《Particuology》:Study on Draw Resistance of Tobacco-Shred Packed Rods Based on Structural Parameters Using Machine Learning
编辑推荐:
•CT引导的机器学习提高了预测精度,并识别了关键阻力因素。•仅凭孔径分布即可准确预测抽吸阻力。•孔隙率、平均孔径以及孔径分布比值Q90/Q10是主要的预测因子。•加入Q90/Q10后,渗透率模型性能提升了最高26.6%。引言卷烟抽吸阻力是评价卷烟质量的关键物理指标之一,它直接
- •
CT引导的机器学习提高了预测精度,并识别了关键阻力因素。
- •
仅凭孔径分布即可准确预测抽吸阻力。
- •
孔隙率、平均孔径以及孔径分布比值Q90/Q10是主要的预测因子。
- •
加入Q90/Q10后,渗透率模型性能提升了最高26.6%。
引言
卷烟抽吸阻力是评价卷烟质量的关键物理指标之一,它直接影响吸烟舒适度,并与烟气输送行为密切相关[1]、[2]。在标准测量条件下,抽吸阻力定义为在规定流量下空气通过卷烟时产生的压降。以往研究主要探讨了产品设计及制造相关参数(如通风结构配置、卷烟纸透气度、卷烟圆周及各组分孔隙率)对压降和通风性能的影响[3]、[4]。这些研究通常依赖吸烟机测试、经验或半经验模型以及计算流体力学(CFD)模拟来量化卷烟中的气流阻力[5]、[6]。ISO 6565规定了测量卷烟抽吸阻力和滤嘴压降的标准条件[7]。报道的抽吸阻力值一般在几百帕斯卡到超过1 kPa之间,具体取决于卷烟结构和测试条件。例如,Colard和Julien报道了约1.27 kPa的未点燃抽吸阻力和点燃卷烟吸吮期间约1.62 kPa的等效抽吸阻力[8]。因此,识别抽吸阻力的结构来源对于改善阻力调控和产品一致性具有重要意义。
烟草杆由随机填充的烟丝组成,形成复杂且非均质连通的孔隙网络[9]。烟丝尺寸、取向及局部堆积状态的差异会改变气流通道的尺度、连通性和曲折度,从而影响局部流阻和抽吸时的宏观压降[10]、[11]。如图1所示,烟草杆的孔隙结构可通过孔隙率、比表面积(SSA)、曲折度、平均孔径、孔隙长径比和孔径分布进行表征。这些参数从孔隙空间、界面特征、流路复杂度和孔隙尺度特征等方面描述了烟草杆的内部结构。传统的孔隙表征方法,如压汞法和气体吸附法,常用于获取孔隙体积、孔径分布和SSA[12]、[13]。然而,这些方法对孔隙网络的空间分布、连通性和三维(3D)非均质性的信息提供有限。相比之下,计算机断层扫描(CT)结合三维重建可实现对真实内部孔隙结构的无损表征,并为提取结构参数和分析其与抽吸阻力的关系提供更直接的依据[14]、[15]。
从多孔介质角度看,渗透率提供了烟草杆内部孔隙结构与其宏观压降之间的基本联系。在低速层流条件下,压降与渗透率之间的关系可用达西定律描述[16]:其中ΔP为压降(Pa),μ为流体动力黏度(Pa·s),L为多孔介质长度(m),u为表观流速(m/s),k为多孔介质渗透率(m2)。当惯性效应不可忽略时,Forchheimer方程引入了额外的非线性阻力项[17]:其中β为惯性阻力系数,ρ为空气密度。为将渗透率与孔隙结构进一步关联,Kozeny–Carman(K–C)模型引入了孔隙率、SSA和曲折度等结构参数[18]:其中C为与孔隙几何相关的常数,τ为曲折度,SSA为多孔介质的比表面积(m-1),ε为孔隙率。
上述方程表明,在规定气流速率和样品几何条件下,卷烟抽吸阻力主要受烟草杆渗透率控制,而渗透率进一步由其内部孔隙结构决定。然而,传统渗透率模型通常基于均质或理想化多孔结构,因此在描述卷烟烟草杆的非均质孔隙网络方面存在局限[19]。虽然孔隙率常被用于表征烟草杆的疏松程度,但样品间的孔隙率变化通常有限,不足以完全解释抽吸阻力的较大差异。因此,需要引入更详细的孔隙结构参数,如特征孔径[20]、孔径分布[21]和孔隙-通道几何形态[22],以提高对流阻的表征能力。在这些因素中,孔径直接影响流体输运能力,而更宽或更不规则的孔径分布可能导致气流通道不均匀和局部阻力增加。
引入孔径结构参数会显著增加模型复杂度,使得传统解析模型难以完全捕捉复杂多孔结构与抽吸阻力之间的非线性关系。相比之下,机器学习(ML)方法在处理多变量耦合和非线性映射方面具有显著优势。它们能够从数据中提取关键特征并建立结构参数与流阻之间的映射关系[23]、[24],从而有望提高预测精度和泛化性能[25]。在模型构建之前,通常需要对候选输入特征进行相关性分析[26]、[27]和共线性检验[28]、[29],以识别变量间潜在的冗余信息,提高模型输入的统计有效性,从而为后续预测模型开发提供更稳健的特征基础。此外,可运用模型可解释性方法识别控制抽吸阻力的关键结构因素,从而加深对预测结果的物理理解[30]、[31]、[32]。
CT成像与机器学习的结合已被越来越多地应用于地质多孔介质的渗透率预测[33]、[34]。现有研究通常采用基于结构参数的工作流(即从CT图像中提取预定义的一组结构参数用于渗透率预测)或基于图像的工作流(即将分割后的CT图像直接输入ML模型)。在这些研究中,输入的结构参数或图像通常在模型开发之前确定,主要目的是加速孔隙尺度计算或实现渗透率升尺度。相比之下,本研究逐步评估了不同组结构参数,并根据每个分析阶段的结果优化特征组合。
尽管取得了这些进展,卷烟烟草杆的非均质孔隙结构与抽吸阻力之间的关系仍不清楚。现有渗透率模型主要依赖整体结构参数和理想化假设,限制了其捕捉孔隙尺度非均质性影响的能力。特别是,孔径分布对烟草杆渗透率和抽吸阻力的贡献尚未得到充分关注。因此,本研究将可解释机器学习应用于CT衍生的结构参数,以识别影响抽吸阻力的关键结构参数并改进渗透率模型。
为实现这一目标,本研究测量了12种卷烟的抽吸阻力,并对每类中12个代表性样品进行CT扫描和三维重建。使用Avizo软件提取孔隙率、SSA、曲折度、平均孔径、孔隙长径比和孔径分布参数,并用于构建具有不同特征组合的随机森林(RF)模型。随后应用SHapley加性解释(SHAP)、置换特征重要性(PFI)、递归特征消除(RFE)和分层偏依赖(StratPD)识别关键结构参数并阐明其与渗透率的关系。通过这些分析确定的关键孔径分布参数随后被纳入改进的渗透率模型。本研究提供了一种更准确的抽吸阻力和渗透率预测方法,同时加深了对非均质烟草杆结构气流阻力的理解,从而为卷烟结构优化和多孔介质流动研究提供了有价值的见解。
章节摘要
方法
本研究的整体方法工作流程如图2所示。简要而言,首先测量卷烟样品的抽吸阻力,然后对烟草杆孔隙结构进行CT扫描和三维重建。随后提取结构参数,并用于特征筛选、基于RF的预测、模型可解释性分析和渗透率模型修正。
抽吸阻力与结构特性
图3比较了12种卷烟的平均抽吸阻力,范围为354至837 Pa。1#、2#和4#型表现出相对较低的抽吸阻力,而9#和10#型显示出明显较高的数值。其余型号一般分布在一个中间范围内。这些差异表明所研究的卷烟型号之间的气流阻力存在显著变化。误差线表明型内变异,这可能与该型号的差异有关
结论
本研究利用基于CT的三维重建提取了卷烟烟草杆的孔隙结构参数,并建立了基于机器学习的抽吸阻力预测模型。主要结论如下:
- (1)
建立了一个关联烟草杆结构参数与抽吸阻力的数据集,包括孔隙率、SSA、曲折度、孔隙长径比、平均孔径和孔径分布参数。Q95/Q05、Q90/Q10和Q75/Q25被用于表征孔
CRediT作者贡献声明
胡学松:撰写 – 审阅与编辑,方法论。沈启丰:撰写 – 审阅与编辑,方法论。吴晓炯:监督,方法论。范立诚:方法论,调查。郭聪健:撰写 – 审阅与编辑,撰写 – 初稿,方法论,调查。高乃平:撰写 – 审阅与编辑,监督
利益冲突声明
? 作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
致谢
本研究由国家烟草专卖局重点科技项目,"静态卷烟杆模型研究与应用"(110202501016(SZ-08))资助。
郭聪健|吴晓炯|范立诚|胡学松|沈启丰|高乃平