《Journal of Agriculture and Food Research》：Hybrid CFD-DEM and ANN Modeling of Pneumatic Conveying of Aquaculture Feed Pellets: Flow Regimes, Mechanical Damage, and Performance Optimization
编辑推荐：
气力输送在水产养殖中对于输送鱼饲料颗粒至关重要，但不适宜的工况常导致机械损伤，进而引起营养损失、废弃物增加、饲料转化率（FCR）升高以及经济损失。目前针对不同物种和生长阶段的吸送式水产饲料气力输送的系统性研究仍十分有限。本研究在一条6 m长的吸送式管道中，对1
气力输送在水产养殖中对于输送鱼饲料颗粒至关重要，但不适宜的工况常导致机械损伤，进而引起营养损失、废弃物增加、饲料转化率（FCR）升高以及经济损失。目前针对不同物种和生长阶段的吸送式水产饲料气力输送的系统性研究仍十分有限。本研究在一条6 m长的吸送式管道中，对12种商业饲料颗粒（虹鳟、普通鲤鱼、鲟鱼；四个生长阶段）进行了测试，以确定能够在机械损伤、压降、输送稳定性与能耗之间达到最佳平衡的运行工况，并建立预测建模框架。本研究采用混合方法：实验测试（60 mm管道，空气流速10–25 m/s，质量流量0.2–0.8 kg/s）、耦合CFD-DEM模拟，以及用于快速预测压降、颗粒速度、损伤和功率消耗的代理人工神经网络（ANN）模型。研究识别出四种流型：密相、不稳定流、过渡流和稀相。稀相（15–16 m/s）提供最低压降（785–970 Pa/m）和最佳悬浮状态，但增加了损伤（预 starter 颗粒最高达8.0%）和功率消耗。密相使损伤最小化（1.2–4.2%），但提高了压降和堵塞风险。推荐的15–16 m/s窗口代表了一种实用的多目标折中方案。混合CFD-DEM + ANN模型实现了高精度（R2 > 0.96，MAE < 5%），并确定入口空气流速和质量流量为主要影响因素。由于实验是在短实验室管道上进行的，定量结果在直接放大之前应在更长的工业管线上进行验证。
**论文解读：水产养殖饲料颗粒气力输送的混合CFD-DEM与ANN建模研究**
**1. 研究背景与问题**
气力输送系统利用气流在管道中输送颗粒物料，因其安全性高、运行成本低、设计灵活、易于自动化且污染风险小，在农业、化工、制药和食品等行业广泛应用。在水产养殖领域，尤其是大型和循环水养殖系统（RAS）中，气力输送已成为将鱼饲料颗粒从储存料仓输送至养殖池的主要方式。然而，气力输送过程中饲料颗粒会反复撞击管壁、弯头和彼此碰撞，尤其在较高气速下，容易造成机械损伤和颗粒降解。这种损伤会产生粉料和粉尘，导致饲料营养价值降低、饲料转化率（FCR）升高、养殖成本增加（饲料占水产养殖生产总成本的50–70%）、水体有机污染加重，并引起管道磨损和堵塞，增加维护成本和停机时间。
尽管已有大量针对颗粒物料气力输送的研究，但仍存在关键空白。第一，多数研究集中于正压（吹送）系统，而对水产养殖设施中广泛采用的吸送（真空）式输送关注不足。第二，水产饲料颗粒因物种（虹鳟、鲤鱼、鲟鱼）和生长阶段（预 starter、starter、预育肥、育肥）不同而差异显著，但缺乏跨类别的系统性比较研究。第三，现有流型分类（密相、不稳定、过渡、稀相）多依赖目视观察和定性压降趋势，缺乏客观、可量化的判别指标。第四，CFD-DEM模拟虽精度高，但计算成本高，限制了其在参数优化和实时工业决策中的应用。第五，鲜有研究采用基于方差的方法（如Sobol）或可解释机器学习技术（如SHAP）识别气力输送系统中最有影响力的运行参数。
**2. 研究内容与结论**
针对上述问题，研究人员采用实验-数值-机器学习混合框架开展了系统研究。研究使用了12种商业饲料颗粒（涵盖虹鳟、普通鲤鱼、鲟鱼三种鱼类和预 starter、starter、预育肥、育肥四个生长阶段），在6 m长、内径60 mm的透明有机玻璃吸送式管道中进行了实验，空气流速设为10、15、20和25 m/s，质量流量设为0.2、0.4、0.6和0.8 kg/s。通过实验测量了机械损伤、压降和功率消耗，利用压力波动的变异系数（）实现了流型的定量分类。同时建立了耦合CFD-DEM数值模型，模拟了气固两相流动、颗粒运动轨迹和破碎行为，并基于CFD-DEM和实验数据训练了多层感知机（MLP）神经网络模型作为代理模型，用于快速预测压降、颗粒速度、机械损伤和功率消耗。此外，采用SHAP和Sobol方法进行了全局敏感性分析，并评估了模型在分布外（OOD）条件下的泛化能力。
研究表明，吸送式气力输送存在四种流型：密相（>16%，6–10 m/s）、不稳定区（11–16%，10–13 m/s）、过渡区（5–11%，13–14 m/s）和稀相（<5%，>14 m/s）。稀相（15–16 m/s）提供最低压降（785–970 Pa/m）和最佳悬浮状态，但增加了损伤（预 starter颗粒最高达8.0%）和功率消耗；密相（10 m/s）使损伤最小化（1.2–4.2%），但压降较高且存在堵塞风险。推荐的15–16 m/s窗口被视为多目标折中的实用方案。CFD-DEM模型验证显示，压降相对误差为10.5–15.7%，颗粒速度误差为2.50–3.23%，机械损伤误差为5–12%，总体平均偏差低于14%。混合ANN模型在测试集上R2 > 0.96，MAE低于5%，计算时间大幅缩短；SHAP和Sobol分析确认入口空气流速和质量流量是主导因素。OOD测试表明，在8–28 m/s和0.1–1.0 kg/s范围内相对MAE≤9%，模型具有可靠的外推能力。
**3. 主要关键技术方法**
本研究采用的主要技术方法包括：实验平台测试（6 m透明吸送式管道，空气流速10–25 m/s，质量流量0.2–0.8 kg/s，12种商业饲料颗粒）；耦合CFD-DEM数值模拟（基于ANSYS FLUENT和GAMBIT，采用欧拉-拉格朗日方法，Gidaspow曳力模型，Hertz-Mindlin接触模型和Archard磨损模型，结合Bonded Particle Model模拟颗粒破碎）；人工神经网络代理模型（多层感知机，结构8-20-12-4，ReLU激活，Adam优化，Dropout和批归一化正则化）；SHAP和Sobol全局敏感性分析；分布外泛化评估。实验样本来自伊朗伊斯兰阿扎德大学马杰莱西分校机械工程系自行设计的气力输送系统。
**4. 研究结果讨论**
**4.1 实验流型识别与性能特征**：基于压力波动变异系数（），研究将吸送式输送划分为密相、不稳定、过渡和稀相四种流型。实验测量（表5）显示预 starter颗粒损伤率最高（10 m/s时为2.8–3.1%，25 m/s时为5.2–5.3%），育肥颗粒损伤率最低（0.7–0.8%至1.2–1.4%）。压降随气速呈U形变化，稀相最低压降出现在15–16 m/s（785–970 Pa/m）。功率消耗随气速增加而增加（256 W至677 W）。密相在10 m/s时损伤最小（1.2–4.2%），但压降高且易堵塞；过渡区介于不稳定和稀相之间；稀相虽然压降最低，但在高气速下损伤显著增加（预 starter可达8.0%）。
**4.2 CFD-DEM模拟的流场与颗粒行为**：模拟结果显示，15 m/s时压力沿管道逐渐降低（入口1100 Pa/m至出口976 Pa/m），反映流动向稳定稀相过渡。10 m/s时颗粒速度分布为0.12–7.11 m/s，呈现分层和沉降行为，对应不稳定/过渡区；20 m/s时颗粒在入口快速加速，1–2 m内达到10 m/s以上，最终稳定在15.5 m/s，呈现典型稀相输送特征。实验与模拟的颗粒速度相对误差仅为2.50–3.23%，验证了模型对流动行为的准确预测。
**4.3 ANN代理模型性能与敏感性分析**：最优ANN结构（8-20-12-4）在测试集上MAE为12.8 Pa/m（压降）、0.32%（损伤）、0.45 m/s（颗粒速度）和45 W（功率），R2 > 0.96。网格搜索表明Dropout和批归一化对泛化至关重要（无这些正则化时MAE增加35–54%）。SHAP分析显示入口气速（平均|SHAP|≈0.45）、质量流量（≈0.32）和颗粒类型（≈0.22）共同解释了超过70%的预测方差。Sobol分析确认入口气速对压降和功率的总效应指数（STi）约0.51，质量流量约0.36，颗粒特性对损伤的STi约0.25–0.29。OOD测试在8种外推场景下相对MAE仍低于9.1%，模型可靠应用边界为8–28 m/s和0.1–1.0 kg/s。
**4.4 讨论**：混合CFD-DEM+ANN框架相比单一CFD-DEM显著提高了计算效率，同时保持或改善了预测精度（相对误差从10.5–15.7%降至通常<9%）。研究定量识别流型的方法超越了传统的目视观察，提供了可复现的判别准则。推荐15–16 m/s稀相窗口作为多目标最优选择，但若颗粒完整性为首要目标，10 m/s附近的密相控制也可作为替代方案，尽管需容忍较高压降和堵塞风险。
**5. 结论**
本研究通过实验、CFD-DEM模拟和混合ANN建模相结合的方法，全面研究了12种水产饲料颗粒（虹鳟、鲤鱼、鲟鱼）在6 m水平管道（内径60 mm）中的吸送式气力输送行为。研究识别出四种流型（密相、不稳定、过渡、稀相），受入口气速和颗粒特性强烈影响。稀相（15–16 m/s）提供最低压降和最均匀的悬浮流，但伴随较高机械损伤（预 starter颗粒最高8.0%）和功率消耗（最高2518 W），该窗口在测试条件下是推荐的多目标折中方案。密相（10 m/s）产生最低损伤（1.2–4.2%），但压降高且存在沉降和堵塞风险，当颗粒完整性为压倒性目标时可作为替代方案。预 starter颗粒损伤敏感性最高（可达8.0%），育肥颗粒抗损伤能力更强（1.2–2.8%）；鲟鱼颗粒因较高堆积密度需要更高功率。CFD-DEM模型相对误差在压降方面为10.5–15.7%，颗粒速度方面为2.50–3.23%，能有效捕捉流型转变、速度分布和整体流动行为。混合ANN模型实现了优异预测性能（R2 > 0.96，MAE < 5%实验均值）并大幅缩短计算时间；SHAP和Sobol敏感性分析确认入口气速和质量流量是影响压降、功率消耗和机械损伤的主导因素。所有定量建议均基于60 mm直径、6 m长的实验室管道，流型边界和绝对压降/损伤/功率值可能随工业装置中的管道长度、直径、弯头和更高通量而改变。
