数据驱动辅助下 CPG 电场诱导油中液滴的振动特性分析

《Journal of Environmental Chemical Engineering》：Analysis of the Vibration Characteristics of Liquid Droplets in Oil Induced by CPG Electric Field with Data-Driven Assistance

　　

摘要

混沌脉冲组 (CPG) 电场已被建议作为油水分离的一种方法。然而，检查 CPG 电场下油中液滴的变形和振动呈现出复杂的非线性动力学。传统研究方法由于时间和资源需求大，往往不切实际。为此，提出了一种数据驱动的计算方法来分析不同尺寸液滴在 CPG 电场下的变形和振动响应。结果表明，与常规技术相比，该方法在保持准确性的同时，将计算时间减少了 40%，存储需求减少了 50%。随着液滴尺寸增大，表面张力减小，惯性力增大，脉冲组频率对液滴振动的影响变得更加显著，导致在相同脉冲组下振动模式存在显著差异。此外，液滴对周围油流的影响增强，增强了周围流场及其自身惯性对液滴在脉冲开始和结束时刻状态的影响。此外，当液滴受到 CPG 电场作用且脉冲组频率从高到低变化时，第一个脉冲的变形振动峰值低于后续脉冲。相反，当频率从低到高变化时，第一个脉冲的变形振动峰值高于后续脉冲。该研究为加速混沌脉冲组电场在电脱水领域的应用提供了理论指导。

引言

脉冲电场破乳脱水技术因其节能、高效和环保特性，被广泛应用于废油中高价值资源回收、原油开采等领域。该技术在环境保护和资源节约方面发挥着至关重要的作用 [1], [2], [3]。脉冲电场破乳涉及液滴在油中暴露于脉冲电场时发生的变形和振动。这种剧烈振动降低了油水界面膜的机械强度，增加了液滴碰撞的可能性，从而有效促进液滴聚并和分离 [4], [5]。研究表明，脉冲电场中液滴的变形和振动具有特定的共振频率 [6]。然而，由于油中液滴尺寸的多尺度动态分布，恒定频率的脉冲电场无法涵盖所有液滴的共振频率，从而降低了破乳效率 [7]。

为了解决脉冲电场频率与油中液滴共振频率不匹配的问题，Peng[8] 等人手动调整频率，发现变频脉冲电场在破乳脱水方面优于恒频脉冲电场。然而，这种手动调整方法在实际应用中受到很大限制。因此，Jing Weina[9] 等人率先将混沌频率引入电脱水领域。Gong[10] 等人利用数值模型对混沌频率激发下油中液滴的振动动力学进行了全面分析。他们的研究表明，液滴在高频带的变形和振动幅度较小，在低频带较大。Peng[11] 等人后来发现，混沌频率电场中频率的快速变化阻止了液滴在共振频率附近的稳定变形。为解决这一问题，他们提出了一种基于混沌脉冲位置调制的混沌脉冲组 (CPG) 电场，允许每个频率持续几个脉冲。这使得液滴能够与电场共振并保持稳定变形。目前，有限元数值方法常用于研究电场下液滴动力学。例如，Jiang Minghui[12] 等人利用数值模型分析了乳液中液滴在复合电场和流场下的拉伸和聚并行为。Gong Haifeng[13] 等人利用数值方法研究了 CPG 电场下油中液滴的拉伸和聚并特性。然而，研究 CPG 电场下油中液滴的变形和振动需要大量的计算资源，限制了可获得结果的数量，阻碍了长期分析。因此，提高计算速度和节省资源已成为该领域的研究重点 [14]。最近，深度学习方法，特别是神经网络，在数值计算方面取得了快速进展 [15], [16]。Wen Kaijie[17] 等人通过将神经网络方法与 CFD 集成加速了气固模拟。Mahesh Nadda[18] 等人基于数值模型结果开发了 LSTM 和 GRU 模型，以分析气固流化床动力学中的预测性能。他们的研究表明，与传统数值模型相比，这两种模型均可节省超过 50% 的计算时间和资源。

本研究指出了数值计算方法的局限性，并利用神经网络的潜力，提出了一种用于计算混沌脉冲组电场激发下液滴振动加速的数据驱动方法。在以往的研究中，通过单液滴实验分析了混沌脉冲组参数对液滴振动特性的影响 [19]。然而，在工业实际应用中，液滴的粒径分布并不均匀。因此，本研究工作首先利用数值模型生成了一套详细的数据集，记录了混沌脉冲组电场影响下液滴的变形和振动。然后，利用该数据集训练和优化 LSTM 模型。随后，将 LSTM 模型与数值模型耦合，以加速 CPG 电场影响下油中液滴变形和振动的整体计算过程。通过提出的耦合模型，计算了不同直径液滴在 CPG 电场激发下长期的振动响应，并分析了粒径对液滴振动特性的影响。此外，研究了 CPG 电场下液滴在更长一段时间内的振动特性，进一步阐明了 CPG 电场不同频率脉冲组激发下液滴的变形和振动机制。

章节片段

方法

图 1 说明了数据驱动耦合建模方法，该方法包含四个阶段：数据准备、预处理、模型建立和变形振动分析。在数据准备阶段，基于数值模型的仿真结果创建原始数据集，形成模型训练的基础。在预处理期间，数据集被划分为训练集、验证集和测试集，然后进行重组和归一化。这一步对于格式化数据至关重要

数据集建立

为了汇编一个全面的数据集，本研究采用了 10^-4 的采样间隔，考虑了电场下液滴的快速聚并时间。计算了 1 秒的液滴变形振动响应曲线，产生了 10001 个数据点，如图 8 所示。在数值模型中，电场强度设置为 500 kV/m，液滴半径为 0.8 mm。油相和水相的物理性质详见表 1。尽管有许多参数是

不同粒径液滴变形和振动特性分析

根据图 1 所示的过程，将数值模型与 LSTM 模型集成，以评估不同粒径 (R=0.8 mm, R=1.0 mm, R=1.2 mm 和 R=1.4 mm) 液滴在 CPG 电场内的变形和振动响应。如图 13 所示的研究结果揭示，液滴根据其在 CPG 电场中的尺寸表现出不同的振动模式。随着液滴尺寸增大，振动幅度也随之增大，

结论

在本研究中，提出了一种数据驱动辅助计算方法，旨在加速 CPG 电场激发下液滴的变形和振动计算过程，获取更长时间的数据支持，并进一步分析液滴的振动特性。获得的主要结论如下：长短期记忆神经网络模型 (LSTM) 能够很好地捕捉和学习时间中的变化特征

CRediT 作者贡献声明

欧阳平：验证。殷红：软件。彭野：写作 – 初稿，验证，软件，方法论，调查，资金获取，概念化。郁宝：监督，资源。燕林：验证，调查。公海峰：写作 – 审阅与编辑，监督，资源，项目管理。胡耀中：写作 – 审阅与编辑，验证，软件，调查，形式分析，数据整理。

竞争性利益声明

作者声明，他们没有已知的竞争性财务利益或个人关系可能影响本文中报告的工作。

致谢

本工作部分受到国家自然科学基金 (Grant No. 22178036 and No.52404115)、重庆市科学技术委员会项目 (Grant CSTB2024NSCQ-LZX0021，CSTB2024TIAD-KPX0070，CSTB2023NSCQ-MSX0791 and CSTB2023NSCQ-LZX0096)、重庆市教育委员会科学技术研究项目 (Grant No. KJZD-M202200801, KJZD-M202300802 and CXQT21023) 的资助。

彭野 | 胡耀中 | 公海峰 | 燕林 | 郁宝 | 殷红 | 欧阳平

重庆工商大学机械工程學院，中国重庆，400072