《Polymer Engineering & Science》：Experimental Validation of Prediction Models of Pressure-Throughput Behavior for Melt-Conveying Elements in Fully Intermeshing Co-Rotating Twin-Screw Extruders
编辑推荐：
共啮合同向双螺杆挤出机（twin-screw extruder）的熔体输送（melt conveying）建模与仿真通常依赖广义无量纲（dimensionless）模型。近年来，研究人员提出了结合物理机制与大规模仿真及机器学习（ML）的新型通用混合模型（hyb
共啮合同向双螺杆挤出机（twin-screw extruder）的熔体输送（melt conveying）建模与仿真通常依赖广义无量纲（dimensionless）模型。近年来，研究人员提出了结合物理机制与大规模仿真及机器学习（ML）的新型通用混合模型（hybrid models）。本研究针对四种聚合物牌号、三种螺杆元件几何结构及大范围挤出机设定工况，对上述模型的压力-通量（pressure-throughput）行为进行实验验证。通过自动化数据处理流程评估数据，研究人员获得平均预测误差7.3%，模型与实测结果高度吻合；但不确定性分析表明，较大测量噪声使处理后实验数据的平均不确定性升至14.5%。进一步研究表明，实验结果对黏度波动高度敏感，而黏度又强烈依赖于温度，并假设存在恒定代表性剪切速率（representative shear rate）。多数工况下熔体通道内存在宽温域分布，研究人员通过蒙特卡洛（Monte Carlo）方法数值求解代表性杯混温度（cup-mixing temperature）予以表征。尽管存在上述局限，混合模型仍与实验数据一致，并优于现有解析建模框架。
研究背景与问题提出
在全啮合同向双螺杆挤出机（co-rotating twin-screw extruder）的聚合物加工过程中，熔体输送（melt conveying）环节负责物料输运并在模头侧建立压力，其输送性能直接决定完全充满区长度、能耗与熔体温度。传统解析模型以Potente等提出的平板展开近似（flat-plate approximation）为代表，虽具通用性，但依赖单螺杆挤出中的几何简化与啮合区假设，精度有限；其余文献模型多局限于特定实验或仿真数据，难以在元件几何与物料间通用。为避免昂贵试错并指导螺杆设计，亟需既通用又高精度的代数化预测模型。基于此，研究人员此前构建了JKU混合模型（hybrid models），由大规模数值仿真结合遗传编程符号回归（symbolic regression）得到无量纲代数关联式；本文核心任务即对该模型开展系统实验验证。
研究人员以Leistritz ZSE-27MAXX共旋转双螺杆挤出机为平台，选取三种自清洁双头输送元件（Conv_30、Conv_40、Conv_30_W，其中Conv_30_W以更大间隙模拟磨损螺杆），覆盖四种物料：三种聚丙烯（PP-A、PP-B、PP-C，熔融流动速率MFR梯度从0.3至125 g/10 min）与一种聚苯乙烯（PS，MFR 3.9 g/10 min）。在300与500 rpm螺杆转速、15至80 kg/h计量喂料区间内设置宽工况，并以节流块调节背压保证目标元件完全充满。研究人员得出结论：混合模型平均绝对百分比误差（MAPE）约7.3%，中位数绝对百分比误差更低，显著优于Potente解析模型与Düphans实验模型；在不确定性区间内，模型命中率约70.8%，证明其在所测螺距与间隙范围内具备通用性与工程适用性。该研究意义在于不仅验证了混合模型，还建立了基于真实挤出过程而非专用试验台的输送参数精确测量方法论。
主要关键技术方法
研究人员采用四项关键技术：其一，自动化Python数据处理流水线，实现压力、温度与时间序列的区间自动截取与日志化校验；其二，基于Tait状态方程由pvT数据计算熔体密度与体积流量；其三，采用Carreau黏度模型耦合类阿伦尼乌斯温度修正，并以Vergnes法估算代表性剪切速率，处理非牛顿剪切变稀行为；其四，沿熔体通道径向三点测温，以杯混温度积分结合蒙特卡洛采样量化温度梯度引起的黏度散布。样本来自上述三几何元件、四物料、宽工况实验队列，未使用外部公开数据集。
研究结果
模型与实验对标：JKU混合模型
研究人员将无量纲拖流容量与电导参数作为几何函数，线性关联无量纲体积流量与轴向压力梯度。实测点虽存在散度，但整体落于模型预测带内，且对高/低MFR物料、不同螺距与磨损间隙均成立。
与其他实验模型比较
相较Potente解析模型（MAPE超20%甚至达36%）与Düphans实验模型，JKU模型误差更低；与文献独立实验数据亦呈良好一致性，证明实验设计可靠。
不确定性分析
由高斯误差传播得实验数据平均不确定性14.5%，区间4%–56%，主要来自温度与压力信号波动；输入转速与产量由机器控制器给定，不确定性仅0.38%。在2σ置信带内，JKU模型覆盖七成以上工况点。
温度不确定性
通道内存在显著径向温差，高通量时甚至为负梯度（壁面低于中心）。研究人员以杯混温度为代表值，用流动剖面作概率密度函数进行蒙特卡洛抽样，揭示单值温度假设会掩盖真实黏度分布宽度。
敏感性分析
在稳定工况（300 rpm、35 kg/h）邻域扰动输入：无量纲压力梯度对压力最敏感，对温度敏感度随温度升高指数增长；产率扰动影响次之。结果表明未来实验应优先稳定出口压力（如增设熔体齿轮泵）并上游加混合元件均化温度。
讨论与结论翻译
讨论指出，宽工况下以单一代表温度与黏度近似必然损失信息，但杯混温度法在物理上稳健；黏度与温度耦合不确定性的遗漏意味着模型间严格统计不可分辨性仍存在，但JKU模型具有更高胜出概率。结论部分译述如下：
本文对先前发表的共旋转双螺杆输送元件压力-通量混合模型开展详尽实验验证，实验设计覆盖宽工况与四种物料。自动化数据分析通过信号方差的高斯误差传播量化数据不确定性，以二倍标准差对应工业可接受5%误差边界，不确定性均值14.5%，主要源自温度与压力不稳定。相较既有解析模型，混合模型与实验数据一致性显著更优，且与文献实验拟合模型吻合。文章由此给出无量纲模型实施与评估方法、实验与模型输出对输入的敏感性解析，并在参数域内确证混合模型有效性。
解读文章已完成，接下来可以选择一个方向继续深化：
把文中专业术语整理成中英对照表 深入拆解混合模型的无量纲构建逻辑 把文中专业术语整理成中英对照表 深入拆解混合模型的无量纲构建逻辑
