基于注意力神经网络代理模型实现工业搅拌罐生物反应器三维底物浓度场的快速高精度预测

《Nature Communications》：Machine-learning surrogates enable rapid prediction of 3-D substrate gradients in industrial bioreactors

　　

摘要

高保真计算流体力学（CFD）能够提供工业搅拌罐式生物反应器中详细的底物梯度预测，但其计算量巨大，限制了其常规应用。我们开发了基于\(760\)组CFD模拟训练的代理模型，可根据全局操作条件（如搅拌转速、进料策略、进料点位置、流体密度和黏度、液位、生物动力学参数、生物量浓度）以及局部空间描述符（如距进料点的距离）快速预测完整的三维底物浓度场。在各种方法中，基于注意力的神经网络取得了最高的精度（测试\({{{\rm{R}}}}^{2}\approx 0.91\)），能够捕捉关键的混合特征，并实现毫秒级推理——相比CFD，速度提升高达百万倍。这些代理模型便于快速探索操作空间，支持生物加工中的实时优化和数字孪生框架。我们的结果表明，数据驱动模型能够有效耦合流体力学与生物动力学，提供快速且精确的空间预测，推进了工业生物反应器设计与控制的能力。