《International Journal of Multiphase Flow》：Inferring the turbulent breakup of colloidal aggregates using Graph Neural Networks
编辑推荐：
本研究引入了两种图神经网络（Graph-Neural Network，GNN）模型，用于研究稀相湍流悬浮液中聚集体的破碎行为。一种GNN分类器模型能够区分发生破碎和未发生破碎的聚集体。另一种GNN回归模型则用于预测每个聚集体内部的最大拉伸力（maximal t
本研究引入了两种图神经网络（Graph-Neural Network，GNN）模型，用于研究稀相湍流悬浮液中聚集体的破碎行为。一种GNN分类器模型能够区分发生破碎和未发生破碎的聚集体。另一种GNN回归模型则用于预测每个聚集体内部的最大拉伸力（maximal tensile force）。这些模型的性能表现非常出色，优于平均场统计预测。研究表明，GNN能够很好地泛化到由不同尺寸聚集体组成的非均相悬浮体系。
论文解读文章
研究背景与目的
在众多自然现象和工程应用中，例如橡胶混炼、湿法合成微粒、悬浮液的流变行为以及自然水流或废水中的沉积物输运，湍流悬浮液中团聚体（agglomerates）的破碎是一个关键过程。尽管应用广泛，但仅有少数实验研究在单个团聚体尺度上分析了破碎过程。大多数实验工作侧重于颗粒群体的全局属性（如粒径分布或平均尺寸），而非单个破碎事件的机制和演化。这是因为团聚体破碎极其复杂，强烈依赖于团聚体结构和随时间变化的流场条件。因此，现有研究缺乏精确预测团聚体破碎过程的工具。
数值模拟为解决这一局限性提供了途径。然而，耦合流体动力学与接触力学来模拟聚集体行为的传统方法，如离散元方法（Discrete Element Method，DEM）和浸入边界法（Immersed Boundary method），实现复杂且计算资源需求巨大，难以直接应用于包含大量聚集体的系统。因此，研究人员探索了一种替代策略：开发基于神经网络的代理模型。本研究聚焦于稀相湍流悬浮液，重点研究剪切应力的作用。研究人员提出了一种基于图神经网络（Graph Neural Network，GNN）的数据驱动方法，旨在无需直接计算作用在聚集体上的力即可预测其破碎行为。由于胶体聚集体可自然地视为图状对象（初级粒子通过接触键连接，流体动力应力的传递取决于这种连通性），GNN成为预测聚集体破碎的理想学习范式。本研究的核心目标是证明GNN在三维湍流悬浮液中预测聚集体破碎的适用性，这是一个兼具大尺度相干结构和高间歇性小尺度涨落的复杂系统。
主要技术方法
研究人员采用了联合直接数值模拟（Direct Numerical Simulation，DNS）和斯托克斯动力学-离散元方法（Stokesian Dynamics-DEM）的物理模型，对浸没在三维均匀各向同性湍流中的刚性等静力聚集体进行模拟，以此生成训练数据。在此基础上，开发了两种GNN模型：一种是用于分类聚集体是否会破碎的分类器模型；另一种是用于推断聚集体内部某个链接上最大拉伸力（maximal tensile force）的回归模型。通过将后者推断出的最大力与断裂阈值进行比较，可以判断聚集体是否会发生破碎。
研究结果
1. 引言
介绍了湍流悬浮液中聚集体破碎的重要性、现有研究的不足（主要关注宏观性质而非个体事件）、传统数值模拟方法的局限（高计算成本），以及本研究的创新点——采用GNN作为高效代理模型。GNN因其能天然地将胶体聚集体表示为图结构而特别适合此任务。本文主要针对尺寸均一的聚集体（固定单体数量但几何形状不同）进行研究，以验证GNN的适用性，随后扩展到异质性群体以测试模型的泛化能力。
2. 湍流悬浮液的数值建模
本章回顾了研究聚集体破碎的数值方法，从简单的自由排水近似（free-draining approximation）到完全解析固体-液体界面的格子玻尔兹曼方法（Lattice-Boltzmann method）。对于胶体聚集体，斯托克斯动力学（Stokesian Dynamics，SD）是一种兼具精度和效率的方法，能够处理数百个初级粒子的系统。本研究考虑的是尺寸远小于柯尔莫哥洛夫尺度（Kolmogorov scale）的稀相悬浮液，忽略聚集体碰撞、水动力耦合和粒子对流场的反馈。流体相的运动由不可压缩纳维-斯托克斯方程（Navier-Stokes equations）描述，聚集体中心作为中性浮力示踪粒子随流运动。
3. 数据库
本章详细说明了用于训练和测试GNN的数据库（DBs）的构成。数据库来源于对特定尺寸（固定单体数）的刚性等静力聚集体在三维均匀各向同性湍流中进行的高保真度模拟结果。数据库包含了不同几何构型的聚集体在不同流动条件下的受力状态和是否破碎的标签。
4. 图神经网络模型
本章正式介绍了两种GNN模型的结构和功能：
- •
分类器模型：一个二元分类器，输入聚集体图结构（节点为初级粒子，边为接触键）及其特征，输出该聚集体是否会破碎的概率。
- •
回归模型：一个回归模型，输入相同的图结构信息，输出聚集体内部承受的最大拉伸力值。该值可与预设的临界断裂强度比较，从而判断是否破碎。
5. 统计检验
为了与神经网络的结果进行对比，本章提出了一个统计测试方法。该方法可能基于平均场理论或其他简化假设，用于预测聚集体的破碎概率，作为GNN模型性能的基线。
6. 结果与讨论
本章展示了两个GNN模型在同质尺寸悬浮液数据集上的优异性能。结果表明，GNN模型的预测准确性显著优于平均场统计预测。研究人员还分析了模型失效的原因。更重要的是，当将训练好的模型应用于包含不同尺寸聚集体的异质悬浮液时，GNN展现了良好的泛化能力，表明其能够学习到超越单一尺寸的普适性破碎规律。
7. 结论
本研究成功证明了图神经网络（GNN）可以作为预测湍流悬浮液中胶体聚集体破碎行为的有效工具。所开发的分类器和回归器模型均表现出色，能够准确捕捉聚集体结构与流动条件之间的复杂关系。特别是，GNN模型在处理非均相聚集体群体时的泛化能力，为其在实际复杂工业过程中的应用奠定了基础。未来的工作将基于当前成果，进一步评估其在受限空间湍流悬浮液中的表现。
