利用基于离散元方法模拟数据训练的卷积神经网络预测填充床反应器中的填料密度:颗粒形状、材料及填充条件的影响

《Chemical Engineering Journal Advances》:Predicting packing density in packed bed reactors using convolutional neural networks trained on discrete element method simulations: Effects of pellet shape, material, and filling conditions

【字体: 大 中 小 】 时间:2026年05月05日 来源:Chemical Engineering Journal Advances 7.1

编辑推荐:

  克里斯蒂安·鲍尔 | 珍妮·冯·塞肯多夫 | 理查德·费舍尔 | 诺尔门·谢斯尼 | 奥拉夫·欣里希森 慕尼黑工业大学(TUM)自然科学学院,Lichtenbergstr. 4,加兴附近,85748,德国 **摘要** 准确预测不同填充条件下根据颗粒形状和材料特性形

  克里斯蒂安·鲍尔 | 珍妮·冯·塞肯多夫 | 理查德·费舍尔 | 诺尔门·谢斯尼 | 奥拉夫·欣里希森
慕尼黑工业大学(TUM)自然科学学院,Lichtenbergstr. 4,加兴附近,85748,德国

**摘要**
准确预测不同填充条件下根据颗粒形状和材料特性形成的填充层的堆积密度对于优化填充层工艺至关重要。本研究开发了一种多输入3D卷积神经网络(CNN),该网络能够根据颗粒形状以及五个额外参数(即管径与颗粒直径比、摩擦系数、恢复系数、杨氏模量和颗粒填充速率)来预测平均堆积孔隙率。该模型基于离散元方法(DEM)模拟获得的数据集进行训练,这些数据集涵盖了全尺寸颗粒及其具有多样外形的中空变体。训练有素的模型能够准确捕捉颗粒几何形状、材料特性和填充条件之间的复杂相互关系,为未见过的配置提供一致的预测结果,平均绝对百分比误差(MAPE)小于1%。这凸显了它作为基于DEM的填充生成模拟的快速替代方法的潜力,其适用范围比仅限于特定颗粒形状或材料的传统相关性更广泛。此外,本文还介绍了一个神经网络的实用案例,该网络能够以最低的计算需求识别出具有高表面积和孔隙率的颗粒形状。

**1. 引言**
随机堆积在众多工业应用中普遍存在,不同形状和材料的颗粒被填充到不同尺寸和形状的容器中。一个重要的应用领域是填充层反应器,其中催化剂被制成毫米级的颗粒并通常填充到圆柱形管中[1]、[2]、[3]。根据反应和操作条件,需要不同的管径与颗粒直径比以及颗粒形状,因为这些因素会影响填充层反应器中的热量和质量传输[3]、[4]、[5]、[6]。然而,管径与颗粒直径比和颗粒形状也会影响堆积密度,这是填充层反应器的关键参数,因为它不仅决定了达到所需填充高度所需的催化剂质量,还影响运行过程中的压降[7]、[8]、[9]。此外,堆积密度还取决于催化剂材料,后者决定了颗粒的摩擦系数和恢复特性[10]、[11]。填充速度也会影响堆积密度[12]。因此,在实验或计算生成堆积结构时需要考虑多种参数。

除了孔隙率,压降也是填充层设计中的关键性能指标,因为它直接影响能耗和反应器运行[13]。虽然传统的关联公式(如Ergun方程[14])被广泛使用,但它们对于非球形颗粒和不规则堆积体的适用性有限[8]。最近的研究通过考虑颗粒形状和表面特性进一步改进了压降预测[15]。由于压降强烈依赖于底层堆积结构,因此准确预测堆积密度对于可靠地预测压降至关重要。

评估堆积密度的计算方法通常包括使用离散元方法(DEM)[10]、[16]、[17]、[18]、[19]或刚体动力学(RBD)方法,后者包含在Blender?动画软件中[10]、[20]、[21]、[22]。这两种方法均可用于模拟颗粒在反应器中的填充过程,通过指定控制颗粒间及颗粒与壁面相互作用的材料特性来实现。然而,它们的物理假设和数值实现存在显著差异,从而导致精度和计算需求的不同。无论采用哪种方法,计算生成的填充结构均可生成三维表示,进而可以使用射线投射算法[20]计算局部孔隙率分布。

关于球形颗粒的堆积密度,已有大量文献研究,得出的平均孔隙率关联式通常取决于管径与颗粒直径比[23]、[24]、[25]、[26]、[27]。对于非球形颗粒(如圆柱形或中空圆柱形颗粒),也根据管径与颗粒直径比得出了孔隙率关联式[26]、[27]。为了综合颗粒形状的影响,还提出了基于颗粒球形度的孔隙率关联式[27]、[28]、[29]。然而,这些关联式无法正确预测所有任意颗粒形状的堆积密度[1],因此需要为每种颗粒形状或颗粒形状的子群体建立单独的关联式。此外,这些关联式未考虑颗粒材料特性以及填充过程(如颗粒填充速率)对平均孔隙率的影响。

最近的综述强调了机器学习在化学反应工程中的应用日益增加,包括数据驱动的传输现象、流动行为和多相流中的封闭关系的建模[30]。在这方面,机器学习与颗粒分辨的CFD和优化技术结合用于填充层反应器的设计与操作。朱等人[31]基于CFD数据开发了替代模型,并利用遗传算法对其进行了多目标优化,实现了压降和烯烃产量的帕累托最优平衡。最近,胡等人[32]提出了一个用于固定床反应器中CO2氢化的CFD-贝叶斯优化框架,能够有效地识别平衡甲醇生产和温度梯度的操作条件。

为克服缺乏通用性强的堆积密度关联式以及这些关联式无法充分考虑所有影响参数的问题,机器学习(特别是3D卷积神经网络(CNN)提供了一个有前景的解决方案。赫塞等人[33]使用3D CNN预测了谷物和药片中在储仓中的堆积密度以及从颗粒形状的3D表示中得出的储仓排放过程中的质量流量。训练数据使用LIGGGHTS? DEM软件收集,该软件采用多球体近似方法处理非球形颗粒。颗粒的材料特性是根据验证实验确定的。本研究展示了3D CNN在预测堆积密度方面的适用性。在其他研究[34]、[35]中,神经网络被用于为DEM模拟设置材料特性。

尽管在填充层反应器系统的数据驱动建模方面取得了最新进展,但目前仍缺乏能够可靠捕捉颗粒形状、材料特性和填充条件综合影响的通用性强的堆积密度关联式。同时,高保真度的DEM模拟虽然提供了详细的信息,但计算量较大,限制了其在大规模参数研究和设计空间探索中的应用。因此,需要高效的替代模型来近似不同配置下的堆积行为。基于此背景,本研究旨在训练一个神经网络,该网络以颗粒形状、管径与颗粒直径比、颗粒材料特性和填充速率作为输入,输出填充层的堆积密度。所选择的颗粒形状基于经典催化剂颗粒形状。摩擦系数或恢复系数等材料相互作用特性在0到1的范围内变化。管径与颗粒直径比从3(此时壁面对堆积密度有显著影响[36])变化到12(此时壁面效应对堆积密度的影响可以忽略)。特定的填充速率从5 s-1变化到30 s-1,以涵盖工业应用中的典型填充条件。虽然上限已经代表了相对较快的填充速度,但更高的值可能在实际应用中并不相关。下限仍然代表连续填充状态,而非单个颗粒的沉积过程。训练和验证数据集的堆积结构是通过使用Ansys? Rocky?进行的离散元方法(DEM)模拟生成的。与基于多球体近似的传统DEM方法[37]不同,Ansys? Rocky?能够直接处理非球形颗粒的几何形状。神经网络训练的成功与否通过模型损失函数中的均方误差(MSE)以及预测数据集与DEM模拟训练数据集和验证数据集之间的平均绝对百分比误差(MAPE)来评判。此外,还展示了神经网络对一些未见过的已知颗粒形状以及从文献中适应的未知颗粒形状的预测能力。

**2. 方法论**
**2.1. 堆积生成**
为了生成化学反应器的填充层,通常在重力作用下将形状和材料均匀的颗粒投入到圆柱形管中。颗粒会沉淀并重新排列,直到达到机械稳定状态,形成密集的随机堆积。在DEM模拟中,可以通过将颗粒释放到管中并让它们通过接触力相互作用来虚拟再现这一过程,从而获得实际的床层几何形状和堆积密度表示。通过求解牛顿-欧拉方程来计算每个颗粒的运动,这些方程描述了在接触力、重力和其他相互作用影响下的平移和旋转运动。这一方法最初由Cundall和Strack[38]提出,为DEM奠定了理论基础,其中使用颗粒之间有小重叠的软接触来计算接触力。在本研究中,我们使用商业DEM软件Ansys? Rocky?进行数值堆积生成。对于法向力,采用Walton和Braun[39]提出的弹性-塑性法向接触模型(在Ansys? Rocky?中实现[40]);对于切向力,采用线性弹簧库仑极限模型[40],其中切向力随切向位移线性增长,但受到库仑摩擦的限制。切向刚度比设为1,即颗粒的切向刚度等于法向刚度。模拟的时间步长根据所有接触中最小的质量-刚度比自动确定[40]。颗粒形状作为自定义多面体导入,允许任意形状复杂性。然而,由于复杂形状的接触检测运算要求较高,模拟时间会受到颗粒形状的显著影响。

除了颗粒形状外,还需要提供具有所需直径dtube和高度htube的圆柱形管。颗粒以定义的颗粒质量流量m?p从管顶插入。由于使用的是均匀颗粒,质量流量根据填充速率计算为m?p = N?pρpVp。为了使不同管径与颗粒直径比λ=dtube/dp,v下的填充速率具有可比性,绝对颗粒填充速率N?p通过管径与颗粒横截面比进行归一化,即特定颗粒填充速率n?p = N?p/λ2,其中颗粒直径dp,v是根据dp,v=(6Vp/π)1/3得到的相同体积的球体直径。值得注意的是,Vp,hull表示颗粒外壳的体积,在计算dp,v时排除了内部空隙。除了颗粒密度ρp和泊松比ν以及杨氏模量E外,还需定义颗粒材料的摩擦系数μ和恢复系数e。在Ansys? Rocky?中,必须定义颗粒-颗粒和颗粒-壁面接触的动态和静态摩擦值,我们的案例中这些值设为相同。将所需数量的颗粒插入管后,模拟至少持续1秒,这已足够颗粒在我们的案例中静止下来。

**2.2. 堆积密度评估**
堆积密度可以通过平均总堆积孔隙率来量化,其定义为:
?ˉtotal = 1 ? Vs / (Vpacking) = 1 ? (Np ? Vp) / (Atube ? hpacking)
其中,Vs是所有Np颗粒的体积,Vpacking是从管横截面Atube和堆积高度hpacking计算得出的总堆积体积。然而,一些出版物[25]、[26]、[41]描述了床层上端的松散堆积和底部的有序颗粒排列。因此,排除堆积层两端各5dp,v的部分可以合理地获得与所谓的“上下效应”[10]、[42]无关的平均堆积孔隙率。通过离散化堆积层体积来评估轴向和径向孔隙率分布。通过使用光线投射算法[20],可以确定网格点是在颗粒内部还是在颗粒之间的空隙空间中。轴向孔隙率?ax,i是通过将空隙空间中的网格点与横截面平面上的所有网格点相关联来计算的。因此,方程(1)中的平均堆积孔隙率的解析表达式可以被离散表达式(2)?ˉ=∑i=1n?ax,in所替代,其中局部轴向孔隙率是通过对所有n个轴向增量进行平均得到的。类似地,通过沿径向将堆积床划分为同心圆柱壳来获得径向孔隙率分布。这些圆柱壳也通过网格点离散化。局部径向孔隙率?rad,i也是通过光线投射算法确定的,如局部轴向孔隙率一样。这也导致了平均堆积孔隙率的第二个离散表达式(3)?ˉ=∑i=1n?rad,in,其中局部径向孔隙率是对所有n个径向增量进行平均得到的。由于离散化,堆积床的任何区域,如顶部和底部部分,都可以被排除在平均堆积孔隙率的计算之外。局部孔隙率分布的评估是在Blender?中进行的,Blender?是一个提供光线投射算法的开源软件包。因此,从Ansys? Rocky?模拟中得到的堆积床的3D表示被导出为立体光刻(STL)文件格式,可以导入到Blender?中。

2.3 神经网络实现
2.3.1 网络结构
深度学习已成为现代机器学习中最广泛使用的方法之一,应用于各种场景[43]。深度学习的一个重要方面是卷积神经网络(CNN),它最初是为二维图像数据开发的[44],后来扩展到三维输入[45]。在3D CNN中,卷积滤波器在三个空间维度上操作,使网络能够直接利用体积数据中的空间上下文。多输入3D CNN可以结合来自多个3D CNN的输出或整合额外的标量和分类数据以提高预测能力。例如,Gravina等人[46]提出了一种多输入-多输出的3D CNN,用于从磁共振成像和正电子发射断层扫描评估痴呆症的严重程度,这些数据在特征层合并之前先作为单独的3D CNN进行处理。Candemir等人[47]将磁共振成像扫描与标量和分类临床数据结合起来预测认知衰退的速率。MRI扫描通过3D CNN处理,并在模型架构的全连接层与非体积数据结合。采用类似的方法,我们的模型使用3D CNN处理体积输入,使用多层感知机(MLP)处理标量特征。两种途径的输出在特征层融合后,再进入后续的全连接层。标量输入包括5个特征,代表颗粒的摩擦力、恢复力和杨氏模量,以及管材与颗粒的直径比和特定颗粒填充率。这些特征通过一个全连接的MLP处理,将5维输入映射到64维的特征向量,分为两层。之后应用非线性激活函数修正线性单元(ReLU)[48]。
下载:下载高分辨率图像(413KB)
下载:下载全尺寸图像
图1. 3D CNN的模型结构,其中附加输入流的所有输入均标记为蓝色,应用于独立输入流的层标记为橙色,应用于连接后流层的层标记为绿色,输出标记为灰色。每个维度大小为60的体积输入代表颗粒形状,通过四个卷积层处理,卷积核的大小为33。每个卷积层之后跟着批量归一化和“漏式”ReLU激活函数。与传统ReLU函数不同,“漏式”ReLU允许负输入并返回小的负输出,以克服ReLU函数中可能出现的死神经元问题[49]。在第一和第二卷积层之后,应用一个池化大小为2×3的最大池化层来减少特征图的空间维度。3D CNN的扁平化输出之后是两个全连接层。然后,3D CNN和标量特征路径的输出被连接起来,再传递给接下来的三个密集层。在前两个层之后应用ReLU激活函数,而在最后一层使用Sigmoid激活函数将输出映射到[0,1]的范围,以匹配平均堆积孔隙率的范围。图1展示了从输入到输出值的解释网络结构。
模型根据深度神经网络的标准程序进行训练[43]。在前向传播中,通过使用当前权重和偏置处理输入批次来计算预测值。接下来,损失函数计算预测输出与真实值之间的差异,量化当前模型的误差。在反向传播过程中,计算损失相对于所有模型参数的梯度。然后优化器根据这些梯度更新权重和偏置。对于优化器,使用Adam优化算法[50],该算法根据梯度的第一和第二矩的估计分别调整每个参数的学习率。学习率设定为η=0.001,其余的超参数设置为它们的标准默认值。对于损失函数,使用均方误差(MSE)[4],公式为 LMSE=1/Ndata∑i=1Ndata(yitrue?yipredicted)2,其中Ndata是数据样本的数量,yi是预测或真实的输出。为了提高外推性,例如对于高管材与颗粒直径比的情况,已知平均堆积孔隙率表现出渐近行为[1],引入了单调性惩罚函数。如果不强制单调性,可能会错过这种渐近趋势,因为堆积生成是一个统计过程,个别样本可能会偏离预期行为。因此,添加了一个额外的损失函数来惩罚非单调梯度[51]。此外,还添加了一个曲率惩罚项来惩罚交替的曲率。单调性损失定义为 Lmono=1/Ndata∑i=1Ndata∑j∈C[max(0,α1,j?f(xi)?xij)+max(0,α2,j?2f(xi)?xij2)]?I(xj>tj),其中Nc是受限于单调性的标量输入的数量,C是它们的索引集,xij是第i个样本输入xi的jth特征,对其应用单调性惩罚。项α1,j∈{+1,?1}指定了第j个单调特征所需的单调方向,+1表示递减行为,?1表示递增行为。项α2,j∈{+1,?1}指定了所需的曲率方向,+1表示向上凹,?1表示向下凹。ReLU操作符仅对违反所需单调性和曲率的情况进行惩罚,而符合单调性约束的梯度则没有贡献。指示函数I(xj>tj)将惩罚限制在超过阈值tj的特征值上。总损失通过权重因子s对MSE损失和单调性损失进行加权计算[6],公式为 Ltotal=LMSE+s?Lmono,其中s在本研究中设置为1。
此外,为了评估训练的成功率,还可以根据公式(7)计算平均绝对百分比误差(MAPE)[7]:δMAPE=1/Ndata∑i=1Ndata|yitrue?yipredicted|,它表示真实值与相应预测值之间的相对误差。
所示的神经网络是在PyTorch [52](版本2.2.1)中实现的,这是一个广泛采用的具有CUDA支持的深度学习框架,用于GPU加速。

2.3.2 数据准备和框架结构
为DEM模拟提供的STL格式的颗粒形状需要离散化以匹配体积输入形状,如图1所示。类似于2.2节中的堆积密度评估,使用Blender?的光线投射算法对颗粒形状进行体素化。体素化的结果是一个3D数组,如果体素中心在颗粒体积内则包含值1,如果体素中心在体积外则包含值-1[33]。由于对体积输入进行了围绕所有三个笛卡尔轴的完整旋转的增强,因此在每个边界应用了一个9个体素的缓冲区,相当于域大小的15%,以防止旋转后的颗粒形状部分离开立方体域。因此,使用42个体素对形状进行离散化,体素大小由每个形状的最大边界框尺寸决定。体积表示的准确性本质上取决于网格大小。STL导出的体积与其体素化对应物之间的比较显示,所有形状的平均相对偏差约为2%,考虑到3D CNN是整个模型中计算要求最高的部分,这被认为是可接受的。图2给出了体素化和增强的一个例子,其中带颜色的体素代表3D数组中的条目1。
从DEM模拟中收集的数据被划分为训练数据集,占总数据的85%,其余数据用于验证测试。PyTorch数据加载器处理数据批量和体积输入的增强,批量大小为B=64。基于旋转的数据增强仅应用于训练数据,以提高泛化性能,而验证或测试集没有应用增强。根据图3,在每个周期中,所有批次都传递给神经网络。首先传递训练批次,网络根据这些批次更新其参数,然后在每个周期结束时传递测试批次到神经网络,以评估未见数据的MSE和MAPE。如果训练和测试数据集的MAPE和MSE至少500个周期内没有显著改善,则停止训练。
下载:下载高分辨率图像(333KB)
下载:下载全尺寸图像
图2. 用于3D CNN输入的颗粒形状的体素化和增强。颜色仅用于可视化。带颜色的体素代表数组条目1,而数组条目为-1的体素不可见。
下载:下载高分辨率图像(280KB)
下载:下载全尺寸图像
图3. 神经网络的训练工作流程,包括周期和批次循环,其中体积输入的数据批量和增强由PyTorch数据加载器管理。

3. 结果
3.1 训练
共有7500个数据点可用于NN模型的训练和验证。这些数据来自大约2000次针对60种不同全身颗粒形状的DEM模拟。此外,还从全身数据集中提取了94种空心形状的数据,如具有轴向孔或空腔的颗粒,使用保持外壳形状替换的方法来确保外部形状的一致性,同时改变内部结构。保持外壳形状替换方法已在支持信息(见S1节)中针对不同孔大小的空心圆柱体进行了验证。值得注意的是,这种方法是针对本研究的主要关注量——平均堆积孔隙率进行验证的。然而,这并不能保证该方法不会影响颗粒的方向,这超出了本研究的范围。对于所有堆积情况,都评估了平均堆积孔隙率,第2.2节中解释了排除了轴向方向的顶部和底部部分。通过将其与LIGGGHTS? [10]、STAR-CCM+? [16]、Blender? [10]、[16]和FDEM代码Solidity [53]以及支持信息中引用的相应实验数据进行比较,证明了Ansys? Rocky?用于生成堆积床的适用性(见S2节)。尽管文献数据的可用性有限,但这仍使Ansys? Rocky?能够针对不同颗粒形状进行验证,包括球体、圆柱体、Raschig环和三叶虫形状。此外,对球形和圆柱形颗粒重复模拟10次后,发现相对标准差(RSD)为0.7%(见支持信息S3节)。
五个标量输入参数在参数空间中仅有轻微的系统变化。相反,选择了参数的随机组合以确保对输入域的广泛和全面采样,从而得到不同的配置。标量输入是从相应预定义范围内的均匀分布中抽样的。在实践中,这是通过将给定范围离散化为固定步长,并从这些值中均匀抽样来实现的。研究的范围包括管到颗粒直径比在3到12之间,摩擦系数和恢复系数从0.05到0.95之间,杨氏模量的值从0.01到100 GPa之间,以及特定的颗粒填充率从5到30 s-1之间。这五个参数的相关性得到了对圆柱形颗粒的敏感性分析的支持(见支持信息,第S4节),该分析表明管到颗粒直径比对包装密度的影响最大,而恢复系数对包装密度的影响最小。颗粒的密度和泊松比被设定为2000 kg m-3和0.3,因为发现这些属性对平均包装孔隙率没有显著影响(支持信息第S5.1节)。管的高度,即颗粒插入的高度,被设定为200 dp,v。填充时间被选为至少达到40 dp,v的包装高度。使用这些设置,发现平均包装孔隙率与包装高度和插入高度无关(支持信息第S5.2节)。此外,颗粒-壁相互作用参数,摩擦系数μp-w和恢复系数ep-w,保持恒定在μp-w = 0.35和ep-w = 0.65。研究发现,颗粒-壁恢复系数对平均包装孔隙率的影响较小,但摩擦系数会影响平均包装孔隙率(支持信息第S5.3节)。因此,在低λ范围内,恒定颗粒-壁相互作用参数的简化可能会成为限制,因为在低λ范围内,限制壁对包装结构的影响最大,特别是当考虑具有不同摩擦特性的不同壁材料时。最后,Ansys? Rocky?的数值软化因子[40]被设定为0.2,因为这个值在准确性和计算时间之间找到了一个良好的平衡(支持信息第S5.4节)。完整的数据集被随机打乱,然后分为训练数据集(85%)和验证/测试数据集(15%)。因此,每种颗粒形状都可能出现在两个数据集中,但配置不同。此外,在训练过程中,颗粒形状永远不会以完全相同的方式训练两次,因为应用了旋转作为增强手段。图4显示了训练进度和完全训练后的模型的误差分布。根据图4(a),训练的MAPE下降到0.6%以下,未见过的测试数据集的MAPE下降到1%以下。训练误差和测试误差之间的一致性表明模型捕捉到了潜在的关系,而没有过拟合。图4(b)显示了MSE损失函数的评估,这是总损失的主要部分。为了实现管到颗粒直径的物理上合理的外推,加入了一个惩罚损失,该损失惩罚增加的梯度和顺时针曲率,从而强制单调性和渐近行为,如方程(5)所述。阈值被设定为I(λ>6),这允许在低λ范围内有足够的灵活性,同时在超过此值的渐近区域强制正则化。然而,单调性损失函数的影响大约是训练结束时MSE损失影响的两个数量级小。进行了一项消融研究,以评估所提出的神经网络架构组件的影响,包括CNN分支、标量输入分支和连接流。此外,还研究了关键训练超参数(如学习率和批量大小)的敏感性,以确保稳定的、条件良好的训练。相应的详细配置和结果在支持信息中提供(见第S6节)。结果表明,减少CNN和标量分支对整体性能只有微小的影响,而减少连接流的MLP容量会导致准确性的更明显下降。这表明几何形状和标量特征的融合是所提出架构中最关键的组件。此外,选定的学习率和批量大小被认为是合适的。图4(c)中最终模型的训练和测试数据集的误差分布显示,少于2%的训练数据的MAPE超过2%。对于测试数据集,少于2%的数据的MAPE超过4%。总体而言,应用的多输入3D CNN能够准确预测包装密度,捕捉输入参数之间的复杂相互作用。下载:下载高分辨率图像(396KB)下载:下载全尺寸图像图4. 神经网络训练在5000个周期内的进展情况。左边显示了平均百分比误差(a),右边显示了损失函数的一部分——均方误差(b)。此外,还显示了训练模型的平均百分比误差分布(c)。3.2. 对未见数据的验证为了进一步评估多输入3D CNN的预测能力,对一部分颗粒形状进行了选定的标量输入的完整变化。尽管这些颗粒形状曾是训练或测试数据集的一部分,但这些特定配置并未被模型系统地遇到。用于此验证的颗粒形状可以在图5a和图5b中找到。进行参数变化的默认DEM输入参数列在表1中。图6(a)显示了在不同的管到颗粒直径比下,5种不同全身体颗粒形状的平均包装孔隙率。通常,随着颗粒球形度和凸度的降低,包装孔隙率增加,这与Hesse等人[33]报告的热图一致。这导致圆柱形状产生最低的平均包装孔隙率,而雏菊形状在所呈现的形状中产生最高的平均包装孔隙率。总体而言,神经网络的预测与DEM模拟得到的结果非常吻合。在管到颗粒直径比的外推过程中,观察到了一个现实的趋势,即在高于训练该神经网络的比率时,向一个恒定值渐近。下载:下载高分辨率图像(145KB)下载:下载全尺寸图像图5. 从数据集中选取的全身体(a)和空心形状(b),以及从Jurtz等人[53] [c]改编的三种空心形状(包括Raschig Ring (RR)、低压降颗粒(LDP)和带有花卉设计的空心圆柱(FD))。表1. 作为所有后续变化参考的默认DEM输入参数。管尺寸λ = 5, htube = 1000 mm材料相互作用μp-p=μp-w=0.35 , ep-p=ep-w=0.65材料属性E = 0.1 GPa, ρp = 2000 kg m-3, ν=0.3操作条件n?p = 10 s-1, n?p = 20 s-1图6(b)展示了三种不同空心形状随填充速度增加的平均包装孔隙率的一般趋势,这与Fernengel等人[12]的研究一致,他们报告了球形颗粒的相同趋势。总体而言,DEM模拟结果和NN预测之间的一致性也是令人满意的,只有在低填充率时才会出现偏差。特别是,NN对1孔3肋圆柱在低填充率下的预测低估了平均包装孔隙率。一般来说,模型应在特定的填充率范围内使用,因为无法保证正确的外推。平均包装孔隙率有上下界限,分别由密集和松散的包装表示[55]。这些界限可能没有被子模型捕捉到,因为它预测平均包装孔隙率随填充率连续增加。图6(c)展示了应用于颗粒-颗粒相互作用的摩擦系数的影响,对于三种不同的空心圆柱,随着摩擦系数的增加,平均包装孔隙率增加,这也被Fernengel等人[10]对于球形颗粒发现。NN预测和DEM模拟结果非常接近。因此,摩擦的影响被NN非常好地反映了。此外,这个参数不需要外推,因为摩擦系数定义在0到1之间,这大部分都在训练范围内。到目前为止,已经展示了针对训练数据集中颗粒形状的DEM输入参数的变化。现在,将NN与DEM模拟进行了比较,这些形状不属于任何数据集。因此,Jurtz等人[54]研究中的形状被改编并列在图5c中。值得注意的是,尽管大小和比例不完全相同,但类似的形状被包含在训练和测试的数据集中。此外,并不是所有DEM模拟和NN所需的输入都可用,也不是所有形状的几何测量值都可用,如孔的大小。因此,选择了现实的估计值。然而,由于Jurtz等人[54]使用了加载设备,而且孔的体积显著影响平均包装孔隙率,因此两项研究的包装孔隙率几乎无法比较。尽管如此,由于Raschig Ring (RR)的外几何尺寸为16 × 16 mm,10孔圆柱(称为低压降颗粒(LDP)的外几何尺寸为19 × 16 mm,以及带有花卉设计的10孔圆柱(FD)的外几何尺寸为20 × 16 mm,它们被用于Ansys? Rocky?中的DEM模拟。表2总结了DEM模拟设置,使用了原始研究中使用的相当低的颗粒-颗粒摩擦系数。颗粒掉落高度被设定为4 m,以满足我们的要求,即掉落高度不影响平均包装孔隙率。包装高度超过了1 m,这足以获得与包装高度无关的平均包装孔隙率。下载:下载高分辨率图像(420KB)下载:下载全尺寸图像图6. 比较了DEM模拟和NN预测的不同形状的平均包装密度。管到颗粒直径比λ(a)、特定颗粒填充率n?p(b)和颗粒-颗粒摩擦系数μp-p(c)在整个训练范围内变化。图7显示了RR、LDP和FD形状的DEM结果,以及与这些形状共享相同外壳的相应全身体颗粒的结果。总体而言,DEM和NN得到的结果非常吻合。全身体颗粒的预测略好于相应的空心形状。无论特定的外部还是内部颗粒形状是低估还是高估,都没有观察到趋势。此外,全身体颗粒的偏差并不遵循相应空心形状的偏差方向。因此,模型似乎没有在颗粒的内部形状方面表现出任何系统性的偏差。表2. 使用RR、LDP和FD颗粒进行包装生成的DEM模拟设置。管尺寸dtube = 101.6 mm, htube = 4000 mm材料相互作用μp-p=0.05 μp-w=0.35 , ep-p=ep-w=0.65材料属性E = 10 GPa, ρp = 2000 kg m-3, ν=0.3操作条件n?p = 10 s-1此外,还通过与文献中对圆柱颗粒包装孔隙率的相关性比较来评估所提出模型的预测能力。考虑了三种取决于管到颗粒直径比的相关性。Dixon [26](方程(8))和Benyahia & O’Neill [27](方程(9))的相关性是针对相对松散的包装制定的,而Foumeny & Benyahia [56](方程(10))的相关性是针对相对密集的包装结构制定的。(8)??=0.36+0.1λ+0.7λ^2 (9)??=0.373+1.703(λ+0.611)^2 (10)??=0.293+0.684λ?0.851(1.837λ?1)0.5下载:下载高分辨率图像(129KB)下载:下载全尺寸图像图7. 比较了RR、LDP和FD颗粒形状的DEM模拟结果及其相应外壳形状的NN预测。此外,通过考虑中心孔创建的额外空隙空间,可以从这些相关性中获得Raschig环的包装孔隙率。包装孔隙率是根据相应的颗粒外壳(即整个圆柱体)和孔径与圆柱体直径的比率来确定的,该比率遵循[56]中提出的公式??=??hull+(1???hull)(dh/dp)2。由于神经网络覆盖的输入参数比文献中的相关性更多,因此调整了颗粒之间的摩擦系数和特定的颗粒填充率,以再现密集或松散的包装结构。颗粒之间的恢复系数固定为0.65,杨氏模量设为1 GPa。对于Raschig环,孔径与圆柱体直径的比率dh/dp设为0.5。图8(a)显示了整个圆柱体的比较结果,图8(b)显示了Raschig环的比较结果。在这两种情况下,神经网络的预测与相关性之间的一致性都很好,偏差主要出现在管径与颗粒直径比率较小时。相关性与神经网络之间的平均绝对百分比误差(MAPE)在1%到3%之间。然而,应当注意的是,摩擦系数和特定填充率并不是为了最小化与相应相关性的误差而优化的,而是用来证明该模型可以再现各种包装场景,这些场景由文献中的相关性表示。

下载:下载高分辨率图片(323KB)
下载:下载全尺寸图片

图8. 通过Dixon [25]、Benyahia & O’Neill [26] 和 Foumeny & Benyahia [55] 提出的相关性计算的平均包装孔隙率与神经网络(NN)预测结果的比较,对于等边圆柱体(a)和Raschig环(b)不同的颗粒摩擦系数μp-p和特定颗粒填充率n?p。

3.3. 基于形状的最优包装识别
在填充床反应器中,高包装孔隙率和大的包装表面积都是期望的。高孔隙率可以降低床层的压力降,而大的包装表面积可以增加反应物与催化剂之间的接触,从而提高催化性能。然而,其中一个特性的增加并不一定导致另一个特性的增加。因此,最优包装通过提供大的表面积同时保持足够的空隙空间来达到平衡。为了独立于颗粒的绝对大小来评估包装表面积,总包装表面积Spacking通过管的侧面积Stube,lat进行了归一化,公式为 (11)Φ=SpackingStube,lat=(1???)λ4Spdp,vVp,其中Stube,lat是根据管直径dtube和包装高度hpacking计算得出的。因此,无量纲表面积Φ取决于颗粒的几何特性、管径与颗粒直径的比率以及平均包装孔隙率。为了用离散量描述颗粒形状,可以使用球形度(12)Ψ=(πVp)2/3Sp和凸度(13)Γ=VpVp,convex [1]。这里,球形度Ψ定义为与颗粒体积相同的球的表面积与颗粒实际表面积Sp的比率。凸度Γ衡量颗粒实际体积Vp与其凸包体积Vp,convex的比率,表示表面不规则性或空洞的程度。为了评估,选择了一组形状以确保球形度和凸度的充分分布。此外,神经网络的标量输入设置为λ=10,μp-p=0.35,ep-p=0.65,n?p=20s?1,E=1GPa。尽管可以使用不同的输入值,但这只会影响绝对值,而不会影响总体趋势。使用Spearman等级相关系数[57]来量化各个案例之间的鲁棒性。这个指标评估了在标量输入参数变化下颗粒形状相对排序的稳定性。分析考虑了标量变量输入空间训练范围内的参数变化。在所有调查的案例中,Spearman相关系数始终高于0.95,表明等级稳定性很高。因此,模型预测对标量参数的变化具有鲁棒性,因为尽管绝对值发生变化,颗粒形状的相对排序仍然得到保持。

此外,图9区分了全质颗粒和空腔颗粒。图9(a)显示,随着颗粒形状的球形度和凸度的降低,平均包装孔隙率增加。这一趋势与图6(a)中的早期观察结果一致,其中雏菊形状显示出最高的包装孔隙率。对于所考虑的形状,凸度的依赖性比球形度的依赖性更为明显。尽管如此,全质颗粒和空腔颗粒都表现出相同的整体行为。相比之下,图9(b)显示了归一化表面积的不同趋势。在这里,包装表面积随着球形度的降低而增加,但随着凸度的增加而增加。因此,最大化包装孔隙率和包装表面积成为一种权衡,这在图9(c)中得到了说明。这两个量的乘积似乎主要取决于球形度,因为当凸度降低时,孔隙率的增加 compensates for 表面积的减少。

在图9中,突出显示了产生最高孔隙率、最高归一化表面积和两者乘积最高的颗粒形状。图9(a)中,具有大孔的非等边Raschig环导致最高的孔隙率,但其归一化表面积相对较低,如图9(b)所示。FD形状显示出平均包装孔隙率与归一化包装表面积之间的乘积最高,如图9(c)所示。虽然其归一化表面积与图9(b)中的2十字肋圆柱体相似,但FD形状的平均包装孔隙率更高,从而在两个量之间实现了更有利的整体权衡。值得注意的是,这种定义最优颗粒形状的尝试完全是基于几何学的。此外,还需要评估机械稳定性、流体动力学以及热量和质量传递,以评估所提出形状的实际适用性。

从这些结果来看,球形度和凸度似乎是描述颗粒形状对填充床反应器中催化剂包装孔隙率影响的合适参数。因此,在用这些形状描述符替换颗粒几何的体积表示时,可以应用更传统的机器学习技术,例如随机森林(RF),该技术使用随机生成的训练数据子集训练多棵决策树并结合它们的输出[58]。在这种情况下,RF模型使用了七个输入参数,包括神经网络中已经使用的五个标量输入和两个形状描述符。使用相同的数据集,该模型被训练来预测相应的平均包装密度。RF模型的详细信息在支持信息中提供(见S7节)。虽然两种方法的训练MAPE相当,但RF模型的测试误差较高,为1.33%。此外,基于图6中所有数据点的帕累托图(图S7)表明,提出的神经网络比RF模型具有更好的泛化性能。总体而言,这些结果表明球形度和凸度是适合相对排名颗粒形状的描述符,但它们不能完全替代CNN处理的体积输入表示,而不会损失预测准确性。

下载:下载高分辨率图片(356KB)
下载:下载全尺寸图片

图9. 平均包装孔隙率??(a)和归一化包装表面积Φ(b)与颗粒球形度Ψ和凸度Γ的依赖性。当孔隙率和归一化表面积的乘积较高时,认为包装是理想的(c)。

4. 结论
本研究提出了一个通用的数据驱动框架,用于预测填充床的孔隙率,该框架将颗粒形状的3D几何信息与标量过程和材料参数结合起来。与传统的基于相关性的方法相比,提出的多输入3D CNN能够捕捉颗粒形状、材料属性、反应器尺寸和填充条件之间的复杂非线性相互作用,从而在广泛的配置范围内进行准确预测。通过这种方式,该模型为DEM模拟提供了一个计算效率高的替代品,并将预测能力扩展到了传统经验相关性之外。该模型基于来自离散元方法(DEM)模拟的7500个数据点进行训练,涵盖了60种不同的全质颗粒形状和94种相应的空腔颗粒变体。随机化的参数组合确保了输入空间的广泛和无偏采样,使模型能够在不同的配置中泛化。在训练过程中,应用了组合的均方误差和单调性惩罚损失,以强制物理上合理的趋势,特别是随着管径与颗粒直径比率的增加,包装孔隙率逐渐减小。模型实现了相当的训练和测试误差,表明了良好的泛化能力,并且没有过拟合现象。结果误差分布表明,大多数预测与参考DEM值的偏差在2%以内。使用未见过的配置和形状类型的进一步验证表明,该模型可靠地捕捉了颗粒形状特征与平均包装孔隙率之间的主要相关性。尽管某些形状出现了轻微的偏差,但未观察到系统的偏差或预测的方向性偏差。该模型在训练参数范围内再现了现实的外推行为,这也通过与文献中报告的相关性的比较得到了证实。然而,随着新数据的出现,该模型可以不断扩展和重新训练,从而实现有针对性的改进。特别是,预计在较低的填充率下进行额外的模拟将进一步提高模型的准确性。总体而言,所提出的多输入3D CNN是一个高效的替代品,用于计算成本高昂的DEM模拟,能够捕捉比传统基于相关性的方法更广泛的颗粒形状和材料影响。通过识别产生高包装表面积和高包装孔隙率的颗粒形状,展示了神经网络的一个示例用途,而且这一过程计算需求不高,并且根据颗粒的凸度和球形度进行了评估。

未来的工作应该集中在预测填充床反应器的其他复杂特性上,例如包装层上的压力降。然而,核心问题仍然是一样的:如果实验数据不可用,可以通过计算成本高昂的3D计算流体动力学(CFD)模拟来提供。从概念上讲,本研究中的AI框架可以进行调整,因为3D颗粒形状必须与多个标量输入(如流速或管径与颗粒直径的比率)结合,以预测单一的标量输出,即压力降。此外,基于自动编码器的方法可用于逆向颗粒设计,根据所需的包装特性生成新的颗粒形状。最近,Qian和Li [59] through自动编码器探索了颗粒形状的逆向设计,针对特定的形状球形度和填充分数。这是在2D表示的凸形状上完成的。包装结构的2D表示是使用填充随机顺序吸附方法生成的,该方法完全由排除体积效应驱动,不考虑对象之间的任何相互作用。然而,这些技术对于应用于3D颗粒形状和逆向设计颗粒形状似乎很有前景。

CRediT作者贡献声明
Christian Bauer:写作 - 审稿与编辑、撰写原始草稿、可视化、方法论、研究、资金获取、概念化。
Jennie von Seckendorff:写作 - 审稿与编辑、监督、项目管理、概念化。
Richard Fischer:项目管理、资金获取、概念化。
Normen Szesni:项目管理、资金获取。
Olaf Hinrichsen:写作 - 审稿与编辑、监督、项目管理、资金获取。

在准备这项工作时,作者使用了ChatGPT来提高工作的可读性和语言。使用此工具/服务后,作者根据需要审查和编辑了内容,并对发表文章的内容负全部责任。
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