一种高性能的阻力系数模型,适用于非球形颗粒,该模型采用了集成傅里叶神经算子的机器学习方法进行求解

《Powder Technology》:A high-performance drag coefficient model for nonspherical particles driven by a machine learning approach incorporating the Fourier neural operator

【字体: 大 中 小 】 时间:2026年05月08日 来源:Powder Technology 4.6

编辑推荐:

  王超|倪泽豪|王绍伦|蔡淼|刁瑞|查振兴|马亚凯|齐凤磊|马培勇 合肥工业大学机械工程学院,中国安徽合肥市230009 摘要 揭示非球形颗粒与气体流之间的界面力作用原理是多相流中的一个核心问题。开发一个能够准确预测界面力的通用阻力系数模型面临着挑战,这既是因为没有充分纳入规则

  
王超|倪泽豪|王绍伦|蔡淼|刁瑞|查振兴|马亚凯|齐凤磊|马培勇
合肥工业大学机械工程学院,中国安徽合肥市230009

摘要

揭示非球形颗粒与气体流之间的界面力作用原理是多相流中的一个核心问题。开发一个能够准确预测界面力的通用阻力系数模型面临着挑战,这既是因为没有充分纳入规则或不规则非球形颗粒的代表性形状特征,也是因为没有充分考虑流动条件(如入射角度)。在这项研究中,通过创新地将集成学习与傅里叶神经算子(FNO)相结合,并仔细确定了5个输入参数(包括颗粒雷诺数、球形度、长宽比、形状因子和入射角度),开发了一个基于机器学习的阻力预测模型。通过收集实验数据并进行直接数值模拟,构建了一个混合训练数据集,以弥补输入参数空间的空白。所提出的机器学习模型显示出更高的预测准确性,决定系数(R2)为0.986,而传统的机器学习方法(包括RandomForest、GradientBoosting、ExtraTrees和XGBoost)的预测准确性分别为0.958、0.953、0.949和0.947。除了雷诺数外,形状因子和入射角度也被确定为模型的关键输入特征。重要的是,该模型展示了良好的通用性,其在颗粒形状和流动条件超出训练数据范围的情况下仍与DNS结果高度一致。

引言

气固多相流是颗粒材料输送和处理中的主导物理现象,广泛应用于制药、先进材料合成和可再生燃料生产等领域。准确描述气体与固体颗粒之间的相互作用是实现可控颗粒运动和高效热质传递的前提。在实际工程系统中,颗粒大多是非球形的。非球形颗粒与受迫气体流之间的主要动量相互作用表现为界面阻力,这种阻力来源于气体压力梯度和粘性力。与球形颗粒不同,非球形颗粒所受的阻力不仅受雷诺数的影响,还受到颗粒形态(如长宽比、球形度)和颗粒在流动中方向的复杂相互作用的影响[[1], [2], [3]]。
非球形颗粒与气体流之间的界面动量相互作用是多相流中的一个核心问题,但至今仍是一个未解决的问题。大多数先前的实验和直接数值模拟研究仅关注单一颗粒几何形状或仅覆盖了有限范围的球形度。因此,从这些有限实验数据集得出的经验相关性[[4], [5], [6], [7]]适用性有限,且在原始参数范围之外往往失去准确性[8]。此外,Wang等人[9]证明气体流的入射角度对非球形颗粒的阻力系数有很大影响,而传统经验模型未能明确考虑这一点。这些限制共同强调了开发更通用的非球形颗粒阻力预测框架的必要性。
随着人工智能的快速发展,机器学习技术越来越多地被用于推进非球形颗粒阻力模型的发展。基于以往研究中发布的实验数据,提出了人工神经网络(ANN)[10]、符号回归(SR)[11]和高级深度神经网络(DNN)[12]等预测模型。尽管这些模型在特定参数范围内表现出良好的预测性能,但[10]中也指出,当颗粒形状变得更不规则时,预测准确性会迅速下降。考虑到训练模型通常选择颗粒雷诺数和球形度作为输入特征,可以推测这是由于颗粒形状特征或颗粒在流动中的方向的描述不足所致[12]。因此,进一步开发通用阻力系数预测模型需要仔细选择能够识别所有规则(圆柱形、椭球形和盘状)和不规则颗粒的重要形状特征的参数,并将其作为输入参数用于更先进的机器学习模型。
由于大多数实验数据仅针对少数几种颗粒形状且在非常有限的流动条件下获得,因此扩展训练数据集的参数范围和多样性是另一个挑战[12]。进行高保真度的直接数值模拟(DNS)是扩大输入参数空间并填补实验数据缺失的有效方法。例如,Wang等人[13]对高长宽比(从6到22)的圆柱形颗粒在不同入射角度下进行了DNS研究,尽管他们的数据集仅基于圆柱形颗粒,但这被证明是为模型训练提供额外数据集的有效方法。Hwang等人[14]也使用DNS构建了用于训练全连接人工神经网络模型的数据集,尽管输入参数的选择还可以进一步改进。
总之,现有的基于机器学习的非球形颗粒阻力模型通常针对一种或几种特定颗粒几何形状进行定制,缺乏能够表示多样化形状的通用形态描述符。因此,这些模型无法为任意非球形颗粒提供通用预测能力。此外,大多数现有研究依赖于相对狭窄且同质的数据集,限制了模型的准确性和预测结果的适用条件范围。
为了解决上述限制,本研究提出了一种混合数据集构建策略,该策略将实验测量结果与覆盖广泛颗粒形态和流动条件的DNS数据相结合。实验数据集作为基础,确保物理可靠性,而DNS得到的数据用于系统地扩展输入参数空间,并纳入实验室测量中通常无法获得的颗粒方向特征。在建模层面,本研究引入了一种创新的两阶段学习架构,将传统的集成学习方法与FNO相结合,构建了一个混合增强的傅里叶神经算子模型。集成学习阶段生成高质量的元特征,保留了经典模型的强大局部拟合能力,而优化的FNO捕捉了形状描述符、方向和流动条件之间的多尺度和全局耦合相互作用。通过这种混合方法,将建立一个通用的非球形颗粒阻力系数预测模型,并在后续部分中进行测试。

章节摘录

特征选择和实验数据集

输入特征的选择对机器学习模型的训练效果和预测性能至关重要。为了提高非球形颗粒阻力模型的通用性,本研究纳入了五个模型输入:颗粒雷诺数、三个几何描述符和入射流动方向。
颗粒雷诺数(Re)是控制气固阻力行为的基本参数,定义为Re=ρdp∣up?uf∣μ其中up和uf

数据集的相关性分析

图4展示了输入特征与非球形颗粒阻力系数之间的统计相关性分析。皮尔逊相关系数的绝对值反映了两个变量之间的线性关联强度。结果表明,球形度与形状因子之间存在强正相关,相关系数为0.71,表明接近球形的颗粒往往具有较大的形状因子值。

结论

在本研究中,提出了一种HE-FNO模型,用于准确预测非球形颗粒的阻力系数。在所提出的HE-FNO方法中,使用了包括XGBoost和RF在内的四种集成学习模型的预测结果作为元特征输入到FNO模型中,从而实现了比传统模型更高的预测准确性。与传统的经验相关性相比,所提出的机器学习模型有效解决了传统经验模型的问题

CRediT作者贡献声明

王超:撰写 – 审稿与编辑,撰写 – 原稿,可视化,验证,软件,资源,项目管理,方法学,研究,正式分析,数据管理,概念化。倪泽豪:撰写 – 审稿与编辑,撰写 – 原稿。王绍伦:数据管理。蔡淼:资源,数据管理。刁瑞:验证,监督。查振兴:项目管理,研究。马亚凯:可视化,研究。齐凤磊:资金支持

[15], [28], [41], [42], [43], [44], [45], [46]

利益冲突声明

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

致谢

本研究得到了中国国家重点研发计划(项目编号:2024YFE0210500)和中国国家自然科学基金(项目编号:52206241)的财政支持。
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