机器学习与喷射磨中颗粒破碎的混合建模

《Digital Chemical Engineering》：Machine learning and hybrid modelling of particle breakage in a jet mill

　　

本研究旨在比较数据驱动、第一原理和混合建模方法在喷射磨过程中预测沸石产品粒度分布（PSD）的差异。研究人员从不同工艺条件和进料PSD的喷射磨实验中收集了一个小数据集。群体平衡模型（PBM）作为第一原理模型，而机器学习模型是使用蒙特卡洛dropout的人工神经网络（ANN），可直接从工艺条件和进料PSD预测最终PSD。研究人员采用串行混合模型（SHM），利用ANN预测两个PBM参数，以及校正混合模型（CHM），利用ANN预测PBM误差。所有模型均在留一法交叉验证（LOOCV）流程中进行训练和评估，超参数通过Optuna优化。研究人员发现，SHM优于单独PBM，但逊于其他纯数据驱动模型，表明所选PBM结构过于简单，无法捕捉该沸石材料喷射磨过程的复杂性，从而约束并限制了串行模型的数据驱动部分。CHM是性能最佳的模型，其交叉验证平均绝对误差（MAECV）比纯数据驱动模型降低了34.5%。研究人员在两个保留测试实验中对CHM性能进行了探索，显示了基于蒙特卡洛dropout不确定性估计的PBM预测有效校正作用。研究人员采用可解释人工智能技术（Shapley值）来理解对预测校正作用的大小和方向有显著影响的喷射磨参数。本研究展示了混合建模的优势，并强调了在考虑底层第一原理模型的能力和局限性的前提下选择合适混合模型结构的重要性。本研究还展示了可解释人工智能技术与校正混合建模相结合用于开发底层第一原理模型的应用。

**研究背景与问题**
喷射磨（jet mill）是工业中广泛用于微粉化（micronisation）的核心设备，通过高速气流实现颗粒碰撞以降低粒度分布（PSD），尤其适用于制药、精细化学品等高纯度产品。然而，传统方法依赖试错法确定工艺参数，效率低下。群体平衡模型（PBM）作为第一原理模型可描述颗粒破碎过程，但其参数估计困难且需大量实验数据；数据驱动模型如人工神经网络（ANN）虽能直接预测，但对数据质量和数量要求高。混合建模（hybrid modelling）结合两者优势，有望在有限数据下提升性能。目前，针对喷射磨的混合建模结构比较研究尚属空白，本文旨在填补这一空缺。研究人员开展了沸石材料的喷射磨实验，收集20组数据，比较了PBM、纯数据驱动模型（Ridge回归和ANN）以及两种混合模型（串行混合模型SHM和校正混合模型CHM）的预测效果。论文发表在《Digital Chemical Engineering》。
**关键技术方法**（不超过250字）
研究人员采用以下主要技术方法：①群体平衡模型（PBM，基于Bhonsale等提出的自分级喷射磨模型，包含破碎速率和Tromp分级函数）；②人工神经网络（ANN，单隐层+ReLU激活+蒙特卡洛dropout，用于不确定性估计）；③串行混合模型（SHM，ANN预测PBM的两个关键参数α和x₅₀，再代入PBM求解）；④校正混合模型（CHM，ANN直接预测PBM的残差，与PBM预测相加后经softmax得到最终PSD）；⑤留一法交叉验证（LOOCV）结合Optuna超参数优化；⑥Shapley值（Shapley values）进行可解释性分析。所有模型在Python 3.11中实现，使用PyTorch、torchdiffeq、Optuna和shap库。
**研究结果**（保留原小标题）
**6.1 超参数优化**：通过Optuna研究，获得各模型最优超参数（表3），其中CHM隐层神经元数最多（16），且L2正则化最强（1.63×10^-4），显示其容量与复杂度惩罚的平衡。
**6.2 模型训练与验证性能**：PBM验证MAE_CV最高（0.00650），表现最差；纯数据驱动ANN（0.00380）与Ridge回归相当；CHM最优（0.00249），比ANN降低34.5%；SHM（0.00513）虽优于PBM，但比ANN差35.0%，显示过拟合风险较低。
**6.2.1 串行混合模型局限性**：SHM性能不佳源于PBM结构过于简化，包括未考虑细粉损失、忽略气流能量、假设固定停留时间等，导致负归纳偏置（negative inductive bias），限制了ANN的调整能力。
**6.3 校正混合模型测试性能**：在两项保留测试实验中，CHM的MAE分别为0.0032和0.0021，在验证集95%置信区间内；模型准确捕捉双峰分布，但蒙特卡洛dropout给出的95%置信区间过窄，预测区间覆盖概率（PICP）仅0.15和0.55，表明不确定性校准不足。
**6.4 串行混合模型参数预测**：SHM预测的PBM参数显示，测试实验1的破碎参数α（均值5.68）高于测试实验2（均值2.56），而切割粒径x₅₀相近，这与实际工艺（测试2为二次研磨）一致。
**6.5 解释校正混合模型**：Shapley值分析表明，对PBM残差影响最大的特征是研磨压力、进料速率和研磨次数，揭示了PBM遗漏的现象（如进料压力对破碎速率的影响、多次研磨的效应、细粉损失）。
**6.6 数据集局限性**：20个实验的小样本限制泛化性，但混合模型在低数据条件下仍能学习有意义的校正，未来需在更大数据集上验证。
**总结讨论与结论**（翻译自第7节）
本研究比较了数据驱动、第一原理和混合建模方法在喷射磨单元操作中对沸石材料的预测性能。评估了PBM、两种纯数据驱动模型（Ridge和ANN）以及两种混合模型（串行和校正）的表现。SHM使用ANN预测PBM的两个参数——破碎速率参数α和切割粒径x₅₀；CHM由训练为预测PBM误差的ANN构成，最终PSD预测为两者之和。模型通过LOOCV流程中的MAE评估，并使用Optuna最小化验证MAE_CV分数。SHM仅优于PBM，但逊于纯数据驱动模型，表明所选PBM过于简单，即使优化参数后也无法捕捉该沸石材料喷射磨过程的复杂性。采用更复杂、约束更少的PBM有望提升SHM性能。CHM是最佳模型，将纯数据驱动模型的验证MAE_CV降低了34.5%。在两项保留测试实验上评估了模型性能，并将实际PBM误差与来自ANN蒙特卡洛dropout置信区间的预测PBM误差进行了比较。虽然置信区间有效指示了模型最不确定的PSD区域，但不确定性量化评价指标PICP和MPIW表明模型需要不确定性校准。Shapley值分析识别了主要影响数据驱动组件补偿作用的特征，并据此推测PBM中可能缺失的现象，例如进料压力对破碎速率的影响、多次研磨效应或细粉损失。本研究丰富了混合建模优于纯第一原理或纯数据驱动模型的文献证据，展示了在考虑底层第一原理模型能力和局限性时选择合适混合模型结构的重要性，并证明了CHM的Shapley值分析有助于识别第一原理模型中遗漏的复杂性，从而改进模型。本工作的局限性包括小数据集，但已通过小测试集和LOOCV努力生成无偏性能估计。未来工作将应用该方法于更大的工厂研磨数据集，并采用迁移学习技术，同时结合混合建模的洞察进一步开发PBM。