基于机器学习的L形脉冲筛板萃取塔体积总传质系数预测

《Scientific Reports》：Machine learning modeling of the volumetric overall mass transfer coefficient in a novel L-shaped pulsed sieve plate extraction column

　　体积总传质系数是液液萃取塔设计中的关键参数，但对于非标准几何结构而言，对其进行可靠预测仍然困难。本研究运用机器学习方法，针对一种新型L形脉冲筛板萃取塔的水平段和垂直段，同时预测其体积总传质系数——这是任何单一关联式均未涉及的任务，因为两段分别在不同的分散制度和混合沉降器水动力制度下运行。研究人员使用来自两个液液体系的实验数据，训练了人工神经网络、随机森林和支持向量回归模型。人工神经网络模型在两段均取得了最高精度，在小规模留出集上（每段四个测试工况）的决定系数超过0.98，平均绝对相对误差低于6%，优于已发表的针对传统垂直萃取塔开发的经验关联式。敏感性分析表明，分散相含率和液滴尺寸是两段中起主导作用的预测变量。基于神经网络的响应面分析确定了最优操作条件，残差诊断结果显示在整个预测值范围内无明显系统性偏差。鉴于数据集有限（每段36个操作工况），该模型被认为在已研究的实验域内适用于内插，其泛化能力仍有待用更大的数据集进行验证。