基于图神经网络(GNN)的稠密颗粒悬浮体系曳力模型构建与动态行为解析

针对流体-颗粒多相流中局部瞬时曳力预测难题，弗吉尼亚理工学院团队创新性地采用图神经网络(GNN)架构，结合静态图卷积网络(GCN)和动态注意力机制(GAT+Transformer)，首次实现了移动颗粒曳力的高精度预测。研究发现双向消息传递和课程学习策略显著提升模型性能，动态模型在较高雷诺数(Re=10-300)下预测优势明显，为复杂多相流系统的数值模拟提供了新范式。

　　

在流体力学与化工领域，颗粒-流体两相流系统的动力学行为预测一直是重大挑战。传统基于平均曳力关联式的方法无法捕捉局部瞬时相互作用，而粒子解析模拟(PRS)虽能提供精确数据但计算成本高昂。更棘手的是，现有深度学习模型多针对静态颗粒体系开发，当面临实际工程中常见的移动颗粒系统时，预测精度急剧下降。这种理论模型与工程实践的鸿沟，严重制约着流化床反应器、药物输送系统等关键装备的优化设计。

弗吉尼亚理工学院Neil Ashwin Raj团队在《Powder Technology》发表的研究，开创性地将图神经网络(GNN)引入该领域。研究通过GenIDLEST软件结合浸没边界法(IBM)生成动态颗粒数据集，构建了包含静态图卷积网络(GCN)和动态图注意力网络(GAT+Transformer)的双模型架构。特别引入课程学习策略逐步增加邻域颗粒数，并创新性地验证了消息传递方向性对预测精度的影响。

关键技术包括：1) 基于PRS生成Re=10-300的动态颗粒数据集；2) 采用GCN处理孤立时间步数据；3) 开发GAT-Transformer混合架构捕捉历史依赖；4) 实施渐进式邻域扩展的课程学习；5) 通过R²和相对误差指标量化性能。

【Simulation method and parameter range】
研究采用三重周期性边界条件，背景网格分辨率1/40d_p（d_p为粒径），覆盖固体分数0.1-0.35的悬浮体系。通过改变重力方向与平均流速的相对关系，模拟不同Re下的颗粒运动。

【Methods】
静态模型将每个时间步视为独立图结构，节点特征包含局部流速和颗粒位置；动态模型则通过注意力机制聚合历史状态。关键创新在于比较了内向、外向和双向三种消息传递模式，发现POI（兴趣颗粒）向外传递信息的双向模式最优。

【Results】
动态模型在Re>100时展现出显著优势，测试集R²达0.94。课程学习策略使模型在预测15个邻域颗粒时的误差比直接训练降低37%。特别值得注意的是，Transformer模块有效捕捉了颗粒加速度对曳力的非线性影响。

【Conclusions】
该研究首次证明GNN在动态颗粒系统中的适用性，其核心贡献在于：1) 建立考虑历史状态的预测框架；2) 揭示消息传递方向性对物理量预测的关键作用；3) 开发适用于多体系统的课程学习范式。这项工作为开发下一代多相流CFD-DEM耦合模型奠定了算法基础，尤其对处理高Re数下的颗粒-湍流相互作用具有重要价值。研究团队指出，未来可扩展至非球形颗粒系统，并探索GNN在升力、扭矩预测中的应用潜力。