1、填料塔在工業(yè)生產(chǎn)中具有廣泛的應用，主要的流體力學性能包括了持液量、泛點、載點、壓降等重要參數(shù)，為了盡可能提高塔的水力學性能，改善生產(chǎn)效率，必須確定其可工作的合適范圍。因此，準確預測填料塔的重要參數(shù)具有重要的研究意義和應用價值。
　　本文首先回顧了填料塔重要參數(shù)的發(fā)展歷史，針對現(xiàn)有的經(jīng)驗模型在建立和預測過程中存在的缺點，提出了兩種預測模型，仿真和實驗測試均表明其可用于填料塔重要參數(shù)的預測。主要研究工作和創(chuàng)新點如下:
　　(1)

2、結(jié)合過程工業(yè)中數(shù)據(jù)存在非線性和關聯(lián)性等特點，對極限學習機(ExtremeLearning Machine，ELM)建模方法進行改進，最終提出了適用于非線性系統(tǒng)辨識的遞推嶺參數(shù)極限學習機(Recursive Ridge Extreme Learning Machine，RRELM)方法，其遞推方式可以做到快速地更新模型，提高模型的計算效率;而選擇性的增刪節(jié)點在限制模型復雜度的同時還保證了預測的精度。
　　(2)結(jié)合仿真軟件，模擬不同

3、工況下各種填料在各種規(guī)格填料塔中的運行情況，獲得相應的重要參數(shù)數(shù)據(jù)。然后通過分析數(shù)據(jù)的特點，分別建立了持液量、泛點、載點、壓降的RRELM預測模型。同時與兩種經(jīng)典的神經(jīng)網(wǎng)絡模型進行對比，結(jié)果表明RRELM模型通用性更高，預測效果更好。
　　(3)在實際應用中，填料類型多種多樣，獲取的填料數(shù)據(jù)之間也會存在一定的差異性，單一RRELM模型的預測效果受到一定的限制。提出了局部遞推嶺參數(shù)極限學習機(Local Recursive Ridg