《Chemical Engineering Research and Design》:Physics-informed vs. data-driven neural networks for n-heptane droplet evaporation
编辑推荐:
本研究评估了三种人工神经网络(ANN)模型,包括纯数据驱动模型、特征工程模型以及混合物理信息模型,在预测正庚烷液滴蒸发行为方面的性能。研究涵盖了从纯扩散到包含斯蒂芬流(Stefan flow)和对流效应的日益复杂的工况。训练数据集的选择覆盖了斯蒂芬流和对流效应
本研究评估了三种人工神经网络(ANN)模型,包括纯数据驱动模型、特征工程模型以及混合物理信息模型,在预测正庚烷液滴蒸发行为方面的性能。研究涵盖了从纯扩散到包含斯蒂芬流(Stefan flow)和对流效应的日益复杂的工况。训练数据集的选择覆盖了斯蒂芬流和对流效应的有效范围。模型性能在完全未见过的条件下(代表外推区域)进行评估。在所有案例中,物理信息人工神经网络(Physics-informed ANNs)始终优于其他模型,实现了近乎完美的插值性能(R2 > 0.999)和卓越的外推性能,即使在最复杂的对流情况下,也有100.00%的预测值落在±20.00%的误差带(θ)内。相比之下,纯数据驱动模型在对流情况下的外推能力显著下降(θ = 47.6 ± 9.6%)。特征工程模型在扩散主导和斯蒂芬流主导的情况下带来了适度的改进(θ分别为 86.7 ± 23.1% 和 61.5 ± 10.2%)。然而,对于对流情况,由于包含了速度相关的无量纲输入组(这些输入组有效地捕捉了对流传输效应),模型实现了较高的外推精度(θ = 97.9 ± 2.5%)。这些结果强调了嵌入领域特定物理知识和精心选择的输入特征对于准确预测复杂传质现象的优势。
**物理信息与数据驱动神经网络在正庚烷液滴蒸发中的性能对比研究解读**
**研究背景与意义**
液滴蒸发是喷雾燃烧、喷涂、消防、医疗和食品加工等多个工业应用领域的核心过程,其涉及外部与内部同时发生的热、质及动量传递的复杂相互作用。自麦克斯韦(Maxwell)的开创性工作以来,该课题持续受到广泛关注。正庚烷因其明确的化学和物理性质,以及与柴油和航空燃料的相关性,被广泛用作燃烧研究中的替代燃料。与水相比,正庚烷的热物理性质对温度依赖性更强,对环境压力和流速更敏感,这主要源于其更高的挥发性以及气相扩散和对流传质系数对环境条件的强烈依赖。因此,正庚烷液滴蒸发过程受到斯蒂芬流效应、自然与强制对流以及湍流等多种因素的显著影响,尤其是在高温、高流速的动态环境中。
尽管人工神经网络(ANN)已成为捕捉复杂非线性关系、处理噪声数据的有力工具,并在流体流动、传热和相变应用中取得了成功,但纯数据驱动的人工神经网络存在过拟合、外推和泛化能力有限以及不遵循基本物理定律等局限性。这些问题在涉及传热、相变和组分传递的多物理场系统中尤为关键。为了应对这些挑战,研究人员通过将物理原理集成到人工神经网络架构中,发展出混合模型,例如通过自定义损失函数、物理引导正则化或特征工程将控制方程、经验关联式或已知物理关系嵌入训练过程。这些方法通过补充领域知识来减少训练所需的数据量,并确保物理一致性。其中,物理信息特征工程通过引入具有物理意义的输入特征(例如,雷诺数或雅各布数等无量纲传热传质数),已被证明可以提高人工神经网络的性能。
然而,现有研究大多针对特定流体(如水)在有限条件下进行测试。特征工程和物理信息机器学习(ML)模型对于热物理性质差异很大的流体(特别是碳氢燃料)的泛化和外推能力尚未得到系统检验。大多数研究侧重于插值预测,即在训练数据范围内进行预测。因此,这些模型是否能在完全未见过的条件下,尤其是在主导物理机制发生变化时,可靠地预测液滴蒸发,仍不清楚。
本研究发表在《Chemical Engineering Research and Design》上,旨在系统地评估三种人工神经网络架构(纯数据驱动、特征工程和物理信息)在正庚烷液滴蒸发的三种不同传质机制(纯扩散、斯蒂芬流和对流)下的性能。研究的意义在于:(i)首次系统验证了物理信息机器学习框架在碳氢燃料跨不同传质机制下的适用性,并重点考察了向完全未见过的操作条件的外推能力;(ii)比较了三种人工神经网络架构对燃料液滴的性能,为跨不同流体的稳健蒸发建模提供了指导;(iii)评估了使用无量纲输入特征来捕捉对流传质的效果,为构建兼具计算效率和物理一致性的燃烧应用中多相蒸发模型提供了见解。
**关键技术方法概述**
研究人员基于三种传质机制(纯扩散、含斯蒂芬流效应、含斯蒂芬流与对流效应)分别生成了合成数据集,用于训练和评估模型。数据集参数包括环境气体温度(T
g)、初始液滴直径(d
d,0)以及对流模型中的气体速度(U),输出为蒸发时间(t
f)。研究设计了插值(70–170°C)和外推(170–300°C)两个温度范围来严格评估模型性能。研究开发了三种人工神经网络模型:1. **无物理模型**:传统的全连接前馈神经网络,输入为原始参数(T
g, d
d,0 或加上 U),输出为 t
f。2. **特征工程模型**:输入为根据传热传质理论导出的无量纲特征,如傅里叶数(Fo)、雅各布数(ξ)、液体与空气密度比(Γ)、路易斯数(Le)、斯波尔丁传质数(B
M)以及对流情况下的雷诺数(Re)和施密特数(Sc)。3. **物理信息模型**:一种混合架构,将描述蒸发过程的 d2 定律(如 t
f, diffusion = d
d,02 ρ
l,1 / (8δ
g,12 ρ
g,total (Y*
1 - Y
1,∞)))作为确定性的物理分支嵌入,同时神经网络学习一个修正项(Δ)来调整基线预测,总损失函数包含数据损失和惩罚 Δ 偏离零的物理正则化项。所有模型均使用 TensorFlow 2.10 开发,网络架构(隐藏层数和神经元数)通过灰狼优化器(GWO)算法进行优化,并使用多个随机种子训练以确保结果可靠性。模型性能通过平均绝对百分比误差(MAPE)、均方根百分比误差(RMSPE)、决定系数(R2)以及落在±20%误差带内的预测比例(θ)等指标进行评估。
**研究结果分析**
**5.1. 扩散控制的正庚烷蒸发模型性能**
在插值范围内,所有三种模型都达到了优异的预测精度(R2 ≥ 0.999)。无物理模型实现了 θ = 95.6 ± 3.8%,而特征工程和物理信息模型均达到 θ = 100.0 ± 0.0%。在外推范围内,模型性能出现显著差异。无物理模型表现出极差的泛化能力,θ 仅为 28.5 ± 6.0%,MAPE 高达 172.3 ± 32.6%,且存在严重的系统性低估(偏差为 -171.9 ± 32.9%)。特征工程模型外推性能显著改善,θ 提升至 86.7 ± 23.1%,MAPE 降至 12.1 ± 1.5%。物理信息模型取得了最佳的外推性能,θ = 100.00%,MAPE 低至 0.89 ± 0.43%,且偏差近乎为零(-0.11 ± 0.22%),其预测与对角线几乎完美对齐。空间误差分析显示,在插值范围内所有模型误差均较低;在外推范围内,无物理模型的误差随温度升高而急剧增加,特征工程模型误差增长得到缓解但仍存在,而物理信息模型在所有温度区间均保持了均匀的低误差。
**5.2. 考虑斯蒂芬流效应的正庚烷蒸发模型性能**
在插值范围内,所有模型再次表现优异(R2 > 0.999,θ = 100.0%)。在外推范围内,无物理模型性能严重退化,θ 降至 33.1 ± 11.8%,MAPE 飙升至 203.1 ± 41.6%,系统性低估严重(偏差 -202.22 ± 42.3%)。特征工程模型外推性能得到提升,θ 增至 61.5 ± 10.2%,MAPE 降至 16.4 ± 3.7%。物理信息模型则保持了近乎完美的外推性能,θ = 100.00%,MAPE 为 1.16 ± 0.32%,偏差接近零。空间误差分析揭示了类似的趋势:在插值范围内误差均匀且低;在外推范围内,无物理模型误差随温度指数增长,特征工程模型缓解了增长但未完全消除,物理信息模型则保持了稳定的低误差。
**5.3. 考虑对流效应的正庚烷蒸发模型性能**
这是最复杂的工况。在插值范围内,所有模型精度很高,无物理模型 θ = 99.0 ± 0.9%,特征工程和物理信息模型 θ = 100.0%。在外推范围内,无物理模型性能大幅下降,θ = 47.6 ± 9.6%,MAPE 为 105.7 ± 16.0%,存在显著的系统性低估。特征工程模型表现出色,θ 达到 97.9 ± 2.5%,MAPE 降至 5.83 ± 2.87%,几乎恢复了插值水平的精度。物理信息模型再次实现了近乎完美的外推,θ = 100.00%,MAPE 低至 1.03 ± 0.40%。空间误差分析表明,在外推的高温区间,无物理模型误差呈指数增长,特征工程模型显著缓解了这种退化,而物理信息模型在整个范围内保持了接近插值的精度。
**5.4. 所有模型和案例的比较分析**
在所有三种情况下,物理信息模型始终保持着稳定和准确的性能。增加物理复杂性并未降低其预测能力;θ 保持为 100%,误差指标在插值和外推中均保持低位。这证实了嵌入物理约束即使在基础物理变得更加复杂时也能确保鲁棒性。特征工程模型受益于具有物理意义的输入特征,表现具有竞争力,尤其在对流情况下,速度相关项改善了泛化能力。然而,与物理信息模型相比,它仍表现出更高的误差变异性。总之,虽然特征工程提供了部分改进,但只有物理信息框架在所有情况下都实现了一致的准确性。这表明,当物理知识被正确嵌入学习过程时,增加物理复杂性不会损害模型的可靠性。
**讨论与结论**
本研究系统评估了三种人工神经网络模型(纯数据驱动、特征工程和物理信息)在预测正庚烷单液滴蒸发方面的性能,涵盖了从扩散控制蒸发到包含斯蒂芬流和对流效应的逐渐复杂的场景。结果突显了将物理知识嵌入机器学习框架在准确性和鲁棒性方面的优势。
物理信息人工神经网络在所有案例中始终表现出优越的性能,实现了近乎完美的插值(R2 > 0.999)和完全的外推鲁棒性(θ = 100%),即使在最复杂的对流条件下也是如此。相比之下,纯数据驱动模型在对流情况下的外推性能显著下降(θ = 47.6 ± 9.6%),突显了其在未见过的物理机制下泛化能力的局限性。特征工程模型提供了中间程度的改进,捕捉了基本的物理趋势,在扩散、斯蒂芬流和对流情况下的 θ 分别达到 86.7 ± 23.1%、61.5 ± 10.2% 和 97.9 ± 2.5%。
总体而言,从纯扩散到斯蒂芬流与对流相结合的物理复杂性的增加,并未降低物理信息人工神经网络的性能。相反,纳入领域特定的物理知识确保了在所有情况下的鲁棒和可靠预测。这些发现强调了物理信息机器学习作为工程和应用科学中建模多尺度传热传质现象的强大且可推广工具的潜力。