物理信息神经网络-群体平衡方程模型用于描述三水铝石结晶动力学

《Metals》：PINN-PBE Model for Describing Gibbsite Crystallization Dynamics

　　

在铝土矿冶炼厂三水铝石沉淀区最优控制系统的工业测试中发现，优化器会寻找并利用数据驱动预测模型的漏洞，推荐错误的控制动作。研究人员考虑了一种更稳健的替代方案，即利用已知的第一性原理模型训练神经网络模型，称为物理信息神经网络（PINN）。针对该问题，描述本体结晶过程的群体平衡方程（PBE）系统被转化为线性化形式，并生成了PINN-PBE模型，该模型代表一组互连的神经网络，用于在间歇条件下近似求解方程组。

研究背景与立项依据

在RUSAL工程与技术中心（RUSAL ETC）推进铝土矿冶炼厂三水铝石（gibbsite）沉淀区最优控制的工业实践中，基于长短期记忆（LSTM）网络的数据驱动模型虽能以约120 ms完成90天粒径分布与精液苛性比预测（决定系数0.75–0.85），却在控制动作迫使工况越出训练域时表现出捷径学习（shortcut learning）与伪外推：首点预测与末历史点出现不可接受跳变，+150 μm粒级质量分数出现负值。传统修补手段——增补外推域样本、在损失函数嵌物理约束、模型集成——均未能在RUSAL Kamensk-Uralsky氧化铝厂历史数据上改善外推一致性。论文发表于《Metals》，其核心动机是以第一性原理约束替代纯统计相关，从而消除外推态下的非物理输出。

主要关键技术方法

研究人员采用四项关键方法：其一，将粒径数密度n(L)作对数代换θ=ln n(L)，把跨越10¹²–10³⁴ m^?4的指数跨尺度压低为线性化PBE（公式18–20），以消除自动微分中的梯度爆炸；其二，构建由四个独立深度神经网络（DNN1–DNN4）分别近似θ(L,t)、二阶矩m₂、三阶矩m₃与dA/dt，并辅以第五网近似源项差[B?D]，联合训练使物理互联进入优化目标，总损失由12项加权构成；其三，对双积分团聚项（公式12）因GPU并行下仍过贵而暂弃，保留生长、二次成核、破碎项，并在双曲线初值下采用梯度自适应配点变换（公式31）与两阶段续算（θ_nuc=0→10）；其四，基于TensorFlow 2.x在RTX 4090 Laptop GPU实现，配点随机采样，Adam优化（学习率10^?4–10^?3），L2正则，周期手动调率。验证对象为圣彼得堡矿业大学间歇沉淀实验与RUSAL厂史工业数据两类来源。

研究结果

3.1 初始钟形分布

在L∈[0.1,256] μm、t∈[0,24 h]域内部署钟形初值（公式29），200配点20千轮MSE=10^?3（10分钟），2000配点MSE=10^?5（65分钟）；外推5个时间步至L∈[0,3L_max]时左边界质量下降，增配点不改善。结论：线性网格下钟形初值可解，但小L外推仍敏感。

3.2 初始双曲线分布

采用更接近工业病态的双曲线初值（公式30，θ₀=ln(5.3×10¹¹)=27），引入配点变换（公式31）集中小L分辨率，两阶段续算共2万轮30分钟，最终MSE=2×10^?6，边界n值差2500倍仍稳定。结论：对数线性化+自适应配点是处理跨20数量级数密度的必要预处理。

3.3 间歇实验近似

按图3架构增第五网出[B?D]，tanh激活、L2正则、Adam手调学习率，10⁵轮后MSE=10^?3，耗时约12 h；精液Al₂O₃浓度剖面吻合物理预期，但由m₂算出的比表面积S_sl偏离较大，归因矩积分误差累积；团聚双积分因代价过高被排除。结论：固定动力学系数下PINN-PBE可成为间歇沉淀代理模型，但全积分PBE仍受硬件制约。

讨论与结论翻译

本研究开发并评估了用于近似描述过饱和铝酸钠溶液中三水铝石沉淀的群体平衡方程（PBE）求解的物理信息神经网络（PINN）框架。主要动机源于纯数据驱动（LSTM基）模型在外推态下产生非物理预测，损害氧化铝厂最优控制可靠性。通过将第一性原理PBE经自动微分嵌入训练，PINN-PBE提供了向物理一致且可泛化代理模型的范式转移。数值实验得出五条结论：一、θ=ln n(L)对数线性化是训练稳定的前提，将预测变量动态范围压低数阶，双曲线用例MSE降至2×10^?6；二、四网分近似θ、m₂、m₃、dA/dt加第五辅助网的结构缓解了单网损失失衡，间歇工况10⁵轮MSE=10^?3；三、初值形态决定正则需求，钟形可线性网格，双曲线须梯度自适应配点（公式31）与两阶段续算；四、矩积分与团聚双积分是计算瓶颈，间歇例约12 h且团聚项被迫舍弃；五、PINN-PBE从构造上满足物料守恒与边界条件，消除捷径学习，但固定系数与间歇条件限制需算法与硬件进步才能扩展至连续变系数域。未来工作将高效并行嵌入团聚项、拓展至连续回路、用工业数据做逆问题辨识及探索PINN-DeepONet混合架构。

该研究意义在于为氧化铝沉淀最优控制提供不可外推失效的物理守恒代理模型底座，使控制优化器不再能利用数据模型漏洞推荐负质量分数等非法动作。