基于深度学习的深海采矿固液两相管流三维颗粒体积分数场单截面重建方法

本文创新性地提出一种两阶段深度学习模型，通过单截面数据实现垂直提升管中固液两相流三维颗粒体积分数（PVF）场的高精度重建（R2=0.962，MSE=3.98×10?4）。模型融合上采样模块与改进自编码器（含跳跃连接和多头交叉注意力机制），可精准捕捉不规则颗粒聚集特征，在输入噪声、管道长度变化及新浓度场景下均表现优异，为深海采矿运输系统实时监测提供突破性解决方案。

　　

Highlight

本研究开发的深度学习模型成功实现从单截面数据重建固液两相管流全局三维瞬时颗粒体积分数（PVF）场。其创新性体现在两阶段架构设计：第一阶段上采样模块解决维度失配问题，第二阶段增强型自编码器整合U-Net式跳跃连接（保留多尺度空间信息）与多头交叉注意力机制（实现潜在特征与高维特征的动态交互），为复杂多相流系统实时监测提供全新工具。

Results and discussion

模型评估显示：在标准工况下，重建精度达R²=0.962，均方误差3.98×10^?4，可精确捕捉不规则颗粒聚集模式；鲁棒性测试表明，模型对不同输入截面位置、强噪声（信噪比低至10dB）及超长管道（50倍管径）均保持稳定性能；迁移学习验证中，仅需10%训练样本即可适配新颗粒浓度场景，训练时间缩短90%以上且精度达标。

Conclusion

该模型通过两阶段架构突破单截面重建三维PVF场的技术瓶颈：上采样模块生成初始场估计，增强自编码器（含注意力机制和跳跃连接）实现特征精修。研究成果为深海采矿千米级管道的实时流态监控、堵塞预警和能效优化奠定理论基础，未来可扩展至其他高长径比多相流系统。