用于批次循环流下Flow-By反应器掺硼金刚石（BDD）电极上2-氯苯酚电氧化的混合物理信息神经网络（PINN, Physics-Informed Neural Network）模型

《Processes》：A Hybrid Physics-Informed Neural Network (PINN) for the Electro-Oxidation of 2-Chlorophenol on BDD Electrodes in a Flow-By Reactor Under Batch Recirculation

　　

摘要：采用掺硼金刚石（Boron-Doped Diamond, BDD）阳极对2-氯苯酚（2-Chlorophenol, 2-CPh）等持久性有机污染物进行电氧化是一种颇具前景的废水处理途径，然而传统的机理模型（如计算流体力学 Computational Fluid Dynamics, CFD）存在计算成本过高的问题。本研究开发了一种混合物理信息神经网络（Physics-Informed Neural Network, PINN）来模拟批次再循环模式下耦合连续搅拌槽（Continuous Stirred Tank, CST）的Flow-By反应器中2-CPh的电氧化过程。该PINN将扩散–对流偏微分方程（Partial Differential Equation, PDE）与储罐的集总参数常微分方程（Ordinary Differential Equation, ODE）相耦合，并将物理约束直接嵌入损失函数（Loss Function）中。模型使用经先前验证的参数化模型生成的模拟数据进行训练，并通过系统的超参数网格搜索进行优化。PINN与实验数据吻合良好，决定系数（Coefficient of Determination, R2）达0.9927，均方误差（Mean Square Error, MSE）为0.0009，均方根误差（Root Mean Square Error, RMSE）为0.0294——在精度上优于CFD模型和参数化模型。敏感性分析表明表观速率常数（apparent kinetic constant, kapp）是最具影响力的参数（归一化灵敏度为14.20）。CFD模型需耗时42天，参数化模型需8秒，而PINN以7.36小时的运行时长在精度与效率间取得了平衡。研究人员得出结论，该PINN提供了一种高精度、计算可行的代理模型（surrogate model），适用于电化学废水处理数字孪生（Digital Twin）及实时控制框架的集成。

论文解读：BDD电极上2-氯苯酚电氧化的混合PINN建模研究

【研究背景与意义】

电氧化是降解持久性有机污染物如2-氯苯酚（2-Chlorophenol, 2-CPh）的有效手段，掺硼金刚石（Boron-Doped Diamond, BDD）阳极因可产生活性羟基自由基（•OH）而备受关注。针对Flow-By反应器耦合连续搅拌槽（Continuous Stirred Tank, CST）的批次再循环体系，已有研究建立了CFD耦合模型（拟合优度R²=0.9917）但求解耗时长达42天；随后发展的基于轴向分散的物理参数化模型虽仅需8秒但精度略低（R²=0.9831），且在大批量评估（如数字孪生实时控制需数千次调用）时仍存在局限，且对工况变动适应性差。为兼顾精度与计算效率并引入物理一致性约束，研究人员开展了将对流–扩散–反应偏微分方程（PDE）与CST集总参数常微分方程（ODE）嵌入神经网络损失函数的混合物理信息神经网络（Physics-Informed Neural Network, PINN）研究，旨在建立适用于实时控制和数字孪生的可靠代理模型。该论文发表于《Processes》。

【主要关键技术方法】

研究人员基于前期经实验验证的含轴向分散的Flow-By反应器与CST耦合参数化模型生成模拟训练数据。构建两个全连接深度神经网络分别近似反应器内浓度C_FBR(x,t)和储罐浓度C_CST(t)，将一维非稳态对流–扩散–反应PDE残差（含Danckwerts边界条件及均匀初值条件）与CST的ODE残差、实验/模拟数据点误差共同加权构成总损失函数，利用自动微分（Automatic Differentiation）求偏导。采用tanh激活函数、Adam优化器，通过网格搜索确定最优网络层数、神经元数及学习率，并设定各损失项权重（λ_IC=1×10⁶，λ_BC=1×10⁴，λ_PDE=1.0等）以平衡量级，实施早停（early stopping）防止过训练，最后进行单因素（One-at-a-Time, OAT）参数敏感性分析。

【研究结果】

3.1 混合PINN建模结果（Results of the Hybrid PINN Modeling）

研究人员经超参数寻优确定网络结构并在MATLAB Deep Learning Toolbox中实现训练。PINN成功捕捉了反应器沿程及随时间变化的浓度时空分布，储罐浓度呈平滑指数衰减，4小时末端反应器出口浓度降至约0.00268 mol/m³。训练损失在前1000轮快速下降，1000–18000轮微幅震荡趋于稳定，超过18000轮出现发散，故取10000–18000轮为最优停止区间。与CFD模型（低估）和参数化模型（高估）相比，PINN预测曲线与六组实验数据点吻合最佳。

3.2 准确性指标性能（Accuracy Index Performance）

PINN预测t=4 h、x=0.2 m处2-CPh浓度的决定系数R²=0.9927，MSE=0.0009，RMSE=0.0294，三项指标均优于CFD模型（R²=0.9917, RMSE=0.4041）和参数化模型（R²=0.9831, RMSE=0.1754），证明混合PINN具有更高精度和鲁棒性。

3.3 敏感性分析（Sensitivity Analysis）

采用OAT法变动表观速率常数k_app、轴向弥散系数D_ax、线速度u及体积流量Q，归一化灵敏度S_kapp=14.20＞S_Q=6.55＞S_u=6.20＞S_Dax=3.32。即k_app（受电流密度影响）对输出影响最显著，须精确测定；Q与u次之；D_ax影响相对较小。±10%流量波动引起浓度变化约±0.62%，±10%弥散系数波动引起约±0.33%，表明模型在典型操作扰动下输出有界且行为稳定，得益于tanh激活函数的Lipschitz连续性及PDE残差损失的物理约束。

3.4 结果分析（Results Analysis）

三种模型对比显示PINN在计算时间（离线训练7.36 h，在线推理8.0 ms/次）与精度间取得良好折衷，较CFD提速约137倍且精度更优，克服了传统CFD耗时过长与传统参数化ODE求解在大规模迭代中不够便捷的缺点，适合嵌入数字孪生与实时控制器。

【讨论与结论翻译】

基于本研究结果，批次再循环Flow-By反应器中BDD电极上2-氯苯酚电氧化过程可通过混合物理信息神经网络（PINN）成功建模。所开发的混合PINN表现出高预测精度，R²达0.9927，MSE和RMSE分别为0.0009和0.0294，印证了PINN在电化学废水处理过程建模中的潜力。敏感性分析进一步对影响PINN预测的2-氯苯酚浓度参数进行了排序，确定了须精确估算的最关键因子（表观动力学常数k_app）。此外，与计算流体动力学（CFD）相比，PINN将计算时间从42天缩短至7.36小时——提速137倍——同时保持优异精度（R²=0.9927）。研究还发现增加训练轮数（epoch）并不必然保证稳定收敛，因此引入早停准则至关重要。未来工作建议纳入Butler–Volmer方程描述电极动力学、考虑电流分布方程，并在不同操作条件下验证泛化能力，以及探索线性/非线性最优控制策略调控电流强度和体积流量。