англ. Des. 240 , 963–969 (2010).

    CAS Статья Google Scholar

  • 40.

    Нахджири, А. Т. и Роудсари, М. Х. Моделирование и моделирование процесса теплопередачи естественной конвекции в пористых и непористых средах. Заявл. Res. J. 2 , 199–204 (2016).

    CAS Google Scholar

  • 41.

    Fan, W., Yuan, L. & Li, Y. CFD Моделирование структуры течения в реакторе с барботажной колонной для образования аэробных гранул и его разработки. Environ. Technol. 40 , 3652–3667 (2019).

    CAS PubMed Статья Google Scholar

  • 42.

    Бегроян, И., Ганесан, П., Хе, С. и Сивасанкаран, С. Сравнительное исследование CFD-моделей при кипении недогретого потока наножидкостей в вертикальной трубе. Номер. Теплопередача A Appl. 73 , 55–74 (2018).

    ADS CAS Статья Google Scholar

  • 43.

    Ю., Ю. Х. и Ким, С. Д. Характеристики пузырьков в радиальном направлении трехфазных псевдоожиженных слоев. J. Am. Inst. Chem. Англ. https://doi.org/10.1002/aic.6

  • 217 (1988).

    Артикул Google Scholar

  • 44.

    Nedjah, N. & de Macedo Mourelle, L. Swarm Intelligent Systems Vol. 26 (Springer, Берлин, 2006 г.).

    Забронировать Google Scholar

  • 45.

    Ши Ю. и Эберхарт Р. К. Ежегодная конференция по эволюционному программированию 591–600 (Springer, Berlin, Heidelberg, 1994).

    Google Scholar

  • 46.

    Ши, Ю. и Эберхарт, Р. В , 1998 г., Международная конференция IEEE по процедурам эволюционных вычислений. Всемирный конгресс IEEE по вычислительному интеллекту (каталожный номер 98TH8360) 69–73.

  • 47.

    Нгуен, Н. Т., Ким, К.-Г. И Яниак А. Интеллектуальные информационные системы и системы баз данных (Springer, Берлин, 2011).

    Забронировать Google Scholar

  • 48.

    Такаги Т. и Сугено М. Нечеткая идентификация систем и ее приложений для моделирования и управления. IEEE Trans. Syst. Человек Киберн. 1 , 116–132 (1985).

    Артикул Google Scholar

  • 49.

    Бабанежад М. и др. . Высокопроизводительное гибридное моделирование химических реакторов с использованием системы нечеткого вывода на основе дифференциальной эволюции. Sci. Отчетность 10 (1), 21304 (2020).

    CAS PubMed PubMed Central Статья Google Scholar

  • 7 ключей к эффективной дезактивации — инфекционный контроль

    PRE-TREAT Современные инструменты имеют сложные подвижные части, которые трудно разобрать и тщательно очистить.Чтобы мусор не высыхал на инструментах, их лучше сразу замочить.

    Обеззараживание инструментов путем удаления органических материалов имеет решающее значение в процессе дезинфекции и стерилизации и, как следствие, предотвращения инфекций, связанных со здоровьем. Эффективная стерилизация невозможна, если на инструментах или внутри них остается мусор. Белковый материал не пропускает ни пар, ни газ. Персонал, не осознающий важность предварительной дезинфекции, может ошибочно предположить, что инструменты, направляемые в стерилизатор, не нуждаются в дезинфекции.Обязательно проводите навыки повторной обработки для сотрудников центрального технологического отдела ежегодно и по мере необходимости.

    Целью обеззараживания является удаление всего органического материала, включая кровь, выделения и ткани, которые скопились на поверхности, в канавках и шарнирах инструментов перед дезинфекцией и стерилизацией высокого уровня.

    Основные шаги
    Если вы собираетесь контролировать процесс обеззараживания, обратите особое внимание на следующие 7 шагов. Обеспечение их надлежащего соблюдения и в соответствии с инструкциями, вероятно, позволит избежать неоптимальной дезинфекции и стерилизации.Не забывайте всегда носить полные СИЗ, включая халаты, перчатки и маску для лица или маски и очки, при обеззараживании инструментов.

    1. Сразу после процедуры промойте инструменты теплой водой, чтобы удалить органические вещества. Это поможет в процессе очистки, предотвратив высыхание и слеживание крови, выделений и тканей. Высушенные белковые вещества трудно удалить, и увеличивается вероятность остаточной бионагрузки.

    2. Если немедленное ополаскивание невозможно, как можно скорее после использования предварительно обработайте его в растворе для замачивания ферментов перед процессом очистки.

    3. Очистка является критическим этапом дезактивации после предварительных этапов, описанных выше. Именно на этом этапе следует полностью удалить мусор, в том числе засохшие биологические жидкости. Помните, что стерилизация не будет эффективной, если на инструменте останется мусор.

    4. Ультразвуковая очистка наиболее эффективна, особенно для инструментов на шарнирах и инструментов с движущимися частями. Предпочтительно использование дистиллированной или деминерализованной воды. Убедитесь, что инструменты находятся в открытом положении, прежде чем помещать их в ультразвуковой очиститель.Должен быть завершен полный ультразвуковой цикл. Ополаскивание после очистки важно, так же важно и смена раствора в соответствии с инструкциями производителя. Другой метод использования — это автоматический стиральный аппарат-стерилизатор. Смазка инструментов после последнего цикла ополаскивания и перед стерилизацией важна при использовании автоматического стирально-стерилизатора.

    5. При ручной чистке с использованием жестких нейлоновых щеток для чистки не используйте их повторно, если это не указано производителем. Отделяйте тонкие инструменты от обычных инструментов.Осмотрите поверхности инструмента на предмет крупных загрязнений, пятен, а также на предмет надлежащего функционирования и состояния.

    ПОСЛЕДОВАТЕЛЬНЫЕ ШАГИ
    Если он грязный, как он может быть стерильным?

    МНОГОСТУПЕНЧАТАЯ ПРАКТИКА Ошибочно полагать, что стерилизация сама по себе позволяет подготовить оборудование к повторному использованию.

    Повторная обработка — это многоступенчатая практика. Если вы не очистите устройства должным образом до их дезинфекции и стерилизации, ткани, кости или другие органические материалы могут остаться внутри или на инструменте.PSO Института ECRI (Организация по безопасности пациентов) составила список из 10 основных вещей, необходимых для эффективной очистки инструментов:

    1. Обеспечьте отделение стерильной обработки соответствующим обученным персоналом, оборудованием и ресурсами.

    2. Стандартизируйте и упростите процедуры во всех областях обработки инструментов.

    3. Контролируйте качество обработки инструментов с помощью проверок после очистки.

    4. Запросите мнение сотрудников отдела переработки по закупкам инструментов и оборудования.

    5. Ограничьте зависимость операционной от немедленной стерилизации.

    6. Установить критерии доставки одалживаемых инструментов и запретить их немедленную стерилизацию.

    7. Требовать регулярной оценки компетентности персонала, занимающегося переработкой инструментов.

    8. Стимулируйте сотрудничество и командную работу среди персонала отделения переработки и операционной.

    9. Признать и уважать вклад персонала по переработке в безопасность пациентов и качественное лечение.

    10. Поощряйте незамедлительное сообщение о событиях или близких обстоятельствах, связанных с загрязненными инструментами.

    — Гейл Хорват, MSN, BS, RN, CNOR, CRCST

    Г-жа Хорват ([адрес электронной почты защищен]) — аналитик по безопасности пациентов в PSO Института ECRI.

    В ИЛИ
    Во время процедуры

    ТОГДА И ТАМ Предварительно очистите инструменты в месте использования, прежде чем бионагрузка успеет высохнуть.

    Поскольку бионагрузка имеет тенденцию очень быстро высыхать и слеживаться на инструментах после любого типа инвазивной процедуры, важно обеззараживать устройства во время операции.Вот 3 шага действий из периоперационных стандартов AORN:

    • При необходимости протирайте инструменты стерильными хирургическими губками, смоченными стерильной водой во время процедуры, чтобы удалить грубые загрязнения.

    • Промывайте инструменты с просветами стерильной водой по мере необходимости на протяжении всей хирургической процедуры.

    • Канюлированные инструменты или инструменты с просветом могут быть забиты органическим материалом. Орошение этих инструментов стерильной водой помогает удалить остатки. Инструменты следует промывать водой из-за агрессивного воздействия физиологического раствора.

    — Фенель Сигал, РН, CIC

    6. Очистка инструментов удаляет смазку и предотвращает накопление белка. Предпочтительны водорастворимые противомикробные смазочные растворы, такие как инструментальное молочко. После очистки и смазки, но перед глубокой дезинфекцией или стерилизацией инструменты следует промыть дистиллированной, деионизированной или стерильной водой.

    7. Последний шаг дезактивации включает разблокировку всех инструментов, чтобы они стерилизовались в открытых положениях.Если инструменты хранятся до стерилизации, обязательно храните их в чистом и сухом месте.

    Правовые основы, включая стратегию измерения и роль методов измерения с прямым считыванием

    С момента обнародования Постановления об опасных веществах (GefStoffV) в 1986 году децентрализованные помещения, ранее использовавшиеся для стерилизации стерильных принадлежностей в Германии, как правило, объединены в центральные стерилизационные отделения. . Эти меры сделали возможным — и, действительно, это предусмотрено GefStoffV — передать работу стерилизаторов, которая раньше часто выполнялась операционным отделением, специализированному и регулярно обученному персоналу отделов стерилизации.В соответствии с положениями, закрепленными в GefStoffV и связанных с ним Технических регламентах по опасным веществам, опасные вещества, кроме стерилизационных газов, этиленоксида и формальдегида, используемые вблизи стерилизационных центров, должны регистрироваться, их концентрация в дыхательном воздухе персонала должна измеряться, а Полученный результат измерения необходимо сравнить с соответствующим допустимым предельным значением воздействия. Хотя это также было предписано для стерилизующих газов с обнародованием GefStoffV в 1986 году, и тем более с вступлением в силу TRGS 513, это можно было установить путем опроса людей, участвующих в соответствующих учебных курсах, с целью получение квалификационных сертификатов для эксплуатации газового стерилизатора, что во многих случаях основные требования по использованию опасных веществ и, в частности, по регистрации, измерению и оценке опасных веществ, не выполнялись в полной мере.Между тем, формулировка процедурных критериев и критериев, ориентированных на заменители (PSO) для полностью автоматизированной газовой стерилизации формальдегидом в процессах LTSF и для полностью автоматизированной газовой стерилизации оксидом этилена в TRGS 420, позволяет получить освобождение от обязанности по мониторингу, представив доказательства соблюдение предварительных условий, лежащих в основе этих критериев PSO. Если освобождение не было предоставлено в соответствии с этими критериями PSO, необходимо провести анализ рабочего места для зоны газовой стерилизации в соответствии с шагами, приведенными в Разделе III.Если соответствующая информация недоступна, необходимо провести измерения на рабочем месте. Последнее также применимо при использовании с другими опасными веществами, такими как спирты, кетоны и т. Д. В этой области. Как правило, измерения на рабочем месте могут быть выполнены в соответствии с TRGS 402 только путем отбора проб на месте с последующим лабораторным анализом. Назначенный измерительный институт должен оценить полученные измеренные значения в отношении существующих предельных значений и установить интервал для следующих контрольных измерений в отношении оцененной концентрации.Если предельное значение превышено, следует рекомендовать соответствующие меры для снижения существующей опасной нагрузки. Если критерии, ориентированные на процедуру и вещества, были соблюдены для этиленоксида и / или формальдегида в конкретном случае, действительность предварительных условий для этих критериев PSO должна проверяться каждый раз при изменении процесса или, в противном случае, не реже одного раза в год. и результаты документируются в соответствии с TRGS 420. Если в системе есть подозрения на утечки, индикаторные трубки прямого считывания подходят для измерения текущей концентрации опасных веществ формальдегида или этиленоксида.Но, как правило, такие измерения не соответствуют критериям, регулирующим измерения на рабочем месте, как это предусмотрено TRGS 402.

    Иммунологическая память на SARS-CoV-2, оцененная на срок до 8 месяцев после заражения

    Мы благодарим LJI Clinical Core, в частности, G. Levi и B. Schwan для набора здоровых доноров и сбора образцов крови. Мы благодарим К. Модербахера за вклад в анализ данных. Мы также благодарны Mt.Sinai Personalized Virology Initiative за предоставление сохраненных в банках образцов от участников исследования с COVID-19.Мы благодарны А. Вайнбергу за направления участников исследования и в Personalized Virology Initiative (G. Kleiner, LCF Mulder, M. Saksena, K. Srivastava, C. Gleason, CM Bermúdez-González, K. Beach, K. Russo, Л. Соминский, Э. Феррери, Р. Чернет, Л. Экер, А. Салимбангон, Д. Юрчишак, Х. Альшаммари, В. Мендес, А. Амоако, С. Фабр, С. Сутхакаран, М. Ававда, Э. Hirsch, A. Shin) за предоставление хранимых в банке образцов от участников исследования с COVID-19. Финансирование: Эта работа финансировалась NIH NIAID в рамках гранта AI142742 (Совместные центры иммунологии человека) (A.S., S.C.), контракт NIH No. 75N9301
    5 (D.W., A.S.), U01 AI141995-03 (A.S., P.B.) и U01 CA260541-01 (D.W). Эта работа была дополнительно частично поддержана институциональными фондами LJI, Фондом Джона и Мэри Ту (DS), NIAID в рамках премии K08 AI135078 (JMD), UCSD T32s AI007036 и AI007384 Отделом инфекционных заболеваний (SIR, SAR), а также Законом и Фонд Мелинды Гейтс INV-006133 от Therapeutics Accelerator, Mastercard, Wellcome, частные благотворительные взносы (KMH., E.O.S., S.C.) и FastGrant от Emergent Ventures в помощь исследованиям COVID-19. Эта работа была частично поддержана контрактом HHSN272201400008C (FK, для создания реагентов) с Центрами передового опыта по исследованиям и надзору за гриппом (CEIRS) NIAID, контрактом 75N93019C00051 с Центрами совместных инновационных вакцин против гриппа (FK, VS), фондом JPB (FK, VS), Фонд Коэна (VS, FK) и Open Philanthropy Project (№ 2020-215611; FK, VS), а также за счет других благотворительных пожертвований.Мы также благодарим всех участников COVID-19 и здоровых людей, которые сделали это исследование возможным благодаря щедрым пожертвованиям крови. Вклад авторов: Conceptualization, S.C., A.S. и D.W .; Investigation, J.M.D., J.M., Y.K., K.M.H., E.D.Y., C.E.F., A.G., S.H. и C.N .; Формальный анализ, J.M.D., J.M., Y.K., K.M.H., C.E.F., S.H., B.P., D.W., A.S. и S.C .; Набор пациентов и образцы, S.I.R., A.F., S.A.R., F.K., V.S., D.M.S. и D.W .; Материальные ресурсы, Ф.К., В.С., В.Р., Э.O.S., D.W., A.S. и S.C .; Data Curation, Y.K., J.M.D., J.M. и S.H .; Письмо, Y.K., J.M.D., J.M., S.I.R., D.W., A.S. и S.C .; Надзор, D.W., A.S. и S.C., Управление проектом, A.F. Конкурирующие интересы: A.S. является консультантом компаний Gritstone, Flow Pharma, Merck, Epitogenesis, Gilead и Avalia. S.C. — консультант Avalia. L.J.I. подала заявку на патентную защиту для различных аспектов разработки Т-клеточного эпитопа и вакцины. Mount Sinai лицензировала серологические тесты для коммерческих организаций и подала заявку на патентную защиту серологических тестов.D.S., F.A., V.S. и F.K. указаны как изобретатели в находящейся на рассмотрении заявке на патент (F.K., V.S.) и вакцины против SARS-CoV-2 на основе вируса болезни Ньюкасла (NDV), названной F.K. как изобретатель. Все остальные авторы заявляют об отсутствии конфликта интересов. Наличие данных и материалов: Все данные приведены в дополнительных материалах. Пулы эпитопов, используемые в этой статье, будут доступны научному сообществу по запросу и при заключении соглашения о передаче материала. Эта работа находится под лицензией Creative Commons Attribution 4.0 Международная (CC BY 4.0) лицензия, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии правильного цитирования оригинальной работы. Чтобы просмотреть копию этой лицензии, посетите https://creativecommons.org/licenses/by/4.0/. Эта лицензия не применяется к рисункам / фотографиям / произведениям искусства или другому контенту, включенному в статью, приписываемому третьей стороне; получить разрешение от правообладателя перед использованием такого материала.

    Институт ECRI выявил 10 основных проблем безопасности пациентов за 2018 год

    Ежегодно Институт ECRI — некоммерческая организация, которая исследует подходы к улучшению ухода за пациентами, — определяет ТОП-10 проблем безопасности пациентов.В этом списке указаны ключевые области для «поддержки организаций здравоохранения в их усилиях по проактивному выявлению угроз безопасности пациентов и реагированию на них». Список за 2018 год выглядит следующим образом (позиции, выделенные жирным шрифтом , — новые в годовом списке):

    1. Ошибки диагностики
    2. Безопасность опиоидов на всем протяжении лечения
    3. Координация внутреннего ухода
    4. Обходные пути
    5. Включение медицинских ИТ в программы безопасности пациентов
    6. Управление поведенческим здоровьем в отделениях неотложной помощи
    7. Готовность к чрезвычайным ситуациям при любых опасностях
    8. Очистка / дезинфекция / стерилизация устройств
    9. Вовлеченность пациентов и санитарная грамотность
    10. Лидерство в обеспечении безопасности пациентов

    Согласно отчету ECRI, при выборе списка этого года Институт ECRI опирался как на данные о событиях и проблемах, так и на экспертное заключение.С 2009 года, когда была создана Организация по безопасности пациентов (PSO) Института ECRI, ECRI и ее партнерские PSO получили более 2 миллионов отчетов о событиях. Список не обязательно отражает проблемы, которые возникают наиболее часто или являются наиболее серьезными, поскольку процесс синтезировал данные из этих различных источников:

    • Обзор событий в базе данных PSO института ECRI
    • запросов членов PSO по анализу основных причин и исследовательских запросов
    • Темы, отображаемые в еженедельных сообщениях Предупреждения по контролю за рисками в сфере здравоохранения (HRC)
    • Голосование группы экспертов изнутри и за пределами Института ECRI

    В этом списке указаны проблемы, которые могут быть высокоприоритетными по таким причинам, как новые риски, существующие проблемы, которые меняются из-за новых технологий или моделей оказания помощи, а также постоянные проблемы, которые требуют пристального внимания или создают новые возможности для вмешательства.

    Медицинские офисы должны постоянно оценивать эти целевые области для улучшения, а также разрабатывать стратегии для решения проблем. Например, диагностические ошибки часто связаны с системными ошибками, такими как несоответствующее и неэффективное использование электронных медицинских карт (выбор неправильного шаблона, обходные пути) и невозможность отслеживания лаборатории, диагностической визуализации и направлений. Безопасность лекарств продолжает оставаться главной проблемой даже в офисах с передовыми технологиями. Медицинские офисы имеют возможность существенно повлиять на улучшение коммуникации за счет включения некоторых простых стратегий, включая обсуждения, обновление блок-схем и контрольных списков, использование метода обратного обучения для обеспечения понимания пациентом инструкций и эффективное использование порталов для пациентов для улучшения коммуникации.

    SVMIC рекомендует вам загрузить краткую информацию от института ECRI для получения более подробной информации и стратегий по снижению этих рисков. Посетите svmic.com для получения дополнительных ресурсов по управлению рисками.

    По материалам: 10 основных проблем безопасности пациентов для организаций здравоохранения, 2018 г. © ECRI Institute | www.ecri.org.

    Исследование производительности системы нечеткого вывода (PSOFIS) на основе алгоритма оптимизации роя частиц (PSO) в сочетании с CFD-моделированием для прогнозирования потока жидкости

    , 1, 2, 3 , 4, 5 , 6 , 7, 8 , 9 , 6 и 10

    Мейсам Бабанежад

    1 Институт исследований и разработок, Университет Нанг Тан 550000 Вьетнам

    2 Факультет электротехники и электроники, Университет Дуй Тан, Дананг, 550000 Вьетнам

    3 Кафедра искусственного интеллекта, Shunderman Industrial Strategy Co., Тегеран, Иран

    Иман Бехроян

    4 Факультет машиностроения и энергетики, Университет Шахида Бехешти, Тегеран, Иран

    5 Кафедра вычислительной гидродинамики, Shunderman Industrial Strategy Co., Тегеран, Иран

    Али Taghvaie Nakhjiri

    6 Департамент нефтяной и химической инженерии, Отделение науки и исследований, Исламский университет Азад, Тегеран, Иран

    Азам Марджани

    7 Департамент управления развитием науки и технологий, Университет Тон Дык Тханг, Хо Ши Мин, Вьетнам

    8 Факультет прикладных наук, Университет Тон Дык Тханг, Хошимин, Вьетнам

    Машалла Резаказеми

    9 Факультет химической инженерии и материаловедения, Технологический университет Шахруд, Шахруд, Иран

    Amir Heydarinasab

    6 Департамент нефти и химии Отделение инженерии, науки и исследований, Исламский университет Азад, Тегеран, Иран

    Саид Ширазян

    10 Лаборатория компьютерного моделирования лекарственных средств, Южно-Уральский государственный университет, проспект Ленина 76, Челябинск, Россия 454080

    1 Институт Исследования и разработки, Университет Дуй Тан, Дананг, 550000 Вьетнам

    2 Факультет электротехники и электроники, Университет Дуй Тан, Дананг, 550000 Вьетнам

    3 Департамент искусственного интеллекта, Shunderman Industrial Strategy Co., Тегеран, Иран

    4 Факультет машиностроения и энергетики, Университет Шахида Бехешти, Тегеран, Иран

    5 Департамент вычислительной гидродинамики, Shunderman Industrial Strategy Co., Тегеран, Иран

    6 Департамент Нефтяная и химическая инженерия, Отделение науки и исследований, Исламский университет Азад, Тегеран, Иран

    7 Департамент управления развитием науки и технологий, Университет Тон Дык Тханг, Хошимин, Вьетнам

    8 Факультет прикладных наук Наук, Университет Тон Дык Тханг, Хошимин, Вьетнам

    9 Факультет химии и материаловедения, Технологический университет Шахруд, Шахруд, Иран

    10 Лаборатория компьютерного моделирования лекарственных средств Южно-Уральского государственного университета, Проспект Ленина, 76, Челябинск, Россия 454080

    Корреспондент.

    Поступила в редакцию 26 августа 2020 г .; Принято 2021 4 января.

    Открытый доступ Эта статья находится под международной лицензией Creative Commons Attribution 4.0, которая разрешает использование, совместное использование, адаптацию, распространение и воспроизведение на любом носителе или любом формате при условии, что вы указали оригинал Автор (ы) и источник предоставляют ссылку на лицензию Creative Commons и указывают, были ли внесены изменения. Изображения или другие материалы третьих лиц в этой статье включены в лицензию Creative Commons для статьи, если иное не указано в кредитной линии для материала.Если материал не включен в лицензию Creative Commons для статьи и ваше предполагаемое использование не разрешено законом или превышает разрешенное использование, вам необходимо получить разрешение непосредственно от правообладателя. Чтобы просмотреть копию этой лицензии, посетите http://creativecommons.org/licenses/by/4.0/.

    Abstract

    Здесь механистически моделируется и моделируется реактор типа пузырьковой колонны с неравновесным тепловым режимом между воздухом и водой с помощью метода CFD.Более того, комбинация обучающего модуля адаптивной сети (AN) с системой нечеткого вывода (FIS) в качестве метода искусственного интеллекта, вызывающего ANFIS, уже показала потенциал в оптимизации подхода CFD. Хотя система нечеткого вывода (PSOFIS), основанная на методе искусственного интеллекта оптимизации роя частиц (PSO), имеет хорошую основу для оптимизации других областей исследований, исследований по сотрудничеству этого метода с CFD не проводилось. PSOFIS может уменьшить все трудности и упростить расследование, исключив дополнительное моделирование CFD.Фактически, после достижения наилучшего интеллекта все прогнозы могут быть сделаны с помощью PSOFIS вместо огромных вычислительных усилий, необходимых для моделирования CFD. Первая цель этого исследования — разработать PSOFIS для использования в приложении подхода CFD. Второй — провести сравнение между PSOFIS и ANFIS для точного прогнозирования результатов CFD. В настоящем исследовании PSOFIS использует данные CFD для прогнозирования скорости воды внутри пузырьковой колонны. Значения входных чисел, размеров роя и весов инерции исследуются для получения наилучшего интеллекта.После достижения наилучшего интеллекта отпадает необходимость в уточнении сетки в области CFD. Плотность сетки может быть увеличена, а новые прогнозы могут быть сделаны более простым способом с помощью PSOFIS с гораздо меньшими вычислительными усилиями. Для убедительной проверки результаты PSOFIS по предсказанию скорости жидкости сравниваются с результатами ANFIS. Было показано, что для тех же параметров нечеткого множества прогнозы PSOFIS ближе к CFD по сравнению с ANFIS. Номер регрессии (R) PSOFIS (0.98) был немного больше, чем у ANFIS (0,97). PSOFIS показал мощный потенциал в увеличении плотности сетки с 9477 до 774 468 и точные прогнозы для новых узлов независимо от моделирования CFD.

    Тематические термины: Химическая инженерия, Машиностроение, Вычислительные науки

    Введение

    Для многофазных реакций были спроектированы и эксплуатируются различные типы реакторов, среди которых реакторы с барботажной колонной вызвали огромный интерес в экологическая, биофармацевтическая, нефтехимическая, очистка сточных вод и т. д. 1 5 . Эти универсальные химические / биохимические реакторы могут дать преимущества в результате приличного тепло- и массообмена, простоты эксплуатации и т. Д. 6 , 7 . Существует множество исследований газо-водяных систем для оценки гидродинамических характеристик этих реакторов 8 , 9 , и очень важно создать моделирование и оценить параметры потока жидкости внутри барботажных колонн для улучшения технологического процесса. понимание.В этом контексте можно использовать подход к разработке процессов на основе моделей для интенсификации и улучшения процессов. Полученные данные могут значительно помочь инженерам и исследователям в проектировании, оптимизации, эксплуатации и т. Д. 1 , 10 .

    Вычислительная гидродинамика (CFD) 11 — это точный подход для изучения потока двухфазной жидкости в барботажных колоннах и анализа взаимодействий между фазами, то есть газом и жидкостью. Моделирование CFD использовалось в различных исследованиях 12 14 для оценки этих типов реакторов, содержащих водяные и воздушные системы.Из-за наличия двух фаз внутри реактора и взаимодействия между ними почти во всех исследованиях рассматривалась модель Эйлера CFD и только массоперенос в реакторе как внутри реактора, так и между фазами 7 , 15 17 . Согласно литературным данным, нет никаких исследований CFD, учитывающих неравновесные тепловые условия между воздухом и водой в реакторе с пузырьковой колонной. Это тематическое исследование впервые рассматривается в данной статье. Разница температур между воздухом и водой добавляет уравнения энергии к моделированию CFD, чтобы построить комплексную методологию моделирования.Учет межфазного теплообмена между газом и жидкостью усложняет CFD-моделирование реактора и требует более сложных методов.

    Кроме того, согласно литературным источникам, методы искусственного интеллекта (ИИ) являются полезными способами улучшения приложений моделирования CFD 18 22 . В нескольких исследованиях уже сообщалось об использовании модели ANFIS с CFD для прогнозирования характеристик потока жидкости в различных обстоятельствах 23 28 .Хотя метод PSOFIS уже был исследован для оптимизации данных во многих инженерных аспектах 29 32 , нет исследований, которые применяли PSOFIS в сотрудничестве с моделированием CFD. Например, Ши и Эберхарт 29 сообщили о потенциале PSOFIS, сравнив экспериментальные данные. Hu et al. 30 выполнили PSOFIS, чтобы минимизировать потери мощности в системах распределения электроэнергии.Мы подробно исследовали влияние параметров PSOFIS на лучший интеллект. Таким образом, в этой работе для помощи при моделировании CFD выбран AI-метод системы нечеткого вывода (PSOFIS) на основе алгоритма оптимизации роя частиц (PSO). Чтобы добиться наиболее точного предсказания алгоритма, исследуются значения входных чисел, размеров роя и весов инерции. PSOFIS также впервые тестирует увеличение плотности сетки. Проведено дополнительное сравнение результатов PSOFIS и ANFIS в отношении точности методов.

    Методология

    Геометрия реактора

    Здесь рассматривается цилиндрическая колонна диаметром 29 см и длиной 2 м для вычислительных задач и понимания процесса. В этом реакторе имеющаяся газовая фаза (воздух) направляется в столб воды снизу. Скорость и температура воздуха равны 0,02 м / с и 400 K соответственно, а температура воды — 295 K.

    Метод CFD

    Двухфазная модель Эйлера – Эйлера использовалась в этой работе со стандартным двумя уравнениями k- ε модель турбулентности.При таком подходе моделирования жидкости следующие уравнения выводятся для каждой фазы внутри реактора 12 :

    Уравнение энергии используется для расчета межфазного теплообмена между воздухом и водой 33 .

    Уравнение энергии фазы k :

    ∂ρk∈kHk∂t + ∇.ρk∈kuk, iHk = ∇∈kk + kt∇Tk + QI.

    3

    Импульсные межфазные взаимодействия представляют собой сумму силы сопротивления и турбулентной дисперсии, определяемой следующим образом:

    FI = Ftd + FdFtd = -Ctdρwaterk∇∈water,

    4

    , где k и C td — турбулентная кинетическая энергия воды на единицу массы и коэффициент турбулентной дисперсии соответственно.Значение 0,3 учитывается для коэффициента турбулентной дисперсии на основе исследования 22 .

    Fd = 18CDaifρkuk, i → -ui, k → uk, i → -ui, k →,

    5

    Шиллер-Науманн 34 , 35 Коэффициент лобового сопротивления ( C D ) принято для межфазного взаимодействия уравнений количества движения, а для межфазного коэффициента теплопередачи ( h ) между воздушным пузырем и водой используется уравнение Ранца-Маршалла 36 .Следует отметить, что воздух считается несжимаемой жидкостью, и форма пузыря должна быть сферической. Таким образом, межфазная область (, , , , если , ) задается следующим образом:

    В этом исследовании была выбрана стандартная модель турбулентности k-ε. Ключевые математические модели, используемые в данной работе, взяты из литературы 37 42 :

    ∂∂t∈kρkkk + ∇ · ∈kρkuk, ikk = ∇ · μktσk∇kk + Gk-ρkεk,

    8

    ∂∂t∈kρkεk + ∇ · ρkεkuk, i = ∇ · μktσε∇εk + εkkkC1εGk-C2ερkεk,

    9

    Gk = μkt (∇uk, i + uk, i) T,

    раздел испытание и проверка

    В процессе испытаний на независимость сети для моделирования реактора используются две схемы расположения сеток: первая с 9477 узлами, а вторая с 18 954 узлами.Результаты CFD сравнивались для скорости воды и воздуха, и отклонение составило менее 0,04%. Для меньших вычислительных затрат в данном исследовании была принята первая плотность сетки. Для проверки моделирования CFD результаты прогнозов удержания газа сравниваются с экспериментом Yu и Kim 43 и численными результатами Basha et al. 34 (рис.).

    Подтверждение настоящего исследования CFD по сравнению с экспериментом Ю и Ким и численным исследованием Basha et al.

    Оптимизация роя частиц

    Оптимизация роя частиц (PSO) — это алгоритмы на основе популяции, которые генерируют и используют случайные переменные. Этот алгоритм основан на коллективном поведении животных, таких как группы птиц или рыб. В этом методе популяция животных и возможные решения известны как рой и частицы, соответственно 44 . Алгоритм PSO основан на коллективном поведении людей в сообществе (рис.).Это означает, что здесь есть несколько индивидуумов, а именно частицы, которые ищут лучшее место в качестве целевой или выходной переменной для предсказания в сообществе. Каждая частица имеет свою скорость, и она выполняет свой собственный итеративный поиск, чтобы найти лучшее место. Лучшее место известно как решение или прогноз выходной переменной. В процессе поиска каждой отдельной частицы на поиск нового места влияют два фактора; первое — лучший опыт частицы до этой итерации; последнее — лучший опыт среди всех частиц вместе взятых.

    Схема алгоритма PSO.

    Оптимальное местоположение частицы записывается и называется pbest. Наилучшее определение местоположения по целым частицам называется gbest . Принимая pbest , gbest и скорость каждой частицы, правило обновления для их местоположения выглядит следующим образом: 45 47 :

    Vt + 1 = Wt × Vt + C1 × rand × pbest-xt + C2 × rand × gbest-xt,

    12

    где W представляет собой вес инерции, показывающий влияние вектора скорости fr Vt на новый вектор, C1 и C2 обозначают константы ускорения, а rand представляет случайную функцию в диапазоне 0, 1 и xt обозначают текущее расположение детали.

    В таблице приведены параметры алгоритмов PSO, которые используются в этом исследовании. Значения размера роя и веса инерции корректируются для достижения наилучшего интеллекта, в то время как коэффициент демпфирования веса инерции, персональные и глобальные коэффициенты обучения были зафиксированы в модели.

    Таблица 1

    Параметры алгоритма оптимизации роя частиц.

    Параметры алгоритма PSO
    Размер роя 60, 80, 100, 120
    Вес инерции (0–1) 0.85, 0,9, 0,95, 1
    Коэффициент демпфирования инерционного веса 0,99
    Коэффициент личного обучения (0–2) 1
    Общий коэффициент обучения (0–2) 2

    Система нечеткого вывода (FIS)

    FIS — это нечеткая машина с точки зрения концепций нечетких правил «если – то» и теории нечетких множеств. В этом интеллектуальном подходе выполняются правила «если-то», представленные Такаги и Сугено 48 .В этом исследовании x-координация, y-координация и z-координация используются для достижения скорости жидкой фазы в качестве выходных данных. Функция k-го правила:

    Подробная процедура описана в другом месте 17 19 , 48 .

    Параметры нечеткого множества описаны в таблице. Всего имеется 9477 данных, созданных с помощью моделирования CFD. 76% сгенерированных данных изучаются, и прогноз выполняется после 400 итераций. Нечеткая кластеризация C-средних принята как тип кластера.Тип функции принадлежности — гауссовский. Количество кластеров, правил и выходной функции принадлежности — всего 30.

    Таблица 2

    Параметры системы нечеткого вывода.

    и обсуждение

    Двухфазный поток воздуха и воды внутри химического реактора барботажного типа моделируется методом CFD.Воздух нагнетается в барботажную колонну с водой 49 . Впервые в этом исследовании температура воздуха (127 ° C) отличается от температуры воды (23 ° C). В результате отсутствует тепловое равновесие между воздухом и водой. Это требует дополнительного основного уравнения энергии для моделирования CFD. Все основные уравнения (т.е. масса, импульс, энергия, модель турбулентности) рассматриваются в рамках Эйлера – Эйлера для моделирования процесса.Это означает, что уравнения решаются для каждой фазы отдельно и связываются друг с другом в исходных условиях. Таким образом, при решении двухфазных CFD-моделей трехмерное моделирование с учетом влияния турбулентного потока требует огромных вычислительных затрат. Система нечеткого вывода (PSOFIS) на основе алгоритма PSO была выбрана для упрощения моделирования CFD.

    На рисунке показана блок-схема алгоритма PSO, разработанного для этого исследования. PSOFIS изучает данные CFD, сгенерированные численным моделированием, для прогнозирования конкретной переменной в качестве результата (цели).В настоящем исследовании выходным значением является скорость жидкой фазы (т.е. воды). Координаты x, y и z расположения узлов воды являются входными данными. 76% всех данных CFD (т.е. 9477 данных) обучаются PSOFIS, тогда как 100% данные CFD используются при тестировании. Регрессия принята как показатель достижения наилучшего интеллекта. Различные входные числа (например, 1, 2 и 3), размеры роя (например, 60, 80, 100 и 120) и веса инерции (например, 0,85, 0,9, 0,95 и 1) проверяются для достижения наилучшего интеллекта.На рисунке показано влияние входных чисел на число регрессии. По мере увеличения количества входных данных числа регрессии увеличиваются как для обучения, так и для тестирования. Наилучший интеллект достигается, когда входное число равно 3 (т. Е. R = 0,98).

    Схема комбинации алгоритма PSO и системы нечеткого вывода.

    Процессы обучения PSOFIS с учетом изменения количества входов.

    Аналогичный тест на чувствительность выполняется для влияния размеров роя и весов инерции, когда входное число равно 3.На рисунке показаны процессы обучения PSOFIS с учетом изменений в размере роя при количестве входов 3. Согласно этому рисунку, при увеличении размера роя с 60 до 100 значение R увеличивается с 0,97 до 0,98. Однако при дальнейшем увеличении размера роя до 120 не наблюдается значительных изменений в значении R.

    Процессы обучения PSOFIS с учетом изменений размера роя при количестве входов 3.

    На рисунке показаны процессы обучения PSOFIS с учетом изменение инерционного веса при размере роя 100 и количестве входов 3.Что касается этого числа, то при увеличении веса инерции с 0,85 до 1 значение R увеличивается с 0,97 до 0,98. Следовательно, лучший интеллект может быть получен для входного числа 3, размера роя 100 и веса инерции 1.

    Процессы обучения PSOFIS с учетом изменений в весе инерции, когда размер роя равен 100, а количество входов равно 3.

    Для большей проверки интеграция адаптивной сети с системой нечеткого вывода, называемой ANFIS, используется для изучения результатов CFD для моделирования скорости воды внутри реактора 49 .Результаты PSOFIS сравниваются с ANFIS. Следует отметить, что для аналогичных условий настройки все параметры нечеткого множества ANFIS такие же, как и в PSOFIS (см. Таблицу). Согласно рис., Значение R у PSOFIS (0,98) немного больше, чем у ANFIS (0,97). Рисунок иллюстрирует картину скорости жидкой фазы в обоих методах ANFIS и PSOFIS. Увеличивая графики, видно, что прогнозы PSOFIS соответствуют результатам CFD с большей совместимостью по сравнению с ANFIS.

    Сравнение лучшего результата методов PSOFIS и ANFIS.

    Динамика скорости жидкой фазы различными методами.

    Структура FIS, основанная на процессе обучения PSO, схематично показана на рис. Функция принадлежности является гауссовой, как показано в полях ввода справа. Количество кластеров для каждого входа, количество правил в скрытом слое и количество функций принадлежности для выхода равны 30. Тип кластера — нечеткая полукластеризация.

    Структура FIS с использованием алгоритма PSO в качестве тренера в процессе обучения.

    На рисунках a – c показано сравнение предсказаний CFD и PSOFIS скорости воды для каждого входа. Как видно, нет противоречия между результатами обоих методов. Поскольку результаты получены для времени 30 с, как и следовало ожидать, скорость воды выше на более низких высотах столба (т. Е. Z = 0,1 и 0,2 м), а скорость демпфируется для достижения нуля на более высоких высотах (т. Е. Z = 0,9 м).

    ( a ) Проверка процесса обучения PSOFIS после достижения наивысшего интеллекта PSOFIS на основе первого ввода.( b ) Проверка процесса обучения PSOFIS после достижения наивысшего интеллекта PSOFIS на основе второго ввода. ( c ) Подтверждение процесса обучения PSOFIS после достижения наивысшего интеллекта PSOFIS на основе третьего входа.

    После достижения наилучшего интеллекта скорость воды может быть найдена для большего количества узлов в области столбцов без уточнения сетки в области CFD. Фактически, уточнение сетки может быть выполнено в PSOFIS с гораздо меньшими вычислительными затратами.На рисунке показано увеличение плотности сетки с 9477 до 774 468 узлов с использованием метода PSOFIS.

    Восстановленный домен с 9477 на 774 468.

    Результаты прогнозов PSOFIS скорости воды показаны на рис. Новые прогнозы метода PSOFIS снова согласуются с результатами CFD. Более того, дополнительные прогнозы скорости воды в большем количестве узлов видны на рис. A – c.

    ( a ) Прогноз скорости жидкой фазы PSOFIS в 774 468 узлах на основе первого ввода.( b ) Прогнозирование скорости жидкой фазы с помощью PSOFIS в 774 468 узлах на основе второго входа. ( c ) Прогнозирование скорости жидкой фазы с помощью PSOFIS в 774 468 узлах на основе третьего входа.

    Выводы

    Двухфазный поток воздуха и воды внутри реактора с барботажной колонной с неравновесным тепловым режимом между воздухом и водой был смоделирован методом CFD. Горячий воздух с температурой 127 ° C закачивался в толщу воды с температурой 23 ° C.Двухфазная CFD-модель Эйлера была реализована для турбулентного течения внутри пузырьковой колонны. Алгоритм искусственного интеллекта и, в частности, система нечеткого вывода (PSOFIS), основанная на алгоритме оптимизации роя частиц (PSO), была использована для помощи в таком сложном CFD-моделировании. Сокращение количества симуляций CFD позволяет сэкономить много вычислительных затрат, усилий и времени. Когда достигается лучший интеллект, больше нет необходимости в моделировании.

    PSOFIS использовался для прогнозирования скорости воды в положениях узлов x, y и z в колонне.Число регрессии рассматривалось как показатель наилучшего интеллекта. Для получения наилучшего интеллекта были исследованы правильные значения входных чисел, размеров роя и весов инерции. Для большей проверки интеграция адаптивной сети с системой нечеткого вывода (ANFIS) использовалась для изучения данных CFD. Результаты PSOFIS сравнивались с ANFIS для тех же параметров нечеткого множества.

    При лучшем интеллекте PSOFIS скорость воды была найдена для дополнительных узлов без уточнения сетки в области CFD.Фактически, уточнение сетки может быть выполнено в PSOFIS с гораздо меньшими вычислительными затратами.

    Результаты этого исследования резюмируются следующим образом:

    • Наилучший интеллект обнаружен для входного числа 3, размера роя 100 и веса инерции 1, где число регрессии составляет около 0,98.

    • Прогнозы PSOFIS соответствуют результатам CFD с большей совместимостью по сравнению с ANFIS. Номер регрессии (R) PSOFIS (0.98) было больше, чем у ANFIS (0,97).

    • Сравнение прогнозов скорости воды с помощью CFD и PSOFIS не показывает противоречия между результатами обоих методов.

    • Прогноз скорости воды показывает логический тренд за счет увеличения высоты столба. Как и ожидалось, скорость воды выше на более низких высотах столба (т. Е. Z = 0,1 и 0,2 м), а скорость демпфируется для достижения нуля на более высоких высотах (т. Е. Z = 0,9 м).

    • Увеличивая плотность ячеек пузырьковой колонны с 9477 до 774 468 с помощью метода PSOFIS, новый прогноз метода PSOFIS охватывает все результаты CFD с дополнительными прогнозами скорости воды в большем количестве узлов в области.

    Благодарности

    Саид Ширазян выражает признательность за поддержку со стороны Правительства Российской Федерации (Закон 211, контракт 02.A03.21.0011) и Министерства науки и высшего образования Российской Федерации (Грант ДВГУ-2020-0019 ).

    Вклад авторов

    МБ: Концептуализация, Моделирование, Написание-черновик. И.Б .: Моделирование, анализ, валидация. А.Т.Н .: Методология, Программное обеспечение. А.М .: Надзор. М.Р .: Написание-рецензия, Редакция.A.H.b: Анализ, проверка. С.С .: Надзор, Финансирование, Моделирование.

    Конкурирующие интересы

    Авторы заявляют об отсутствии конкурирующих интересов.

    Сноски

    Примечание издателя

    Springer Nature сохраняет нейтралитет в отношении юрисдикционных претензий в опубликованных картах и ​​о принадлежности организаций.

    Ссылки

    1. Rollbusch P, et al. Барботажные колонны работали в промышленных условиях — текущее понимание проектных параметров.Chem. Англ. Sci. 2015; 126: 660–678. DOI: 10.1016 / j.ces.2014.11.061. [CrossRef] [Google Scholar] 2. Дудукович М.П., ​​Ларачи Ф., Миллс ПЛ. Многофазные каталитические реакторы: взгляд на текущие знания и будущие тенденции. Катал. Ред. 2002; 44: 123–246. DOI: 10,1081 / CR-120001460. [CrossRef] [Google Scholar] 3. Ге В., Ли Дж. Макромасштабные явления, воспроизводимые в микроскопических системах — псевдочастичное моделирование псевдоожижения. Chem. Англ. Sci. 2003. 58: 1565–1585. DOI: 10.1016 / S0009-2509 (02) 00673-5. [CrossRef] [Google Scholar] 4.Wu Y, Gidaspow D. Гидродинамическое моделирование синтеза метанола в газожидкостных барботажных колонных реакторах. Chem. Англ. Sci. 2000. 55: 573–587. DOI: 10.1016 / S0009-2509 (99) 00313-9. [CrossRef] [Google Scholar] 5. Смит Дж. С., Валсарадж К. Т.. Реакторы барботажные колонны для очистки сточных вод. 3. Пилотная очистка растворителем пирена и пентахлорфенола из модельных сточных вод. Ind. Eng. Chem. Res. 1997; 36: 903–914. DOI: 10.1021 / ie9605241. [CrossRef] [Google Scholar] 6. Анастасиу А., Пассос А., Муза А. Пузырьковые колонны с мелкопористым барботером и неньютоновской жидкой фазой: прогнозирование удержания газа.Chem. Англ. Sci. 2013; 98: 331–338. DOI: 10.1016 / j.ces.2013.05.006. [CrossRef] [Google Scholar] 7. Ван Т., Ван Дж. Численное моделирование массопереноса газ – жидкость в пузырьковых колоннах с помощью связанной модели CFD – PBM. Chem. Англ. Sci. 2007; 62: 7107–7118. DOI: 10.1016 / j.ces.2007.08.033. [CrossRef] [Google Scholar]

    8. Монахан, С. М. Анализ гидродинамики воздушно-водяных пузырьковых колонн (2007).

    9. Монахан С.М., Фокс РО. Линейный анализ устойчивости двухжидкостной модели пузырьковых колонн воздух-вода.Chem. Англ. Sci. 2007. 62: 3159–3177. DOI: 10.1016 / j.ces.2007.03.021. [CrossRef] [Google Scholar] 10. Кришна Р., Си С. Проектирование и масштабирование шламового реактора с барботажной колонной Фишера-Тропша. Топливный процесс. Technol. 2000. 64: 73–105. DOI: 10.1016 / S0378-3820 (99) 00128-9. [CrossRef] [Google Scholar] 11. Аль-Баали АА-Г, Фарид ММ. Стерилизация продуктов в ретортных пакетах. Берлин: Спрингер; 2006. С. 33–44. [Google Scholar] 12. Ян П. и др. Численное моделирование характеристик пузырьков в пузырьковых колоннах с различной вязкостью жидкости и поверхностным натяжением с использованием связанной модели CFD-PBM.Chem. Англ. Res. Des. 2020; 154: 47–59. DOI: 10.1016 / j.cherd.2019.11.030. [CrossRef] [Google Scholar] 13. Bhusare V, Dhiman M, Kalaga DV, Roy S, Joshi JB. CFD-моделирование пузырьковой колонны с внутренними элементами и без них с использованием OpenFOAM. Chem. Англ. J. 2017; 317: 157–174. DOI: 10.1016 / j.cej.2017.01.128. [CrossRef] [Google Scholar] 14. Pourtousi M, Sahu J, Ganesan P. Влияние межфазных сил и моделей турбулентности на прогнозирование структуры потока внутри пузырьковой колонны. Chem. Англ. Процесс. 2014; 75: 38–47. DOI: 10.1016 / j.cep.2013.11.001. [CrossRef] [Google Scholar] 15. Вехингер Г.Д., Петерс Дж., Музаферия С., Эппингер Т., Крауме М. Численное моделирование вертикальной волновой динамики жидкой пленки. Chem. Англ. Sci. 2013; 104: 934–944. DOI: 10.1016 / j.ces.2013.10.027. [CrossRef] [Google Scholar] 16. Лю Ю., Хинрихсен О. Исследование замыканий турбулентности CFD – PBM на основе моделей k – ε и напряжения Рейнольдса для гетерогенных потоков в пузырьковой колонне. Comput. Жидкости. 2014; 105: 91–100. DOI: 10.1016 / j.compfluid.2014.09.023. [CrossRef] [Google Scholar] 17.Бабанежад М., Нахджири А.Т., Резаказеми М., Ширазян С. Разработка интеллектуального алгоритма в виде обзора машинного обучения над большими данными, созданными методом Эйлера-Эйлера, для моделирования гидродинамики пузырькового колонного реактора. САУ Омега. 2020; 5: 20558. DOI: 10.1021 / acsomega.0c02784. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 18. Бабанежад М., Пишнамази М., Марджани А., Ширазян С. Предсказание пузырькового потока с помощью рандомизированного искусственного обучения нейронных ячеек и нечетких систем на основе k – ε турбулентности и набора данных модели Эйлера.Sci. Отчет 2020; 10: 1–12. DOI: 10.1038 / s41598-019-56847-4. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 19. Бабанежад М., Нахджири А.Т., Ширазян С. Изменения в количестве функций принадлежности для прогнозирования объемной доли газа в двухфазном потоке с использованием кластеризации с разбиением по сетке метода ANFIS. САУ Омега. 2020; 5: 16284–16291. DOI: 10.1021 / acsomega.0c02117. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 20. Зейнали М., Мазлан С.А., Чой С.Б., Имадуддин Ф., Хамдан Л.Х. Влияние поршня и магнитных катушек на полевые характеристики демпфирования смешанного магнитореологического демпфера.Smart Mater. Struct. 2016; 25: 055010. DOI: 10.1088 / 0964-1726 / 25/5/055010. [CrossRef] [Google Scholar] 21. Pourtousi M, Zeinali M, Ganesan P, Sahu JN. Прогнозирование структуры многофазного потока внутри реактора с трехмерной барботажной колонной с использованием комбинации CFD и ANFIS. RSC Adv. 2015; 5: 85652–85672. DOI: 10.1039 / c5ra11583c. [CrossRef] [Google Scholar] 22. Pourtousi M, Sahu JN, Ganesan P, Shamshirband S, Redzwan G. Комбинация вычислительной гидродинамики (CFD) и адаптивной нейронечеткой системы (ANFIS) для прогнозирования гидродинамики пузырькового столба.Пудра Технол. 2015; 274: 466–481. DOI: 10.1016 / j.powtec.2015.01.038. [CrossRef] [Google Scholar] 23. Нгуен К., Бабанежад М., Тагвайе Нахджири А., Резаказеми М., Ширазян С. Прогнозирование теплового распределения и потока жидкости в области с мульти-твердыми структурами с использованием кубической интерполированной модели псевдочастиц. PLoS ONE. 2020; 15: e0233850. DOI: 10.1371 / journal.pone.0233850. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 24. Бабанежад М., Тагвайе Нахджири А., Резаказеми М., Ширазян С. Разработка интеллектуального алгоритма в виде обзора машинного обучения над большими данными, созданными методом Эйлера-Эйлера, для моделирования гидродинамики пузырькового колонного реактора.САУ Омега. 2020; 5: 20558. DOI: 10.1021 / acsomega.0c02784. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar] 25. Варол Ю., Коджа А., Озтоп Х. Ф., Авчи Э. Анализ системы нечеткого вывода на основе адаптивных сетей (ANFIS) для оценки поля потока, вызванного плавучестью, в частично обогреваемых треугольных корпусах. Эксперт Syst. Прил. 2008; 35: 1989–1997. DOI: 10.1016 / j.eswa.2007.08.073. [CrossRef] [Google Scholar] 26. Варол Й, Авджи Э, Коджа А, Озтоп ВЧ. Прогнозирование полей потока и распределения температуры из-за естественной конвекции в треугольном корпусе с использованием адаптивной сетевой системы нечеткого вывода (ANFIS) и искусственной нейронной сети (ANN) Int.Commun. Тепломассообмен. 2007. 34: 887–896. DOI: 10.1016 / j.icheatmasstransfer.2007.03.004. [CrossRef] [Google Scholar] 27. Нгуен К., Бехроян И., Резаказеми М., Ширазян С. Прогнозирование скорости жидкости внутри пузырькового колонного реактора с использованием алгоритма ANFIS на основе входных данных CFD. Араб. J. Sci. Англ. 2020; 45: 7487. DOI: 10.1007 / s13369-020-04611-6. [CrossRef] [Google Scholar] 28. Нгуен К., Тагвайе Нахджири А., Резаказеми М., Ширазян С. Тепловая и поточная визуализация квадратного источника тепла в наножидкостном материале с кубической интерполированной псевдочастицей.САУ Омега. 2020; 5: 17658. DOI: 10.1021 / acsomega.0c02173. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

    29. Shi, Y. & Eberhart, R.C. In Proc. 2001 Конгресс по эволюционным вычислениям (IEEE Cat. No. 01TH8546) 101–106 (IEEE).

    30. Ху В., Чен З, Бак-Йенсен Б., Ху Ю. Оптимизация нечеткого адаптивного роя частиц для минимизации потерь мощности в распределительных системах с использованием оптимального отклика на нагрузку. IET Gener. Трансм. Дистриб. 2014; 8: 1–10. DOI: 10.1049 / iet-gtd.2012.0745. [CrossRef] [Google Scholar] 31.Нешат М. FAIPSO: Нечеткая адаптивная оптимизация роя информированных частиц. Neural Comput. Прил. 2013; 23: 95–116. DOI: 10.1007 / s00521-012-1256-z. [CrossRef] [Google Scholar] 32. Никнам Т., Мохаррад HD, Найерипур М. Новая нечеткая адаптивная оптимизация роя частиц для негладкой экономической диспетчеризации. Энергия. 2010; 35: 1764–1778. DOI: 10.1016 / j.energy.2009.12.029. [CrossRef] [Google Scholar] 33. Laborde-Boutet C, et al. CFD-моделирование явления гидродинамического / теплового взаимодействия в пузырьковой колонне с внутренними устройствами.Айче Дж. 2010; 56: 2397–2411. [Google Scholar] 34. Баша ОМ, Венг Л., Мэн З., Морси Б.И. CFD-моделирование с экспериментальной проверкой внутренней гидродинамики в пилотном реакторе с пузырьковой колонной. Int. J. Chem. Reactor Eng. 2016; 14: 599–619. DOI: 10.1515 / ijcre-2015-0165. [CrossRef] [Google Scholar] 35. Закон D, Battaglia F, Heindel TJ. Проверка модели для потоков пузырькового столба с низкой и высокой приведенной скоростью газа. Chem. Англ. Sci. 2008. 63: 4605–4616. DOI: 10.1016 / j.ces.2008.07.001. [CrossRef] [Google Scholar] 36.Ляо Й., Креппер Э., Лукас Д. Базовая концепция закрытия для моделирования пузырькового потока с фазовым переходом: механистическая модель для коэффициента межфазной теплопередачи. Nucl. Англ. Des. 2019; 348: 1–13. DOI: 10.1016 / j.nucengdes.2019.04.007. [CrossRef] [Google Scholar] 37. Боле М., Джоши Дж., Рамкришна Д. CFD-моделирование пузырьковых колонн с использованием моделирования баланса населения. Chem. Англ. Sci. 2008; 63: 2267–2282. DOI: 10.1016 / j.ces.2008.01.013. [CrossRef] [Google Scholar] 38. Díaz ME и др. Численное моделирование газожидкостного потока в пузырьковой колонне лабораторного масштаба: влияние распределения пузырьков по размерам и сил отсутствия сопротивления.Chem. Англ. J. 2008; 139: 363–379. DOI: 10.1016 / j.cej.2007.08.015. [CrossRef] [Google Scholar] 39. Экамбара К., Дхотре М. Моделирование пузырьковой колонны с помощью CFD. Nucl. Англ. Des. 2010; 240: 963–969. DOI: 10.1016 / j.nucengdes.2010.01.016. [CrossRef] [Google Scholar] 40. Nakhjiri AT, Roudsari MH. Моделирование процесса естественной конвекции теплопередачи в пористых и непористых средах. Прил. Res. J. 2016; 2: 199–204. [Google Scholar] 41. Fan W, Yuan L, Li Y. CFD Моделирование структуры потока в реакторе с барботажной колонной для формирования аэробных гранул и его развития.Environ. Technol. 2019; 40: 3652–3667. DOI: 10.1080 / 09593330.2018.1484522. [PubMed] [CrossRef] [Google Scholar] 42. Бехроян И., Ганесан П., Хе С., Сивасанкаран С. Сравнительное исследование CFD-моделей при кипении недогретых потоков наножидкостей в вертикальной трубе. Нумер. Теплопередача A Appl. 2018; 73: 55–74. DOI: 10.1080 / 10407782.2017.1420299. [CrossRef] [Google Scholar] 43. Ю. Ю., Ким С. Д.. Характеристики пузырьков в радиальном направлении трехфазных псевдоожиженных слоев. Варенье. Inst. Chem. Англ. DOI 1988: 10.1002 / aic.6217.[CrossRef] [Google Scholar] 44. Неджах Н., де Маседо Мурель Л. Интеллектуальные системы роя. Берлин: Спрингер; 2006. [Google Scholar] 45. Ши Й., Эберхарт Р. Ежегодная конференция по эволюционному программированию. Берлин, Гейдельберг: Спрингер; 1994. С. 591–600. [Google Scholar]

    46. Ши, Ю. и Эберхарт, Р. В Международная конференция IEEE 1998 г. по процедурам эволюционных вычислений. Всемирный конгресс IEEE по вычислительному интеллекту (каталожный номер 98TH8360) 69–73.

    Posted in Разное

    Добавить комментарий

    Ваш адрес email не будет опубликован.

    Параметры системы нечеткого вывода
    Процент данных для обучения (P) 76%
    Количество данных 9477
    Итерация данных метод кластеризации Кластеризация FCM
    Функция принадлежности (MF) Gaussmf
    Число кластеров (NC) 30
    Количество правил и выходных MFs