通过深度学习和三维CFD-PBM仿真技术,对多相反应系统进行多变量优化与逆向设计

《Chemical Engineering Journal》:Multivariate optimization and inverse design of multiphase reactive systems via deep learning and 3D CFD–PBM simulations

【字体: 大 中 小 】 时间:2026年02月10日 来源:Chemical Engineering Journal 13.2

编辑推荐:

  安东内洛·拉波尼(Antonello Raponi)|达尼埃莱·马尔基西奥(Daniele Marchisio) 法国圣艾蒂安矿业大学(Mines Saint-Etienne)SPIN中心,CNRS UMR 5307乔治·弗里德尔实验室(Laboratoire Georges F

  安东内洛·拉波尼(Antonello Raponi)|达尼埃莱·马尔基西奥(Daniele Marchisio)
法国圣艾蒂安矿业大学(Mines Saint-Etienne)SPIN中心,CNRS UMR 5307乔治·弗里德尔实验室(Laboratoire Georges Friedel)

摘要
本研究提出了一个基于深度学习的多变量优化框架,专注于识别复杂三维(3D)计算流体动力学-群体平衡模型(CFD-PBM)中的沉淀动力学参数。该模型用于描述T型和Y型静态混合器中Mg(OH)2的沉淀过程。首先使用CFD-PBM模型生成了一个数值数据集,用于训练一个逆向设计的深度学习神经网络(镜像模型),该模型以特征颗粒尺寸(d?)为输入,预测相应的动力学参数(φ?)作为输出。然后,将T型混合器的实验颗粒尺寸分布(PSD)提供给训练好的镜像模型,以预测动力学参数向量。通过将CFD-PBM的输出与Y型混合器的实验PSD进行比较,验证了预测参数的准确性。该框架表现出出色的泛化能力,能够准确再现训练集中未包含条件下的PSD。此外,相同的数值数据集也被用来训练一个替代的CFD-PBM模型,该模型以动力学参数(φ?)为输入,返回特征颗粒尺寸(d?)作为输出。随后使用这个替代模型进行了动力学参数的敏感性分析。在最小(d10)和最大(d43)颗粒尺寸分数的估计中观察到轻微偏差,这与物理聚集和碰撞机制一致。本研究的一个关键成果是,首次实现了使用配备严格校准的动力学模型的全三维CFD-PBM模拟,无需经验简化或迭代拟合程序。这显著提高了三维CFD-PBM模型在非线性反应系统中的预测能力,为沉淀和结晶过程中的动力学参数识别提供了一个计算效率高且具有通用性的工具。

1. 引言
镁最近被归类为关键原材料(CRMs),突显了高效回收和增值策略的重要性[1]、[2]。一种有效的方法是利用镁生产氢氧化镁(Mg(OH)2),这是一种用途广泛的化合物,应用于阻燃填料、酸性废物中和、制药以及纸浆和纸张保存[3]、[4]、[5]、[6]、[7]、[8]、[9]。传统上,Mg(OH)2是通过水热过程合成的[10],但高能耗促使人们转向基于沉淀的方法,这些方法更加可持续且成本效益更高[11]。
沉淀过程涉及镁源(如盐水或卤水)与碱性溶液的反应,当超过溶解度极限时会产生过饱和和颗粒形成[12]。所得到的颗粒尺寸分布(PSD)受到初级成核、分子生长和聚集现象的影响。群体平衡模型(PBM)为跟踪PSD演变和优化所需颗粒特性提供了强大的框架[13]、[14]。因此,准确确定控制这些过程的动力学参数对于过程优化至关重要[15]、[16]。
传统上,模型参数是通过使用优化算法将模型预测与实验数据拟合来确定的。当基础的第一性原理模型可以以相对较低的计算成本进行评估时,经典方法(如共轭梯度法(CG)是有效的。同样,启发式和元启发式方法,包括粒子群优化(PSO)[17]或乌鸦搜索优化(CSO)[18],为探索高维搜索空间提供了稳健的替代方案[19]、[20]、[21]、[22]。然而,当第一性原理模型高度非线性、三维(3D)且计算成本高昂时,这些方法可能变得不切实际,因为优化所需的多次重复评估可能会超出高性能硬件的合理计算时间。基于替代模型的优化(SBO)作为一种策略出现,以减轻此类情况下的计算负担。SBO用一个计算成本较低的替代模型替换原始的高保真模型,该模型由低保真近似结合校正程序构建以提高准确性。这种方法已在工程领域和NPZD类型的海洋生态系统模型中成功应用(其中N代表营养物质,P代表浮游植物,Z代表浮游动物,D代表碎屑)。特别是,它已从一维应用扩展到三维生物地球化学模型,其中低保真组件由减少启动次数的模拟表示,并使用乘法校正运算符将其输出外推到高保真解[23]。虽然SBO显著减少了计算时间,并能准确估计大多数参数,但它并没有克服传统优化方法的固有局限性,例如对初始猜测的敏感性、对多目标景观的探索有限性或对可用数据质量的依赖性。
这些局限性促使人们使用结合第一性原理模型和数据驱动方法(如深度学习辅助的逆向设计[24]、[25]、[26])的替代策略。通过利用在数值生成的模型输出上训练的神经网络,可以直接将观察到的系统输出(例如PSD)映射到潜在的动力学参数,从而实现计算效率和参数识别的改进鲁棒性。这些方法能够高效探索复杂系统中的参数空间,以较低的计算成本提供准确的预测。最近的研究表明,机器学习可以作为计算成本高昂的CFD模拟的有效替代品。神经网络、基于树的模型(随机森林、XGBoost)和其他回归器之间的比较显示,替代算法可以在降低计算成本的同时实现可比的预测准确性[27]、[28]、[29]。此外,最近的综合性综述强调了机器学习在多相流和反应器建模中的日益重要作用。例如,朱等人[30]对多相流和反应器中的流体动力学、传输现象和反应动力学的机器学习应用进行了广泛调查,讨论了基于物理和数据驱动的方法,并概述了该领域的机会和挑战。
在这项工作中,我们使用了一个全三维的计算流体动力学-群体平衡模型(CFD-PBM)来描述Mg(OH)2颗粒尺寸的演变,考虑了均匀和非均匀成核、分子生长以及通过胶结的不可逆聚集。PBM使用矩积分法(QMOM)[31]、[32]求解,所得到的高保真数值数据用于训练一个全连接的深度学习神经网络进行逆向设计。实验测量指导深度学习神经网络直接从特征颗粒尺寸识别未知的动力学参数,避免了经验简化,并消除了对传统迭代拟合程序的需求。这种方法首次实现了为复杂反应性、多相和强非线性系统配备严格校准的动力学模型的CFD-PBM模拟。此外,它还构建了一个具有数字孪生应用潜力的框架,能够通过回归神经网络进行预测模拟和实时响应。我们之前的两项研究[33]、[34]使用了两个实验数据集:一个用于调整模型,另一个用于独立验证,以评估所提出框架的泛化能力。本文的组织结构如下:第2节描述了T型和Y型混合器的实验方案和数据集;第3节详细介绍了PBM及其关键输入和输出;第4节介绍了基于深度学习的参数识别方法;第5节展示了结果并讨论了逆向设计策略的性能;第6节总结了主要发现并概述了未来的扩展方向。

2. 方法论
本节描述了实验设置、获取实验数据的主要步骤和操作条件。
实验设置
我们之前的一些出版物[33]、[34]描述了一种经过良好调整和验证的实验程序,用于稳定和表征Mg(OH)2悬浮液。该程序应用于通过图1所示的两种实验装置T型和Y型静态混合器获得的悬浮液。
Y型混合器装置由一个Y型混合器组成,后面跟着两个分流通道和一根直径恒定的最终管道。尽管上述出版物[33]、[34]中已经详细说明了程序细节,但为了清晰起见,这里简要回顾一下。氯化镁(MgCl2)溶液从一个混合器的臂中加入,氢氧化钠(NaOH)溶液从另一个臂中加入。在混合通道中碰撞后,两种溶液反应生成Mg(OH)2悬浮液,反应如下:(1)
收集到的Mg(OH)2悬浮液经过稳定处理后,通过动态光散射(DLS)测量获得PSD。所研究的操作条件见表1:
下载:下载高分辨率图像(166KB)
下载:下载全尺寸图像
图1. 实验装置:T型混合器(上)和Y型混合器(下)。
表1中仅报告了Mg2+的浓度,因为进料流遵循2:1的化学计量比。T型和Y型混合器的特征尺寸分别如图2所示。
表1. T型和Y型混合器的操作条件
| 参数 | 值 |
|-----------------|-----------------------------|
| Mg2+浓度 | 0.125~32.72 |
| 混合时间(ms) | 20 |
| 流量(mL/min) | 20 |
| #1 T型混合器 | 0.25~32.72 |
| #3 Y型混合器 | 0.01~9×10^3 |
| 混合时间(ms) | 1.78 |
| 流量(mL/min) | 35 |
| #1 T型混合器 | 0.60 |
| #3 Y型混合器 | 0.025~9×10^3 |
| 混合时间(ms) | 1.78 |
| 流量(mL/min) | 35 |
| #1 T型混合器 | 0.50 |
| 流量(mL/min) | 35 |
| #3 Y型混合器 | 0.60 |
| 流量(mL/min) | 1.78 |
| 数学处理错误 | 1.78 |
| #1 T型混合器 | 0.60 |
| 数学处理错误 | 1.78 |
| #3 Y型混合器 | 0.50 |
| 数学处理错误 | 1.78 |
| #1 T型混合器 | 0.60 |
| 数学处理错误 | 1.78 |
| #3 Y型混合器 | 0.60 |

图2. 实验特征尺寸的可视化。

3. 群体平衡模型
在本节中,我们介绍了用于生成训练深度学习神经网络的数值数据集的CFD-PBM模型。该模型假设单向耦合方法,即颗粒没有惯性,随流场运动。这一假设得到了所研究的稀薄操作条件的支持,在这些条件下,固体体积分数较低,悬浮液的性质(密度和粘度)接近液相。因此,可以合理忽略颗粒形成和生长对速度和湍流场的反馈。此外,与成核和颗粒生长相关的特征时间尺度显著大于控制流场建立的时间尺度,支持了流体动力学和颗粒群体动力学之间的解耦。尽管流程图已在我们的先前出版物[35]中介绍,但在这里简要介绍。首先运行CFD模拟以求解流场([数学处理错误])和湍流场([数学处理错误])。对动量和湍流传输方程中的对流和扩散项应用了二阶离散化方案,以确保更高的数值精度并减少数值扩散。图3显示了模拟中使用的网格线框。为了便于可视化,两个网格都被裁剪和放大:
表2报告了模拟中使用的边界条件:
下载:下载高分辨率图像(616KB)
下载:下载全尺寸图像
图3. T型和Y型混合器网格线框。
一旦这些场已知,就求解宏观混合和微观混合的方程。在这方面,宏观混合由非反应性标量(即混合分数α?)的演变表示,指示了宏观尺度上流体的相互作用。控制方程如下:(2)
?α??t + u??α? = Dt?2α?
其中Dt是湍流扩散。微观混合由混合分数方差α?′2的演变表示,指示了分子尺度上流体的相互作用。混合分数方差的传输方程为:(3)
?α?′2?t + u???α?′2 = Dt?2α?′2 + 2Dt?α???α? ? C?2?kα′2ˉ
除了积累、平流和扩散项外,方程(3)还包含两个值得进一步分析的贡献。第一个是产生项2Dt?α???α?,它代表了产生方差的宏观流体相互作用。第二个是与最小尺度(即Batchelor尺度)相关的耗散项,在这里方差被耗散。与产生项不同,耗散项无法直接确定,因此需要一个闭合关系[36]。在我们之前的研究[33]、[34]中,参数C?被赋予了2的值。混合分数及其方差使模型能够考虑混合对化学反应的抑制效应。具体来说,Mg2+和OH?必须先经过宏观和微观混合,然后根据方程(1)反应,这减缓了沉淀过程。在Raponi等人[33](补充信息)中,我们推导出了一个分析表达式,将进入系统的反应物浓度与实际能够在微观尺度上反应形成Mg(OH)2的分数联系起来。为了清晰起见,这里仅报告该方程的最终形式:(4)
[Mg(OH)2](aq) = min(Mg2+, OH?) / (2fα?, α?′2, αs?)
其中Mg2+和OH?代表系统中相应物种的浓度,fα?, α?′2, αs?是一个权重函数,用于考虑混合的影响。这里,α?s表示化学计量混合分数,定义为:(5)
α?s = 2Mg2+in / (Mg2+in + OH?in)
其中上标“(in)”表示入口处的反应物浓度。在混合分数框架中,它对应于反应物以化学计量比例存在的混合分数。通过假设水相中的Mg(OH)2(aq)瞬间沉淀为固体,过饱和度可以定义为:(6)S=γ±3[Mg2+](aq)[OH?](aq)2ksp?1,其中[Mg2+](aq)和[OH?](aq)是根据方程(4)按化学计量计算得出的浓度,γ±是活度系数,溶解度积ksp=10?10.88。过饱和度的积累从而启动了沉淀过程。在这项工作中,我们考虑了初级成核,包括均匀成核和非均匀成核,分别表示为J:(7)J=A1e?B1ln2(S+1)︸均匀+A2e?B2ln2(S+1)︸非均匀;分子生长,G:(8)G=kgS;以及聚集速率βagg:(9)βagg=βcolηagg。聚集速率与碰撞频率βcol成正比,βcol代表单位时间内初级粒子之间的碰撞次数,也与粘附概率ηagg成正比,ηagg描述了碰撞是否导致实际聚集(即初级粒子是否结合在一起)。碰撞频率包含了布朗运动和湍流的贡献。(10)βcol=10C1βbr+βtr。布朗运动的贡献由以下方程描述:(11)βbr=2kBT3μL+λ2Lλ。在这个表达式中,kB表示玻尔兹曼常数,T是流体温度,μ代表流体的动态粘度,L和λ是碰撞粒子的大小。相比之下,湍流的贡献由以下方程给出:(12)βtr=8π15?νL+λ32。另一方面,粘附概率可以如下建模:(13)ηagg=e?θ。这里,θ表示胶结时间tcem与相互作用时间tint的比率。相互作用时间假设对应于Kolmogorov微观尺度的特征时间尺度:(14)tint=ν?,对应于两个粒子保持足够接近以进行相互作用的持续时间,而胶结时间定义为:(15)tcem=DbsδG。(16)Db=Leqvρp0.5?ν0.25Ap0.5(17)Leqv=LλL2+λ2?Lλ0.5。它对应于两个初级粒子不可逆胶结所需的时间。函数sδ是一个形状因子,定义如下[37]:(18)sδ=41+δ?δ′1/3+δ?δ′?δ?δ′22δ/3+δ′/3(19)δ=L/λ(20)δ′=δ2?1。方程(7)、(8)、(10)和(16)涉及八个调整参数(A1、B1、A2、B2、kg、g、C1和Ap)。参数Ai和Bi控制初级成核的强度,kg调节分子生长的速率,g表征生长机制(例如,g=1表示扩散控制生长)。参数C1调节碰撞频率,而Ap与初级粒子之间的晶体桥的强度成正比。上述沉淀现象导致的初级粒子的演变是使用矩的积分法(QMOM) [38]、[39] 追踪的。第k阶矩的传输方程由以下公式给出:(21)?m?k?t+u???m?k=Dt?2m?k+JLck+kGmk?1+Bˉk?Dˉk,其中Lc表示稳定核的临界尺寸(1 nm),Bˉk和Dˉk代表由于粒子聚集而产生的生成和消亡项。在本研究中,使用了三个积分节点(对应于六个矩)。最后,通过反应物种[Mg2+]和[OH?]的质量平衡来闭合种群平衡模型(PBM):(22)?c?i?t+u???c?i=Dt?2c?i?νiρpkvMpJLc3+3Gm2,其中νi表示化学计量系数(即νMg2+=1和νOH?=2),ρp是粒子密度,Mp是分子量,kv=π/6是粒子形状因子。表2. 用于T型和Y型混合器CFD模拟的边界条件。边界条件包括速度、压力和湍流场。入口1:指定流量,Neumann;相关性。入口2:指定流量,Neumann;相关性。出口:Neumann;0;Neumann。墙壁:无滑移,Neumann;壁函数。4. 参数识别在本节中,我们介绍了使用深度学习辅助优化框架来识别复杂的高非线性3D CFD-PBM模型的动力学参数。图4有助于可视化数据集生成和逆向设计(镜像模型)的使用。向量φ?表示动力学参数φ?=φA1,A2,B1,B2,kg,g,C1,Ap,而向量d?表示特征尺寸d?=dd10,d21,d32,d43,其中特征尺寸dij定义为第i阶矩的出口平均值与第j阶矩的出口平均值之比[13]:(23)dij=m?im?joutlet。第一步是使用CFD-PBM模型生成数值数据集(图4左侧)。具体来说,CFD-PBM模型以动力学参数为输入,在给定的操作条件下返回相应的特征尺寸。该数据集旨在与问题的物理性质保持一致。动力学参数在其物理上有意义的范围内随机采样,这些参数在文献[33]、[40]中容易获得。每个动力学参数的下限和上限与我们之前的出版物和标准手册一致,见表3。下载:下载高分辨率图像(404KB)下载:下载全尺寸图像。图4. 数据集生成和逆向设计框架。为了提供足够丰富的数据集来训练镜像模型,通过在其物理上有意义的范围内采样动力学参数,生成了400次CFD-PBM模拟。每次模拟都在T型混合器的五种实验Mg2+浓度之一下进行,这意味着相同的操作条件用不同的动力学参数集进行了多次模拟。这个过程允许CFD-PBM模型探索广泛的物理上合理的系统行为,并有效地覆盖动力学参数空间。随后使用CFD-PBM模型生成的数值数据集来训练深度学习神经网络(图4右侧)。这种方法被称为逆向设计(镜像模型),因为深度学习神经网络以特征尺寸向量(d?)为输入,并输出相应的动力学参数(φ?)。从数值数据集开始,训练和测试深度学习神经网络。在训练和测试阶段之后,将T型混合器获得的实验特征尺寸提供给深度学习神经网络,后者预测根据用于数据集生成的第一性原理模型最佳再现实验特征尺寸的动力学参数。这个过程对所有实验条件(T型混合器的五种浓度)重复进行。由于每组实验特征尺寸都会产生一组预测参数,因此随后对动力学参数进行平均(φ??),并计算其标准差(φ?′2?)。值得注意的是,这种平均过程并不是为了提供经典意义上的统计收敛估计。相反,每个实验操作条件都产生一个独立的解,对应于一组再现测量特征尺寸的动力学参数。平均动力学参数向量(φ??)代表一组最佳捕捉实验条件的参数,而标准差(φ?′2?)提供了参数识别过程相对于操作条件变化的鲁棒性和一致性的定量度量。重要的是要强调,从CFD-PBM模型生成的数值数据集仅用于训练逆向模型,并不旨在再现特定的实验数据集。广泛采样动力学参数空间是为了确保深度学习模型学习特征尺寸和动力学参数之间的良好定义的逆关系,而不是过度拟合参数空间的狭窄区域。实验数据仅在训练好的镜像模型的推理阶段引入。每个实验操作条件被视为一个独立的逆问题,产生一组再现相应实验特征尺寸的动力学参数。因此,跨实验条件平均参数提供了一个代表性的动力学参数向量,同时标准差量化了参数识别过程相对于操作条件变化的鲁棒性。在这个阶段,有两个方面至关重要:(i) 深度学习神经网络架构的选择,以及(ii) 数值数据集的扩展,即镜像模型充分学习特征尺寸向量与动力学参数向量之间相关性所需的模拟次数。为了选择最佳架构和训练参数,我们使用了Keras Tuner,它系统地探索了包括隐藏层数量、每层神经元数量和学习率在内的超参数。这确保了超参数的可重复性和数据驱动的选择,而不是任意的手动选择。两个数值数据集用于训练镜像模型。第一个数据集包含200次CFD–PBM模拟,而第二个数据集包含400次CFD–PBM模拟。在这两种情况下,数据被分为90%用于训练和10%用于测试。遵循我们之前工作中采用的方法[24],对两个数据集都执行了Keras Tuner。两个优化过程的结果总结在表4中。表3. 参数约束和单位。空单元A1A2B1B2kggC1Ap下限101910102001010?1510100上限1029101840010210?921107单位粒子数nm3s1sm2分析表明,使用200次CFD–PBM模拟训练的模型在预测参数上表现出较大的变异性,表明泛化能力不足。相反,使用400次模拟训练的模型提供了稳定且一致的预测,标准差显著降低。表4. 从Keras Tuner获得的两个CFD-PBM数据集的优化深度学习神经网络架构摘要。数据集隐藏层每层神经元数量学习率200次模拟3192-68-1121e?3400次模拟3192-160-1601e-35. 结果和讨论在本节中,我们展示了这种多变量优化程序的结果。一旦获得了动力学参数的平均值(φ??)和标准差(φ?′2?),就进行了两项并行分析:前者旨在验证整个框架,后者专注于估计动力学参数识别过程的内在不确定性。通过使用逆向设计(镜像模型)预测的平均动力学参数,模拟图2中报告的操作条件,对数值框架进行了验证。随后,使用T型混合器的400次模拟数据集训练了一个替代CFD-PBM模型。这个替代模型将动力学参数向量映射到相应的特征尺寸,用于评估框架的鲁棒性和与预测动力学参数相关的不确定性。具体来说,替代CFD-PBM模型用于预测在平均值±标准差(φ???φ?′2?和φ??+φ?′2?)范围内随机抽取的1000个动力学参数向量的特征尺寸。然后计算了所有操作条件的预测特征尺寸的平均值和标准差。CFD-PBM预测和不确定性分析均报告在图5中。应用于T型和Y型混合器配置的CFD-PBM模型使用了逆向设计预测的平均动力学参数向量φ??。如图5所示,使用这些平均动力学参数使CFD-PBM能够准确捕捉整个系统动态,与实验数据高度一致。动力学参数的敏感性分析进一步证实了框架的可靠性。特别是,它成功地再现了在T型混合器的CFD-PBM模拟中观察到的趋势,即使是在训练阶段未包括的动力学参数集上也是如此,即从逆向设计获得的1000个随机集合(即φ???φ?′2?和φ??+φ?′2?之间)。这突显了替代CFD-PBM模型的强大泛化能力。应当注意的是,替代CFD-PBM模型仅使用为T型混合器配置生成的数据集进行训练。对于Y型混合器,直接应用从T型混合器识别的动力学参数来运行单向耦合CFD-PBM模拟。由于只有六次CFD-PBM模拟可用于Y型混合器,对应于实验操作点,因此无法构建一个能够可靠地将广泛的动力学参数映射到特征尺寸的替代模型。因此,Y型混合器的验证仅依赖于使用识别的平均动力学参数进行的一次性耦合CFD-PBM模拟。从图5还可以观察到,通过逆向设计估计的动力学参数倾向于略微低估特征尺寸d10,无论是对于替代模型还是完整的CFD-PBM模型。此外,对于较高浓度的情况,替代模型显示出较宽的置信区间,特别是对于特征尺寸d43。这一趋势可以从物理角度直观解释。替代模型本质上是从用于训练的CFD-PBM数据集派生出来的,而CFD-PBM模型本身预测在浓度增加时粒子数量更多。d43指标代表PSD的右尾,对应于较大的粒子。因此,在较高浓度下,粒子碰撞的增加和较大聚集体的形成导致d43的分布更广,从而导致d43的变异性更大。相反,d10的标准差几乎随浓度不变,表明较小粒子的形成对浓度变化的敏感性较低。为了进一步阐明局部混合对颗粒形成的影响,图6展示了在Y型混合器中三种选定Mg2+浓度下的特征尺寸d10的等高线图。下载:下载高分辨率图像(429KB)下载:下载全尺寸图像

图5. 实验数据(红色虚线)、替代模型(灰色点)和CFD-PBM预测(黑色虚线)之间的比较。这些浓度的选择基于图5中观察到的趋势,即低浓度(0.01 M)、接近数值最小值的浓度(0.05 M)以及考虑的最高浓度(1 M)。包含这些等高线图具有实际意义,因为所提出的逆向设计框架能够优化即使对于高度非线性和完全三维系统的动力学参数。因此,可以研究反应器的内部行为,并了解混合的空间梯度如何影响沉淀过程的早期阶段。所有模拟都在相同的流体力学条件下进行,仅改变Mg2+浓度。这确保了混合特性在各种情况下保持不变,因为α?和α?′2保持恒定,同时化学计量混合比αs?等于0.5。如方程(5)所示,驱动力随反应物浓度的增加而增加。d10的等高线图清楚地显示了这种效应与Y型混合器内部空间非均匀混合场之间的相互作用。在最低浓度(0.01 M)下,驱动力不足以在混合段内引发成核。因此,成核主要发生在分流通道和下游管道中,那里颗粒经历更均匀的湍流条件和更长的停留时间。这导致最终颗粒尺寸相对均匀且较大。在中等浓度(0.05 M)下观察到不同的行为。在这里,增强的驱动力促进了更早的成核,现在成核发生在Y型混合器内部,如图6(中心)所示。在这个区域,强烈的局部湍流增强了更多核的形成,以非均匀的方式加速了过饱和度的局部消耗。因此,可用于后续聚集的过饱和度减少,导致颗粒尺寸比在下游成核的情况下更小。在最高浓度(1 M)下,0.05 M时观察到的机制变得更加明显。虽然成核仍然在Y型混合器内开始,但显著更高的反应物浓度确保了在等效空间坐标处有更高的剩余过饱和度,这有利于聚集。这产生了与中间情况相似的定性趋势,但导致颗粒尺寸在数量上更大,这与更强的驱动力一致。总体而言,这些等高线图强调了空间混合不均匀性和局部过饱和度在决定颗粒形成开始时的关键相互作用。更重要的是,它们展示了所提出的基于逆向设计的3D CFD–PBM框架生成空间分辨且物理上可解释预测的能力。这为未来的数字孪生模型奠定了坚实的基础,这些模型能够更准确地表示真实系统,并支持过程控制和反应器设计等实际应用。

下载:下载高分辨率图像(311KB)下载:下载全尺寸图像

图6. 三种Mg2+浓度下Y型混合器中d10的等高线图:0.01 M(左),0.05 M(中),1 M(右)。

6. 结论

在这项研究中,成功开发并应用了一个基于深度学习(DL)的框架,用于识别描述静态混合器反应器中Mg(OH)2沉淀的复杂CFD-PBM模型中的动力学参数。所提出的方法结合了第一性原理建模和数据驱动优化,利用了一个在数值生成的CFD-PBM数据集上训练的逆向设计(镜像模型)深度学习神经网络。逆向设计方法使得可以直接从实验测量的特征颗粒尺寸识别动力学参数向量,显著降低了通常与迭代参数拟合相关的计算成本。在400次CFD-PBM模拟上训练的镜像模型显示出比200次模拟的小数据集更好的泛化能力和参数稳定性,证实了数据集扩展在捕捉动力学和形态之间的非线性相关性方面的重要性。镜像模型预测的平均动力学参数准确再现了T型和Y型混合器配置的实验趋势,验证了耦合CFD-PBM-DL框架的稳健性。敏感性和不确定性分析进一步表明,替代模型即使在未见过的动力学配置下也能可靠地捕捉系统动态。在较高浓度下,观察到d10的低估和d43的置信区间略微增大。这些趋势与CFD-PBM模型的物理解释一致。实际上,较高浓度下颗粒数密度的增加自然会导致更多的碰撞,从而扩大了颗粒尺寸分布(PSD)。这项工作的一个关键成果是首次证明了所提出的方法能够使用配备严格校准的动力学模型的全三维CFD–PBM模拟,而无需依赖维度简化或特设假设。这代表了相对于传统参数估计工作流程的重大进步,后者通常受到计算成本的限制或需要降阶近似。通过提供一个模块化、可扩展的逆向设计框架,这项研究为在沉淀、结晶和反应混合过程中部署高保真度数字孪生模型打开了新的机会,这些过程中的实验表征受到限制、成本高昂或本质上具有挑战性。总体而言,结果证实了混合CFD–PBM–DL框架是识别多变量、非线性反应系统中动力学参数的强大且通用的工具,标志着向下一代基于模型的过程设计和控制迈出了重要一步。虽然这项工作仅专注于使用深度学习神经网络作为镜像模型,但主要目标是首次将逆向设计框架应用于3D CFD-PBM模拟的概念验证。未来的研究可以探索其他机器学习算法,如基于树的方法(随机森林、XGBoost),以评估性能、稳健性和对不同数据集的适用性,但这超出了本研究的范围。

GitHub
种群平衡模型
逆向设计
CRedI
作者贡献声明

Antonello Raponi:撰写 – 审阅与编辑,撰写 – 原始草稿,可视化,验证,监督,软件,资源,项目管理,方法论,调查,形式分析,数据管理,概念化。
Daniele Marchisio:撰写 – 审阅与编辑,资源,项目管理,资金获取。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号