基于XGBoost增强的CFD-DEM耦合模拟中颗粒曳力模型优化研究

为解决传统曳力模型在CFD-DEM模拟中难以捕捉颗粒局部非均匀性（如团聚效应）的问题，研究人员采用XGBoost机器学习框架开发了新型曳力预测模型。该模型通过归一化策略和邻居粒子空间位置特征，显著提升了对Re（10-200）和φ（0.1-0.35）范围内单个颗粒曳力的预测精度，并在流化床模拟中验证了其优于传统关联式的性能，为工业级颗粒-流体系统模拟提供了新工具。

　　

在流体-颗粒多相系统模拟中，传统基于雷诺数(Re)和空隙率(ε)的统计平均曳力模型长期面临重大挑战：当颗粒发生局部团聚或动态演化时，这些忽略邻居粒子空间分布的模型会显著偏离实际。尤其对于流化床、气力输送等工业场景，现有模型在Re>50或φ>0.2条件下的预测误差可达20%以上。尽管近年出现了考虑15个最近邻粒子位置的ANN模型和基于PIEP（成对相互作用扩展）的线性回归方法，但前者存在过拟合风险，后者则因需重构流场而计算成本高昂。

大连理工大学（原文献中Dalian University of Technology）的Ze Cao与Virginia Tech的Danesh.K. Tafti团队在《Powder Technology》发表的研究中，创新性地采用XGBoost（极限梯度提升）算法构建了兼顾精度与效率的曳力预测模型。该模型突破性地将目标颗粒的曳力表示为悬浮体系平均值的归一化量，输入特征仅需Re、φ及15个邻居的三维相对坐标，避免了复杂的流场重建。通过浸没边界法(IBM)获取的PRS（颗粒解析模拟）数据集训练后，模型在φ=0.25、Re=100的测试案例中，将单个颗粒曳力预测的均方根误差降至传统关联式的1/3。

关键技术包括：1）基于IBM的PRS生成覆盖Re 10-200、φ 0.1-0.35的颗粒悬浮体系数据；2）XGBoost集成决策树构建特征-曳力映射；3）Voronoi镶嵌定义局部φ；4）将模型嵌入OpenFOAM-DEM耦合框架进行流化床验证。

PRS数据收集
通过IBM模拟静态球体悬浮体系，验证网格独立性后采集了包含2.4×10⁵组数据的训练集，涵盖单颗粒至φ=0.35的密集系统。

XGBoost模型架构
采用加权分位数策略处理空间坐标特征，通过早停法控制过拟合。相比PhyDNN等深度学习模型，其训练速度提升5倍且内存占用减少60%。

CFD-DEM耦合验证
在Geldart-D颗粒流化床模拟中，新模型在Re=180工况下将床层膨胀高度预测误差从传统模型的15%降至3%，显著改善了气泡动力学的捕捉能力。

该研究首次实现了机器学习曳力模型在工业尺度CFD-DEM模拟中的实用化，其归一化策略使模型对未训练区域的Re和φ具备外推能力。未来可通过迁移学习扩展至非球形颗粒系统，为化工、能源装备的数字化设计提供新范式。