通过物理感知数据驱动模型理解和预测鼓泡流化床中的气泡生长

《Industrial & Engineering Chemistry Research》:Understanding and Predicting Bubble Growth in Bubbling Fluidized Beds via Physics-Aware Data-Driven Models

【字体: 大 中 小 】 时间:2026年03月27日 来源:Industrial & Engineering Chemistry Research 3.9

编辑推荐:

  鼓泡流化床反应器中的气泡动力学控制着传热传质速率、混合均匀性和整体过程效率,但准确预测仍然具有挑战性。该研究开发了一个混合建模框架,通过整合经验关联式与数据驱动修正,使用物理信息神经网络(PINNs)和通用微分方程(UDEs)来模拟沿床层高度的气泡生长。用于训

  
鼓泡流化床反应器中的气泡动力学控制着传热传质速率、混合均匀性和整体过程效率,但准确预测仍然具有挑战性。该研究开发了一个混合建模框架,通过整合经验关联式与数据驱动修正,使用物理信息神经网络(PINNs)和通用微分方程(UDEs)来模拟沿床层高度的气泡生长。用于训练的实验数据是针对具有不同粒径分布(PSDs)的Geldart B组颗粒获得的,其特征是噪声大且气泡直径分布非正态。最优的黑箱数据驱动神经网络(NN)未能捕捉到已知的气泡随床层高度单调增长的趋势。相比之下,嵌入Hilligardt–Werther经验关联式的PINN,尽管数据有噪声,仍强制执行了物理单调性和鲁棒性。UDE进一步将该经验关联式与学习到的神经修正耦合,产生了一个物理可解释、数据校准的模型。结果表明,UDE保持了物理趋势,同时自适应地补偿了经验关联式的偏差,数据驱动神经修正贡献了总趋势的20–35%。最宽PSD情况下数据驱动修正最大,这在意料之中,因为此类条件很可能超出经验关联式的校准范围。重要的是,这也展示了混合框架将经验模型扩展到其原始范围之外的能力。在缺乏基于第一性原理描述的情况下,该研究提出的混合(灰箱)方法协调了物理基础与数据驱动灵活性,为实际流化床中气泡生长的建模提供了一个更可靠、可解释和可推广的框架。
鼓泡流化床(BFB)中的气泡动力学控制着传热传质速率、混合均匀性和整体过程效率,但准确预测气泡生长仍具挑战。现有经验关联式在宽粒径分布(PSD)条件下准确性下降,纯数据驱动模型可能产生非物理行为。为解决此问题,研究人员开发了混合建模框架,整合物理信息神经网络(PINN)和通用微分方程(UDE),嵌入Hilligardt–Werther经验关联式,利用实验数据(七种PSD的Geldart B组颗粒,数据来自已出版文献)进行训练和验证。结论表明:PINN能强制气泡直径随床高单调增长;UDE通过神经修正项自适应补偿经验关联式偏差,数据驱动修正贡献20–35%;PSD越宽,修正贡献越大(窄PSD为25%,宽PSD为35%)。该研究发表在《Industrial》期刊上,为流化床设计与放大提供了可靠、可解释且可泛化的建模途径。

关键技术方法:研究人员采用两种混合模型。物理信息神经网络(PINN)将Hilligardt–Werther经验关联式作为软约束加入损失函数,强制模型符合物理趋势。通用微分方程(UDE)将经验关联式与神经网络修正项结合,联合优化经验常数和修正权重,实现物理解释性与数据适应性的平衡。实验数据来源于已出版文献中7种PSD情况(高斯和对数正态分布,σ/dsm从10%到70%),使用光纤探针在七个床高位置测量气泡直径b,训练使用Adam优化器,数据预处理标准化。

研究结果:

(1)PINN与NN对比:纯数据驱动神经网络(NN)偶尔预测气泡直径随床高下降,违反物理单调性;PINN成功强制单调增长,尽管均方误差略高(PINN: 5.2×10-5 ± 1.0×10-7,NN: 5.1×10-5± 1.3×10-7),但物理约束提升了鲁棒性。

(2)UDE分解:UDE将总导数分解为经验项fphys和神经修正项β·NN。全局权重β=0.28,表明经验项主导,神经修正补偿过预测。通过学习调整经验常数,β降至0.20,模型一致性更好(MSE 6.1×10-4)。灵敏度分析显示床高z影响最大,空隙率ε和气泡上升速度ub影响较小。

(3)调整经验常数后的UDE:学习到的常数a1=1.99、a2=9.00、a3=0.33、a4=556.1接近原值,验证了关联式的稳健性;β=0.20表明神经修正贡献较小,弹性分析显示a3对β影响最大。

(4)灵敏度分析:全局灵敏度确认床高z是最主导变量,其标准化灵敏度0.042约是空隙率ε(0.0066)和气泡速度ub(0.0074)的6倍;局部灵敏度显示?F/?z随z增加,而ε和ub影响较小且空间变化。

(5)窄PSD案例(σ/dsm=10%):PINN保持单调性,UDE中β10=0.25,经验项占主导,神经修正幅值小(均值-0.0195 vs 经验项0.194),模型一致性高(MSE 8.6×10-4)。

(6)宽PSD案例(σ/dsm=70%):数据更复杂,UDE中β70=0.35,神经修正项幅值与经验项接近(均值-1.17 vs 1.67),表明经验关联式对宽PSD适用性下降,神经修正起更大补偿作用,模型仍保持内部一致性(MSE 2.3×10-3)。

总结讨论:研究显示混合模型能自适应平衡物理与数据成分:PSD窄时经验主导,PSD宽时数据驱动作用增强,但始终保持可解释性。床高z是主控变量,空隙率ε和气泡速度ub通过神经修正施加耦合影响。该框架将经验模型扩展到其校准范围之外,避免纯数据模型的非物理行为。结论翻译:该研究提出了一种混合建模框架,通过嵌入Hilligardt–Werther经验关联式的物理约束和数据驱动学习来模拟气泡生长动力学。PINN成功强制了物理一致性,UDE实现了经验与神经修正的平衡。结果展示了混合模型在保持数值稳定性、可解释性和与噪声实验数据一致性的同时捕捉关键物理趋势的能力。未来工作可扩展到时空动态和多相耦合,纳入时间分辨气泡跟踪数据,集成不确定性量化,并扩大数据集。从反应器设计角度看,准确预测气泡生长可改进相间传热传质、床层膨胀和反应速率的估算,对提高效率和放大决策至关重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号