综述：反应性多相流的多尺度计算：迈向能源转型领域的数字孪生技术

《Particuology》：Multi-scale computations of reactive multiphase flows: Towards digital twins for energy transition

　　王梦宇|王帅|林俊杰|罗坤|范建人•本文综述了反应性多相流多尺度建模的进展。•重点介绍了基于物理的模型以及如ROM这样的人工智能驱动方法。•将多尺度计算与人工智能相结合为数字孪生的发展铺平了道路。•还提出了关于智能、自演化数字孪生的未来展望。

引言
全球对碳中和的追求加速了能源结构的转型（Guo等人，2024年）。根据国际能源署的数据，在碳中和情景下，化石燃料在初级能源消耗中的占比预计将从目前的约80%下降到2050年的20%，而可再生能源的占比则将达到约80%（Raimi等人，2024年）。这一转变要求能源系统不仅更加清洁，而且在运行上更具灵活性、效率性和智能化（Cao等人，2024年；Qi等人，2024年）。在中国，“双碳”目标，即在2030年前实现二氧化碳排放达峰，2060年前实现碳中和，正在重塑这个仍然严重依赖化石燃料的国家的能源结构（Yang等人，2024a；Yang等人，2024b）。新兴的源-网-荷-储一体化能源网络体现了这一转型，强调多能协同、双向互动以及灵活运行（Fan等人，2021年；Shang等人，2025年）。然而，这种集成带来了建模、稳定性控制以及不确定性管理方面的新挑战。在这一不断发展的背景下，流化床燃烧器、气化炉以及化学循环系统等多相流反应器因其出色的混合、传热和反应特性而发挥着重要作用（Kong等人，2023年；Li等人，2025年；Tsuboi等人，2020年）。不过，这些系统涉及气固流动动力学、颗粒运动以及跨多个时间和空间尺度的化学反应之间的复杂耦合（Yu等人，2023a）。准确高效地捕捉这些现象仍然是计算建模面临的一个挑战（Wang等人，2023年；Wang和Shen，2025年）。

数字孪生概念的出现为这类反应性多相系统的智能管理和优化提供了一条有希望的途径（Tao等人，2024年）。数字孪生是一种动态的、持续更新的物理系统的虚拟副本，它将实时传感器数据与高保真计算模型相结合，以实现预测、优化和控制。为这些系统构建可靠的数字孪生需要一个强大的多尺度计算基础，该基础能够将机理理解与数据驱动的适应性相结合（Daniell等人，2025年）。同时，由于准确性与效率之间的权衡、将基于物理的模型与数据驱动的模型相结合的困难，以及预测不确定性等问题，给在复杂电网约束下的可靠实时决策带来了挑战（Savarese等人，2024年）。

流化床具有多种优异的运行特性，包括出色的热质传递性能、高气固接触效率，以及处理大量固体颗粒的能力。这些特点使得流化床燃烧器成为源-网-荷-储一体化能源系统中发电的关键技术。为流化床系统开发数字孪生需要解决其固有的复杂多尺度及多物理场耦合问题（Zhong等人，2016年）。如图1所示，其动态行为涵盖了从颗粒尺度相互作用到中观尺度团簇形成，再到宏观尺度反应器流动结构，同时多种物理过程（如颗粒间碰撞、热质传递以及化学反应）会同时发生并相互作用（Joshi和Nandakumar，2015年）。准确捕捉这些跨尺度的紧密耦合机制对于流化床反应器的精确模拟、性能优化以及智能控制至关重要，这也是构建高保真数字孪生的基础，从而实现工业应用中的实时监测和预测性优化（Alobaid等人，2022年；Kieckhefen等人，2020年）。将人工智能引入多相反应流的研究正在重塑传统的数值模拟范式。通过在方程简化与建模、快速流场重建以及微分方程求解等方面的应用，人工智能在快速预测和高效建模复杂的反应性多相系统方面展现出了巨大潜力（Ghasem，2024年；Gosavi等人，2024年；Lai等人，2025年）。这些能力为实现多相反应器的实时感知和数字孪生构建提供了新的技术路径（Chen等人，2024年）。然而，人工智能在反应性多相流中的应用也面临着一些关键挑战，包括高质量数据集的匮乏、难以捕捉复杂的多尺度非线性相互作用，以及现有模型在工业规模系统上的可靠性和泛化能力不足（Gao等人，2024年）。

目前该领域的综述文章通常要么探讨基于物理的反应性多相流数值建模，要么研究人工智能在加速流动和反应过程建模中的应用。更具体地说，以往的综述主要集中于多尺度数值模拟方法在反应性多相系统中的应用，如计算流体动力学-离散元方法、多相粒子浸入式模拟以及双流体模型，或者研究如何利用人工智能技术加速单相或多相流动和反应过程的计算（Ibrahim和Najmi，2025年；Rahman等人，2024年；Van Quang等人，2024年）。在我们看来，当前文献的主要缺口并非缺乏关于CFD-DEM、粗粒化技术、降阶模型或数字孪生的单独综述，而是缺乏一种综合的方法论视角来阐述如何将这些工具结合用于反应性多相系统。对于以数字孪生为导向的应用而言，核心问题不再仅仅是如何提高模型精度，而是在统一的工作流程中如何平衡精度、计算可行性、可更新性、不确定性意识以及模拟与现实的匹配度。高保真模型依然不可或缺，但应将其视为参考生成器和物理基准，而非完整的数字孪生体。本综述的根本创新之处在于它架起了这些孤立领域之间的重要方法论桥梁。本文以流化床锅炉数字孪生预测作为反应性多相能源系统的典型案例展开讨论。它并非对多相流求解器进行详尽梳理，而是根据其在数字孪生发展中的功能作用对多尺度计算方法进行了分类。高保真微观尺度模拟，包括颗粒分辨率直接数值模拟和反应性CFD-DEM，被视为发现机理、解读物理现象以及生成高质量数据的重要工具。在此基础上，本文还研究了基于人工智能的降阶模型等方法，用于实现实时状态预测、稀疏传感器重建以及系统级应用。通过从严格的多尺度计算到借助人工智能的建模逐步推进，本综述为将基于物理的模拟与数据驱动的框架相结合提供了方法指导。这一视角有助于开发出可靠的流化床锅炉实时数字孪生体，并为能源系统的智能低碳转型提供技术借鉴。本文的其余部分结构如下：第2节介绍用于流化床预测的高保真和加速多尺度模型作为离线数据生成工具；第3节探讨降阶模型作为实时替代模型在锅炉状态重建中的应用；第4节聚焦于流化床预测和运行优化中的数字孪生实现；第5节总结了流化床数字孪生在精度、可扩展性、传感器数据融合以及泛化能力方面仍存在的挑战；最后，第6节给出结论性意见并对本综述进行总体总结。