人工神经网络预测乳化液滴粒径分布

《Results in Engineering》：Prediction of Emulsification Drop Size Distributions using Artificial Neural Networks

　　

在多相体系乳化过程优化中，准确预测液滴粒径分布（DSD）至关重要。传统模型常依赖索特平均直径（d32）等单点指标，无法表征真实乳液的多模态与复杂性。研究人员提出一种基于人工神经网络（ANN）的机器学习框架，由硅油在水相中湍流条件下（黏度比约0.05至105）的实验数据预测并理解DSD。研究比较三种ANN策略：仅预测d32的直接模型；预测物理可解释分布参数并重构完整DSD的对数正态重构模型；以及直接预测完整DSD再反算d32的直接DSD模型。直接d32模型MAPE为13.2%；对数正态重构模型预测d32的MAPE为17.3%，重构全DSD平均误差22.4%；直接DSD模型计算的d32误差最低（MAPE=12.1%，R2=0.93），但未强制体积守恒且机理可解释性较弱。三对数正态方法可理解流体性质对乳化机制的影响。该研究表明ANN能准确捕捉复杂非线性乳化行为，为乳液配方中预测建模与机理解释提供可扩展工具。

研究背景方面，乳液作为两互不相溶液体相的混合物广泛应用于食品、化妆品与制药工业，其稳定性与流变性能根本上由液滴粒径分布（DSD）决定，该分布源于混合过程中液滴破碎与聚并的竞争。传统研究依赖Hinze最大稳定液滴直径d_max与Calabrese等基于韦伯数（We）和黏度群（Vi）的半经验关联式，并以索特平均直径（d₃₂）或德布鲁克平均直径（d₄₃）单点表征，但此类假设无法捕捉高黏度比与强界面效应下真实乳液固有的多模态特征。近期虽有研究用贝叶斯正则化ANN、XGBoost或深度学习替代群体平衡方程，但多聚焦微通道单尺寸预测或模拟数据，未涵盖搅拌釜宽黏度比实验DSD。因此研究人员以Carrillo De Hert（2018）硅油-水湍流乳化实验数据集（黏度比0.05–10³量级跨5阶、197条DSD经离群剔除后为196条）为基础，开展本研究，论文发表于《Results in Engineering》。研究人员旨在系统比较三类ANN策略在标量精度、全分布预测、机理可解释性、物理守恒与计算成本间的权衡。

主要关键技术方法方面，研究人员构建七子网络对数正态参数预测体系（体积分数φ_1-3、模Mo_1-3、标准差σ_1-3），输入七维物理量取自然对数后归一化；采用贝叶斯优化（gp_minimize，70步）联合五折交叉验证与独立10%留一测试，目标函数融合五折平均绝对误差与R²惩罚项（阈值0.85，权重w=2）；输出层对体积分数设NormalizedReLU保证Σφ=1，其余用线性或ReLU；直接DSD模型以74点直径轴（0.314–3500 μm）全频预测；并用500次蒙特卡洛（输入扰2%）做敏感性传播，SHAP解释变量贡献。

研究结果部分，3.1节直接拟合索特平均直径中，双隐层（39-26单元）ANN在测试集R²=0.90、MAPE=13.2%，随分散相黏度跨五阶呈平滑平均趋势而非过拟合振荡，蒙特卡洛CV中位7.85%，高黏度比区敏感略升，证明ANN可插值复杂物理趋势。3.2节通过对数正态分布拟合DSD中，φ_1-3网络R²为0.99/0.94/0.96，Mo_1-3的R²为0.94/0.91/0.93且MAPE 12.2%/15.3%/7.0%，σ_1-3的R²为0.69/0.76/0.79但p<0.0001显著；由九参数重构DSD平均MAE 0.002，单峰窄分布与双峰宽分布均吻合且体积守恒，反算d₃₂的MAPE=17.3%；SHAP显示ln μ_d主导（均值绝对值0.178），图例随μ_d升高φ₁→φ₂→φ₃递变对应对称爆裂、哑铃破碎、丝状拉伸三机制，Mo₁、Mo₂随黏升、Mo₃在高黏反降解释d₃₂平台。3.3节（原文未续完但摘要覆盖）直接DSD模型以ReLU输出74点体积频率，反算d₃₂ MAPE=12.1%、R²=0.93为三者最优，但破坏体积守恒、机理可追溯性弱于对数正态路径。

讨论与结论翻译总结：研究人员指出，直接d₃₂模型提供基准级标量精度；对数正态重构模型以轻微精度损失换取物理可解释参数与体积守恒，并能通过φ_j、Mo_j随黏度比的连续演化复原界面爆裂—哑铃—丝状拉伸机制图谱；直接DSD模型精度最高但未嵌守恒约束且黑箱化。三策略对比揭示标量准确性、全分布保真、机理透明与物理约束间固有折中。结果表明，在宽黏度比湍流乳化域上训练的物理信息ANN可作为数据驱动代理模型，恢复潜在机理趋势，为乳液配方预测与机制解析提供可扩展平台，而非替代普适关联式。