基于CFD-ANN与MOO-MCDM的间歇式搅拌槽关键操作参数优化及能效提升研究

本研究针对搅拌槽工业应用中能耗与混合效率难以协同优化的难题，通过开发CFD-ANN耦合模型和MOO-MCDM方法，系统分析了转速(N)、填充量(φ)和固含量(ω)对功率(P)、流量数(NQ)和浓度标准差(σ)的影响。研究揭示了参数间强相关性(R2>0.98)，通过帕累托前沿决策获得加权最优解，较基准案例最高降低能耗91.67%，提升流量数16.79%，为工业搅拌过程节能增效提供了创新解决方案。

　　

在湿法冶金和化工生产中，搅拌槽作为核心设备承担着固液混合、反应传质等关键功能。然而，随着全球高品位矿产资源日益枯竭，处理低品位复杂矿石的需求激增，这对搅拌工艺提出了更高要求。传统搅拌槽面临两大矛盾：一方面矿物提取需要更强的混合强度(反映为流量数N_Q和浓度均匀性σ)，另一方面能耗(功率P)占整个车间能源损耗的50%。更棘手的是，转速(N)、填充量(φ)和固含量(ω)等操作参数间存在复杂非线性交互，采用传统"单因素法"难以揭示其协同作用机制。

针对这一工程难题，江西理工大学的研究团队在《Powder Technology》发表创新研究。他们构建了三维CFD(计算流体力学)与ANN(人工神经网络)的混合模型，结合MOO(多目标优化)和MCDM(多准则决策)方法，首次系统量化了操作参数对搅拌性能的多重影响。通过Sobol敏感性分析发现，转速对功率的贡献度高达72.3%，而固含量与填充量的交互作用对浓度标准差σ影响显著。基于NSGA-II算法获得的帕累托前沿，采用熵权-TOPSIS决策得到最优参数组合：与基准案例相比，该方案实现流量数提升16.79%、浓度不均匀性降低67.77%，同时能耗最高减少91.67%。

关键技术包括：(1)采用最优拉丁超立方设计获取代表性样本点；(2)建立3D-GABP神经网络(遗传算法优化的反向传播网络)作为代理模型；(3)集成Sobol全局敏感性分析方法；(4)应用NSGA-II进行多目标优化；(5)通过EWM(熵权法)-TOPSIS(优劣解距离法)实现决策量化。

关键参数定义
研究选取45°六叶桨搅拌槽，通过欧拉-欧拉多相流模型模拟固液混合过程。定义功率P反映能耗，流量数N_Q=Q/ND³表征泵送效率(Q为流量)，浓度标准差σ=√(∑(c_i-c?)²/n)评估混合均匀性。

三维模型与网格划分
简化实际190mm直径平底槽结构，采用多参考系法处理动区域，网格独立性验证显示2.8×10⁵网格数可平衡精度与计算成本。宏观模型通过作者前期实验验证(R²>0.95)。

参数影响机制
CFD模拟显示：P∝N^2.85，与经典理论一致；φ从0.6增至0.8时，N_Q下降23.4%；ω>15%会导致σ陡增，这与颗粒间碰撞导致的粘度突变有关。ANN预测表明三参数对P、N_Q、σ的联合解释度达98.2%。

结论与意义
该研究突破传统单参数优化局限，首次实现操作参数的多目标协同优化。提出的CFD-ANN-MOO框架：(1)将实验成本降低90%以上；(2)量化了参数交互作用(如φ×ω对σ的贡献达18.7%)；(3)通过3D-GABP模型实现高精度预测(MAPE<3.5%)。工业应用表明，优化方案可使吨矿搅拌能耗降至0.38kWh，为双碳目标下的流程工业节能提供了新范式。Zhengquan Li团队指出，该方法可扩展至反应器设计和结晶过程优化，但需进一步研究非牛顿流体下的模型泛化能力。