立方颗粒堆积体中辐射视角因子的机器学习加速预测

《Powder Technology》：ML-accelerated prediction of radiative view factors in packings of cubical particles

　　

研究人员针对密排与松散立方颗粒堆积体生成了蒙特卡洛（Monte Carlo）视角因子数据，采用机器学习代理模型替代计算代价高昂的光线追踪，实现数个数量级的加速。多层感知机（MLP）在引入物理驱动的遮蔽特征后达到最高精度；图神经网络（GNN）仅依靠颗粒位置与取向即可预测视角因子。所建模型可支撑大规模离散单元法（Discrete Element Method, DEM）及CFD-DEM耦合模拟中的辐射传热计算。

研究背景方面，高温过程（如太阳能热化学反应器、固定颗粒床，常高于700 °C）中辐射传热占主导，精确描述颗粒间辐射能量交换依赖辐射视角因子（View Factor, VF）。传统VF可解析求解简单几何，但对复杂堆积体须用蒙特卡洛光线追踪（Monte Carlo Ray Tracing, MCRT），其计算成本极高，难以嵌入DEM或CFD-DEM动态模拟。已有机器学习（Machine Learning, ML）代理模型多聚焦球形颗粒，非球面向平面多面体（如立方体）因相对取向、棱角效应与复杂空隙结构而研究空白。该文发表于《Powder Technology》，旨在生成高保真立方颗粒VF训练数据、提取物理几何特征并训练MLP与GNN等代理模型，实现快速准确预测。

关键技术方法上，研究人员用DEM沉降生成密排堆积体（体积分数0.55–0.68），按预设体积分数生成松散堆积体（?=0.2、0.3、0.4、0.5）；以RayFactor工具用六矩形面组合表示立方体并执行无反射MCRT求面分辨VF矩阵（满足能量守恒与互易性）；构建8组各720颗粒数据集，按堆积类型分层划分训练/验证/测试集；提取逆距离（invD）、等效圆遮蔽（Equivalent-Circle Shadowing, ECS）、简化光线追踪视角因子（Simplified Ray Tracing View Factor, SRTVF）等特征，经Pearson/Spearman、随机森林、置换与SHAP重要性筛选；用Optuna调参训练MLP（PyTorch）与消息传递GNN（PyTorch Geometric），并以PySR做符号回归（Symbolic Regression, SR）。

研究结果部分，2. Computational method小节表明，密排靠重力DEM沉降、松散靠预设?无接触生成；MCRT以六面复合立方体获面分辨VF矩阵，单次约10 h/20核；数据流程分生成、准备、训练调优、评估四段，有效非零交互样本约86万训练、43万测试。2.4 ML models小节中，MLP以归一化几何特征映到标量VF，GNN将每颗粒作节点、全连接双向边作潜空间消息传递（含Sigmoid门控注意力α_ij）预测边VF，SR用遗传编程搜闭式代数表达式。3. Feature selection and benchmarking小节经五指标重要性分析，invD、ECS、SRTVF一致性最高，ECS与SRTVF编码多体遮蔽与取向；特征耗时上距离类秒级，ECS/SRTVF向量化后较平衡。4. 预测结果比较中，MLP配ECS+SRTVF得最高R²最低MSE；GNN仅用位置与四元数取向即泛化至未见堆积，但全连接720颗粒图占显存8 GB；SR得出可嵌入DEM的紧凑解析式，精度低于MLP/GNN但可解释。

讨论与结论部分，研究人员指出立方-立方VF在近场显著高于球-球（平面互视更强、曲率削弱球间VF）；MLP结合物理遮蔽特征在近场与中场均优于纯距离特征，GNN免手工特征却需全图内存、未来可用kNN截断稀疏化；SR提供DEM可直接调用的闭式近似。该工作首次给出平面多面体颗粒床VF的ML加速框架，填补非球面颗粒辐射交换数据空白，使大尺度DEM/CFD-DEM高温模拟可实时更新VF。结论确认：MCRT数据+物理几何特征+ECS/SRTVF可训练出数个数量级快于光线追踪且保形的MLP；GNN仅凭位姿可预测；代理模型可直接植入工业颗粒床辐射传热流程。