可解释的机器学习方法用于预测和优化微通道流动中油水液滴的形成

《Scientific Reports》：Interpretable machine learning for predicting and optimizing water-in-oil droplet formation in minichannel flow

　　

摘要

在两相微通道流中形成液滴在许多应用中都非常重要，但获得具有理想特性的液滴（如高球形度和均匀尺寸）仍然具有挑战性。本研究开发了机器学习模型，利用CFD（计算流体动力学）生成的数据来预测两个关键的液滴属性：球形度和直径。共使用了198次CFD模拟来训练和评估五个机器学习回归模型：LightGBM、AdaBoost、Random Forest、XGBoost和支持向量回归（Support Vector Regression）。其中，XGBoost的表现最佳，其球形度的决定系数为0.978，液滴直径的决定系数为0.986。为了提高模型的可解释性，应用了SHAP（Shapley Additive Explanation）分析，结果显示粘度和密度是最影响这两个输出变量的因素。通过杠杆分析法（leverage approach）评估了CFD数据的可靠性和模型的适用范围，发现仅有2.2%的液滴直径数据和1.5%的球形度数据超出了模型的适用范围。最后，通过多目标NSGA-II优化算法找到了能够产生理想液滴特性的操作条件。研究结果表明，所提出的机器学习框架能够准确预测并优化两相微通道流系统中的液滴形成行为。