基于CFD机器学习的铝电解槽侧帮形态和热场快速预测

《Metals》：Rapid Prediction of Side Ledge Morphology and Thermal Fields in Aluminum Reduction Cells via CFD-Based Machine Learning

　　

侧帮对于维持铝电解槽的热稳定性和保护侧壁衬里至关重要。其形状和温度分布强烈影响电解槽运行和能效。然而，传统的计算流体动力学（CFD）方法虽然准确，但计算量大，不适合在变化工况下快速评估。为克服这一限制，本研究开发了一种由CFD驱动的机器学习代理模型，用于在磁流体动力学（MHD）条件下快速预测铝电解槽横截面温度场和侧帮形态。首先，从MHD-CFD模拟中生成高保真训练数据。在侧帮形成前，从多个横截面提取关键物理变量，包括热生成、有效热输运性质和速度分量，形成输入数据集。然后，研究人员开发了五种机器学习方法——决策树（Decision Tree）、随机森林（Random Forest）、XGBoost、K最近邻（K-Nearest Neighbors）和支持向量回归（Support Vector Regression）——来预测凝固后的温度场和侧帮轮廓。系统地比较了各模型在准确性和适用性方面的性能。在测试的模型中，随机森林（Random Forest）表现出最佳的整体性能。其预测的温度场与CFD结果高度吻合，最大温度偏差低于0.23 °C，而平均侧帮厚度误差仅为0.0153 m。此外，与CFD模拟相比，所提出的代理模型将计算时间从约168小时减少到3分钟，同时保持高预测精度。总体而言，该方法能够快速准确地评估热状态，支持操作优化，并为铝电解槽数字孪生开发奠定基础。

**基于CFD与机器学习的铝电解槽侧帮形态和热场快速预测研究解读**

**研究背景与问题**
铝电解行业是典型的高能耗冶金领域，铝电解槽的运行稳定性与能效直接影响生产成本和碳排放。侧帮（side ledge）是熔融电解质凝固形成的热-结构保护层，其厚度、趾部长度和空间分布对电解槽热平衡、侧壁衬里保护及电解过程稳定性至关重要。然而，侧帮形态在电场、磁流体动力学（MHD, magnetohydrodynamics）和热场耦合作用下持续动态演化，偏离理想轮廓会引发局部过热、衬里加速退化甚至侧壁烧穿。现有条件下，铝电解槽在930–970 °C高温、强腐蚀性电解质和强电磁场中运行，且结构封闭不透明，无法通过实验手段连续测量侧帮形态和内部温度分布。因此，传统研究依赖数值模拟，尤其是计算流体动力学（CFD, computational fluid dynamics）与MHD耦合模型，但这类模型虽然精度高，却因求解全耦合控制方程而计算量巨大（单次模拟约168小时），无法满足快速评估和实时工业决策需求。此外，侧帮预测需要重建高维空间温度场，具有强非线性和多物理场特征，进一步增加了计算复杂性。因此，亟需开发高效且准确的预测策略。

**研究内容与意义**
针对上述问题，研究人员提出了一种CFD驱动机器学习代理模型框架，用于快速重建铝电解槽的温度场和侧帮形态。该研究首先通过MHD-CFD模拟生成高保真数据集，提取侧帮形成前的关键物理变量作为输入，系统比较了五种机器学习模型的预测性能，发现随机森林（Random Forest, RF）模型综合表现最优，其预测结果与CFD模拟高度一致，且将计算时间从168小时缩短至3分钟。该研究发表在《Metals》期刊，为铝电解槽的热状态快速评估、操作优化及数字孪生开发提供了高效工具。

**主要关键技术方法**
研究人员采用ANSYS Fluent 2022 R1进行MHD-CFD模拟，分两阶段求解：先稳态求解无侧帮时的流场和电磁场，再瞬态模拟至侧帮稳定。从128个横截面（沿X方向约0.27 m间隔）提取每个节点的焦耳热（Joule heat）、有效热导率（effective thermal conductivity, ETC）和三个速度分量作为输入特征，共183,296个节点样本。数据集按完整横截面划分（80%训练，20%测试），避免空间相关性导致的乐观估计。在Python 3.10中实现五种机器学习模型：决策树（Decision Tree, DT）、随机森林（RF）、XGBoost、K最近邻（K-Nearest Neighbors, KNN）和支持向量回归（Support Vector Regression, SVR），采用五折交叉验证和R²（决定系数）、MAE（平均绝对误差）、RMSE（均方根误差）评估性能。

**研究结果**
**模型性能比较**：通过对比五种模型对横截面平均温度、侧帮轮廓区域温度及整体温度场的预测精度，发现随机森林和XGBoost在R²、MAE和RMSE指标上显著优于决策树、KNN和SVR。随机森林在侧帮轮廓区域的R²达0.945，MAE和RMSE最低，表明其能有效捕捉热-MHD系统的非线性耦合特征。
**温度场预测**：随机森林预测的温度场与CFD结果高度吻合，最大温度偏差仅0.23 °C，最小温度偏差8.67 °C。在x=8.54 m、x=2.24 m和x=15.375 m等代表性横截面上，模型成功再现了高温区和低温区位置以及凝固界面附近的温度梯度，未出现明显非物理振荡。
**侧帮形态预测**：基于电解质固相线温度，从随机森林预测的温度场提取侧帮轮廓，与CFD结果对比显示平均厚度误差仅为0.0153 m，表明模型能准确重建侧帮几何形态。
**计算效率提升**：传统CFD模拟单次需168小时，而随机森林代理模型从输入特征到输出温度场仅需3分钟，实现了三个数量级的加速，且保持高精度。

**讨论与结论**
讨论部分指出，随机森林的树集成结构能有效划分特征空间，捕捉焦耳热、有效热导率和速度分量之间的非线性交互，且集成平均对数据噪声鲁棒。该模型虽为纯数据驱动，但预测的温度场和侧帮轮廓与CFD模拟的物理特征一致，未引入系统性偏差。采用离线-在线策略：离线进行CFD-MHD模拟并训练模型，在线可快速预测新横截面，为数字孪生和实时监控提供可能。未来可扩展至多工况数据集以增强泛化能力。
研究结论如下：
(1) 研究人员从侧帮形成前的多个横截面提取了关键物理变量（热生成、有效热输运性质和三个方向速度分量），构建了高保真数据集。基于该数据集，系统评估了决策树、随机森林、XGBoost、K最近邻和支持向量回归模型的预测性能。结果表明，随机森林综合性能最优，其次为XGBoost、决策树、KNN和SVR。
(2) 随机森林模型对温度场和侧帮形态的预测最为准确。预测温度分布与CFD结果高度一致，最高温度和最低温度的最大偏差分别为0.23 °C和8.67 °C。侧帮厚度平均误差为0.0153 m，表明模型能可靠再现局部热行为和几何特征。
(3) 与常规CFD模拟相比，随机森林代理模型将计算时间从约168小时减少至3分钟，同时保持高精度。通过捕捉不同横截面的空间变化，该方法能快速预测整个电解槽的温度场和侧帮轮廓，为铝电解槽的热状态评估、工艺优化和数字孪生开发提供了高效工具。