基于机器学习与机理模型融合的旋流器三维内场状态快速预测方法

本文创新性地提出了一种结合机器学习（ML）与计算流体力学（CFD）机理模型的混合方法，用于实时高精度预测旋流器三维内场状态（如压力场、速度场）。通过改进滑移平均预处理算法和堆叠集成学习架构，模型将数值模拟耗时从50小时缩短至10秒，压力场均方误差降低29.2%，性能指标（压降、分配曲线等）预测误差<5%，为矿物加工领域的智能控制提供了突破性解决方案。（专业术语：CFD-DEM/CFD-LPT/MAE）

　　

Highlight

本研究开发了一种数据驱动模型替代传统机理模型，实现旋流器内部多相流状态的实时高分辨率预测。基于CFD机理模型构建了包含多种工况下内场状态（如速度分布、空气核形态）和性能指标（压降ΔP、分配曲线等）的数据库，并提出改进的三维滑移平均预处理算法，有效解决了物理场数据梯度突变导致的预测精度损失问题。

Methodology

1. 1.

   机理模型构建：采用CFD-LPT（计算流体动力学-拉格朗日粒子追踪）方法生成训练数据，捕捉固液两相流动态特性；

2. 2.

   数据预处理：创新性提出"滑移平均算法"，通过局部数据平滑处理保留三维场空间分辨率（网格尺寸精度达毫米级）；

3. 3.

   预测模型架构：设计双层堆叠集成学习模型，底层采用XGBoost和随机森林处理不同物理场（压力场MAE<3kPa），顶层通过元学习器整合多场预测结果。

Results and discussion

• •

  效率突破：单次三维全场预测仅需10秒，较传统CFD模拟（50小时）提速18000倍；

• •

  精度验证：压力场均方误差（MSE）从82300降至58300，关键性能指标（如分流比、分级效率）预测误差均<5%；

• •

  工业价值：模型成功捕捉锥段湍流涡旋（vortex core）和空气核动态变化，为实时优化进料流速（v_in）和底流浓度（C_w）提供可能。

Conclusions and future work

该模型首次实现旋流器三维内场的"数字孪生"级预测，未来将拓展至CFD-DEM耦合的高浓度矿浆（C_solid>30%）场景，并开发基于强化学习（RL）的自适应控制系统。