基于自编码器半替代模型的CO2 气泡在醇胺溶液中反应数值模拟：计算效率与精度的平衡

针对CO2 气泡在醇胺溶液中传质过程CFD模拟计算成本高、速度慢的问题，研究人员提出一种基于自编码器的半替代模型，通过BiLSTM+Attention网络结构校正粗网格数据，结合改进蜣螂优化算法（IDBO）提升超参数精度。结果表明：高速模式下加速比达19.2倍（R2 0.8），高精度模式加速比6倍（R2 0.95），为流体力学机器学习应用提供新范式。

　　

随着全球气候变化加剧，碳捕集技术成为研究热点。其中，醇胺溶液吸收结合鼓泡塔反应器的化学吸收法因结构简单、效率高等优势成为主流工业技术。然而，传统计算流体力学(CFD)模拟CO₂
气泡在醇胺溶液中的传质过程面临计算成本高、耗时长等挑战，尤其在材料筛选等需重复计算的场景中更为突出。虽然机器学习与CFD结合的半替代模型展现出潜力，但现有方法存在误差累积、时序特征捕捉不足等问题。

北京超级云计算中心等机构的研究团队在《Powder Technology》发表研究，提出基于自编码器的创新半替代模型。该方法采用BiLSTM+Attention网络架构，通过离线训练学习粗网格到细网格的校正规则，在线阶段以1/5（高精度）或1/10（高速）网格比进行CFD计算，结合改进蜣螂优化算法(IDBO)自动调参。关键技术包括：1) 基于欧拉-欧拉模型的CFD两相流模拟；2) 具有时序特征提取能力的BiLSTM网络；3) 注意力机制强化气泡运动状态表征；4) IDBO算法优化隐藏层神经元数、正则化系数等超参数。

CFD控制方程介绍
采用欧拉-欧拉模型描述气液两相流，通过连续性方程、动量方程和组分运输方程构建控制体系，其中气泡相采用群体平衡模型(PBM)描述尺寸分布，传质过程由双膜理论计算。

深度神经网络架构
设计包含编码器-解码器的BiLSTM网络，编码器将粗网格数据降维至潜在空间，解码器重构为细网格数据。Attention机制聚焦气泡运动关键时间步，实验显示该结构比传统XGBoost模型时序特征提取能力提升37%。

基于自然启发算法的超参数优化
针对BiLSTM的12项超参数，采用改进蜣螂优化算法(IDBO)进行全局搜索，相比遗传算法收敛速度提升22%，最终使高速模式R²
从0.81提升至0.87。

结论
研究实现了计算效率与精度的突破：1) 高精度模式（1/5网格比）加速比达6倍，R²

0.95；2) 高速模式（1/10网格比）加速比19.2倍，R²
0.85；3) 在气泡直径0.5-5mm范围内，外推预测误差低于传统方法63%。该模型成功解决了误差累积和时序依赖性问题，其BiLSTM+Attention架构为流体力学数据建模提供新思路，IDBO算法的应用也为复杂网络调参提供范例。

讨论指出，该方法在工业碳捕集系统优化设计、实时过程控制等方面具有应用潜力，未来可扩展至多相流反应器模拟领域。研究获得国家自然科学基金（52330003、42403066）等项目的支持。