朱禮濤，歐陽博，張希寶，羅正鴻

（上海交通大學化學化工學院化工系，金屬基復合材料國家重點實驗室，上海200240）

多相反應器廣泛應用于催化裂化[1-3]、費托合成[4-5]、甲醇制烯烴[6-8]、聚合反應[9-10]等工藝過程，是化工過程的關(guān)鍵裝備之一。其內(nèi)部存在著復雜的多相流動、傳遞及反應行為，并且這些非穩(wěn)態(tài)非線性行為在時空尺度上相互耦合、相互影響，極大增加了理解并準確預測這些多尺度特性的難度，對反應器設(shè)計、優(yōu)化及放大提出了挑戰(zhàn)。近些年來隨著高性能計算機的快速發(fā)展，以機器學習為代表的人工智能技術(shù)逐漸應用于化學化工領(lǐng)域。目前已有較多文獻系統(tǒng)介紹了機器學習在多相催化及催化劑設(shè)計、反應性能預測、反應動力學建模、化工過程智能控制與優(yōu)化、物性估算、化學合成優(yōu)化等方面的應用進展[11-17]。然而，本文作者調(diào)研文獻后發(fā)現(xiàn)，目前較為全面地回顧及展望機器學習在多相反應器中的應用進展的綜述較少見諸公開報道。本文旨在回顧并評述機器學習在多相流設(shè)備（尤其是多相反應器）中流動、傳遞及反應特性的研究現(xiàn)狀，以促進其更好地應用于多相反應器的學術(shù)研究及工業(yè)應用發(fā)展。

1 機器學習簡介

1.1 常用的機器學習方法

機器學習通常分為有監(jiān)督、半監(jiān)督及無監(jiān)督學習，其算法可部署在Caffe、MXNet、TensorFlow 等開源平臺上。這些平臺框架里內(nèi)嵌有多種可供用戶選擇的機器學習算法程序。常用的機器方法包括神經(jīng)網(wǎng)絡模型（例如深度神經(jīng)網(wǎng)絡[18]、卷積神經(jīng)網(wǎng)絡等[19]）、支持向量機模型[20]、樹模型（例如隨機森林模型[21]、梯度提升決策樹模型[22]）、聚類算法[23]等，如圖1所示。其中，神經(jīng)網(wǎng)絡模型也被稱為人工神經(jīng)網(wǎng)絡模型（ANN），起源于20世紀50年代對大腦工作機理的模仿，廣泛流行于20 世紀80 年代。其具有極強的非線性映射能力及學習能力，目前已成為最為強大的機器學習算法之一。ANN 通常包括輸入層、隱藏層及輸出層，如圖2所示。支持向量機模型來自于統(tǒng)計領(lǐng)域，20 世紀60 年代提出，是二元廣義線性分類器，一定程度上是對邏輯回歸方法的一種強化；也可通過該學習方法進行非線性分類。樹模型是一種基本的分類與回歸方法，包括隨機森林模型、深度森林模型、決策樹模型等。其中決策樹包括根節(jié)點、內(nèi)部節(jié)點（決策節(jié)點）及葉節(jié)點，主要涉及三個學習步驟，即特征選擇、生成及修剪決策樹，旨在尋找最純凈的劃分方法，從而生成一棵泛化能力強的樹，對未見案例擁有強大的預測性能。聚類算法是針對大量未知標簽的數(shù)據(jù)集，根據(jù)數(shù)據(jù)集內(nèi)在的相似度把數(shù)據(jù)集劃分成多個類別，使類別內(nèi)的數(shù)據(jù)元素相似性較大，而類別間的數(shù)據(jù)元素相似性較小。關(guān)于機器學習方法更為詳盡的介紹，可參考相關(guān)綜述文獻[24]。

1.2 機器學習建模過程

機器學習建模的流程性很強，主要包括數(shù)據(jù)集建立、特征選擇、模型調(diào)優(yōu)、模型驗證與測試等。下面以機器學習輔助反應器介尺度建模為例具體說明，如圖2所示。

圖1 常用機器學習方法分類［24］

圖2 機器學習輔助反應器介尺度濾波模型開發(fā)步驟［22］

（1）數(shù)據(jù)集建立 包括數(shù)據(jù)的采集、預處理（包括檢查數(shù)據(jù)集的合理性與有效性、數(shù)據(jù)缺失及異常處理等）、標準化（包括歸一化、標準化）、數(shù)據(jù)集劃分。歸一化是將屬性縮放到規(guī)定的極大及極小值（一般為1～0）之間；標準化是把數(shù)據(jù)集根據(jù)比例縮放，使之在一個較小的特定區(qū)間內(nèi)，處理后的數(shù)據(jù)可負可正，絕對值一般不會太大。上述方法可以防止特征輸入?yún)?shù)間的量級差異過大。然后還要將數(shù)據(jù)集按一定比例（例如9∶3∶1）分割為訓練集、驗證集、測試集。另外，若數(shù)據(jù)集分布不均，還要對數(shù)據(jù)集做均衡處理，例如數(shù)據(jù)集按一定規(guī)則做補點處理。對于少數(shù)可能不符合物理約束或常理經(jīng)驗的異常特征輸入輸出值，可能會降低模型預測的魯棒性及精確性，需做適當?shù)奶幚?。?shù)據(jù)集的工況涵蓋范圍（豐富程度）對于機器學習模型性能尤為重要，在選取及劃分數(shù)據(jù)集時要特別注意。

（2）特征選擇 是影響預測結(jié)果好壞的關(guān)鍵之一。特征選取個數(shù)過多會導致訓練時間指數(shù)增加，且有過擬合的風險；特征數(shù)量過少則缺少足夠的信息量用于模型的訓練；優(yōu)質(zhì)的特征選取會直接提升模型的預測效果。在選取特征輸入?yún)?shù)時，主要考慮兩個方面：特征參數(shù)是否會導致發(fā)散。特征參數(shù)與目標輸出變量是否具有較強的相關(guān)性，這決定了所選擇的特征參數(shù)是否有助于提升模型性能及表達數(shù)據(jù)的能力。特征選擇的方法主要有過濾法、嵌入法及打包法。目前在多相流及多相反應器領(lǐng)域，特征輸入?yún)?shù)的選擇很大程度上依賴于使用者的物理知識或經(jīng)驗進行篩選，應用上述幾種較為理論的選擇算法還相對較少，后續(xù)需加強此方面的研究。

（3）模型調(diào)優(yōu) 超參數(shù)優(yōu)化是指在驗證集上表現(xiàn)性能最佳的參數(shù)，例如隨機森林模型中樹的棵數(shù)，神經(jīng)網(wǎng)絡中的學習率、迭代次數(shù)、神經(jīng)網(wǎng)絡層數(shù)、神經(jīng)元數(shù)、優(yōu)化器、激活函數(shù)及損失函數(shù)等超參數(shù)的選取和優(yōu)化，是機器學習算法成功實施與否的關(guān)鍵之一。為達到模型預測最優(yōu)化，一般需要反復調(diào)試。例如，針對機器學習方法應用于氣固多相流反應器中固含率、固相循環(huán)速率等關(guān)鍵流動參數(shù)預測時，若流動數(shù)據(jù)量較少，則神經(jīng)網(wǎng)絡層數(shù)及神經(jīng)元數(shù)一般設(shè)置較少即可滿足預測精度需求；否則不僅會增加機器學習過擬合的風險，可能也會使得模型訓練的時間成本增加、模型泛化預測能力減弱。再比如，應用機器學習方法預測氣固多相流反應器中顆粒相介尺度應力時，若僅使用單個損失函數(shù)用于數(shù)據(jù)訓練學習，預測效果可能不佳，甚至出現(xiàn)訓練發(fā)散報錯的情形，此時若能將兩個不同的損失函數(shù)（比如Huber 與MAPE 作為損失函數(shù)）耦合使用，有望解決上述問題。與此同時也有一些超參數(shù)優(yōu)化技術(shù)，例如網(wǎng)格搜索、貝葉斯優(yōu)化、梯度提升機等。其中，網(wǎng)格搜索法是一類超強搜索算法，可為待調(diào)整的每個超參數(shù)獲得一組可能的值，然后由模型評估每種組合的預測性能；最后，返回最優(yōu)預測效果的選擇。

（4）模型驗證與測試 預測效果除了關(guān)注訓練性能，還要做驗證及測試評估，防止模型可能出現(xiàn)過擬合或欠擬合。同時評價模型性能好壞的指標除了準確率以外，還包括相關(guān)系數(shù)、均方根誤差、平均絕對百分比誤差等。以機器學習方法輔助反應器介尺度模型構(gòu)建為例[22]，評價模型性能（尤其是泛化能力）的強弱，主要包括兩方面：一是對離線未見數(shù)據(jù)的預測能力；二是對在線未見預測數(shù)據(jù)的預測能力（面向應用）。圖2 中機器學習模型的最終目標是實現(xiàn)反應器CFD 模擬時，實時在線預測輸出計算過程中的本構(gòu)參數(shù)值（例如曳力、固相應力、相間傳熱等）。另外，訓練學習過程中數(shù)據(jù)集的涵蓋范圍及數(shù)據(jù)質(zhì)量也直接決定了后期機器學習模型應用時的泛化能力，在模型構(gòu)建與驗證測試時，要著重予以關(guān)注。

1.3 機器學習與計算流體力學（CFD）集成耦合框架

Rosa 等[72]采用電阻探針測得73 組豎直管中空氣-水上升流的流場數(shù)據(jù)，將所測流場信號轉(zhuǎn)換為統(tǒng)計矩和概率密度函數(shù)用于表征目標流型，并劃分為6 種不同的流型，即氣泡流、彈狀流、栓塞流、不穩(wěn)定栓塞流、半環(huán)狀流及環(huán)狀流。研究者進一步比較了單輸出及多輸出下不同的神經(jīng)網(wǎng)絡模型，包括多層感知、徑向基函數(shù)與概率神經(jīng)網(wǎng)絡。結(jié)果表明，多層感知模型更符合試驗數(shù)據(jù)。進一步與基于k均值聚類算法的無監(jiān)督機器學習方法比較發(fā)現(xiàn)，該方法具有概念簡單、開發(fā)成本低、計算速度快的優(yōu)勢。

2 機器學習在多相反應器流場中研究現(xiàn)狀

2.1 機器學習輔助反應器內(nèi)流場本構(gòu)模型構(gòu)建

圖3 機器學習耦合CFD并行架構(gòu)流程及數(shù)據(jù)交換［22］

Shen 等[62]考慮到液-液兩相流動易受到大量參數(shù)（例如進料速度、物性、設(shè)備內(nèi)徑及混合單元結(jié)構(gòu)等）的影響，因此需要一個高通量輸出的試驗系統(tǒng)來自動采集與分析流型數(shù)據(jù)。這樣不僅可以減輕泵的繁瑣操作及流型識別的工作量，而且可以快速準確地收集數(shù)萬組流型數(shù)據(jù)。如何在無需人工干預的情況下實現(xiàn)流型的自動識別是構(gòu)建此類系統(tǒng)的最大挑戰(zhàn)。針對此，研究者采用高速攝像機拍攝了5000張液-液兩相微通道內(nèi)流場圖，作為訓練學習的數(shù)據(jù)集，用于卷積神經(jīng)網(wǎng)絡模型中。建立了相對通用的流型自動識別平臺，可對不同流型進行精準辨別。研究者最后提出了兩個量綱為1參數(shù)作為段塞流識別的判據(jù)。該流型識別系統(tǒng)與進樣泵自動控制系統(tǒng)耦合，克服了需要人工干預才能自動識別與控制的問題，實現(xiàn)了流型數(shù)據(jù)實時在線識別與智能自動控制。該研究為微流控及微反應器技術(shù)平臺的開發(fā)提供了思路。

亞格子濾波模型是目前幾種主要的介尺度方法之一，其通過對高精度細網(wǎng)格模擬數(shù)據(jù)進行濾波統(tǒng)計處理，可以產(chǎn)生大量數(shù)據(jù)。傳統(tǒng)的濾波建模方法首先對數(shù)據(jù)集進行分桶統(tǒng)計操作，然后再將桶內(nèi)數(shù)據(jù)作平均化處理，最后對桶內(nèi)數(shù)據(jù)進行關(guān)聯(lián)構(gòu)建濾波模型。該分桶操作可能導致濾波得到的介尺度信息被平均化而部分失真，不能完整地表達流場特征；并且傳統(tǒng)的方法即使針對原始濾波數(shù)據(jù)做關(guān)聯(lián)構(gòu)建，由于數(shù)據(jù)量龐大，也可能會存在數(shù)據(jù)分析處理效率低、關(guān)聯(lián)預測效果差的問題。針對此，Jiang等[30]考慮到機器學習方法具有高效精確的大數(shù)據(jù)處理優(yōu)勢，實施了基于顆粒動理學的兩相流細網(wǎng)格模擬（網(wǎng)格尺寸為3 倍粒徑），并將細網(wǎng)格模擬數(shù)據(jù)用于ANN 訓練開發(fā)稠密顆粒流下的介尺度濾波曳力模型。具體而言，研究者根據(jù)直接可用的亞格子變量（包括濾波固相體積分數(shù)、濾波氣固相間滑移速度和濾波流體相壓力梯度）對亞格子漂移速度進行了建模；進而利用漂移速度估計亞格子曳力。該研究表明ANN 模型預測性能優(yōu)于傳統(tǒng)濾波建模方法[31]。本文作者課題組在前期介尺度反應器模型開發(fā)的系列研究工作中，曾報道：①在介尺度曳力模型中引入“多子域濃度梯度”這一表征局部非均勻性的關(guān)鍵因素，提出了更準確的“拋物線分布”函數(shù)，建立了梯度依賴的三參數(shù)介尺度曳力模型[26-27]；②提出基于“擬穩(wěn)態(tài)”思想，構(gòu)建了流體與顆粒材料性質(zhì)依賴的介尺度曳力模型[28-29]。近期基于兩類典型的機器學習方法（人工神經(jīng)網(wǎng)絡ANN、極端梯度提升決策樹模型Xgboost）[22]，提出了機器學習輔助反應器CFD 模型開發(fā)的完整步驟（圖2）。通過空間濾波方法，提取高分辨細網(wǎng)格兩相流模擬大數(shù)據(jù)（網(wǎng)格尺寸為1.3倍粒徑），構(gòu)建了用于封閉氣固相間動量傳遞的介尺度本構(gòu)曳力模型。該研究工作定量評估了不同類別的亞格子特征參數(shù)對訓練預測輸出的影響，并證明了三參數(shù)是預測未知測試集的最優(yōu)選擇。進一步，研究者們開發(fā)了一個并行數(shù)據(jù)加載器，可實現(xiàn)將機器學習模型與CFD框架集成耦合，如圖3所示。研究表明，粗網(wǎng)格CFD 模擬與多工況下反應器流體力學試驗吻合較好。該研究為機器學習輔助反應器模型開發(fā)提供了易于擴展的途徑，有望進一步推動介尺度理論發(fā)展的新研究范式。Zhang 等[32]研究發(fā)現(xiàn)相鄰粗網(wǎng)格信息可提高濾波曳力預測精度，并且包含卷積層的ANN模型預測性能優(yōu)于多層感知器模型（multilayered perceptron，MLP）及傳統(tǒng)濾波方法。此外，也有研究者將機器學習方法用于球形或非球形顆粒系統(tǒng)中構(gòu)建微尺度曳力模型[33-34]。

圖4 對人工神經(jīng)網(wǎng)絡-能量最小多尺度模型（ANN-EMMS）的一種概念性描述［35］

除了通過機器學習輔助底層數(shù)值模擬構(gòu)建介尺度曳力的方法外，近期Nikolopoulos 等[35]提出了一種機器學習輔助基于著名的能量最小多尺度（EMMS）方法[36-38]的介尺度模型開發(fā)思想，如圖4所示。研究人員開發(fā)了一個ANN 模型來更好地表征介尺度結(jié)構(gòu)的影響。通過定制的FORTRAN代碼求解EMMS方程生成數(shù)據(jù)集用于模型開發(fā)、訓練及驗證。模型輸入?yún)?shù)中，除了介尺度參數(shù)外，還引入了宏觀尺度參數(shù)，例如物性參數(shù)。在中試尺度循環(huán)流化床（CFB）碳酸化爐中的測試結(jié)果表明，基于ANN-EMMS 介尺度曳力方法的CFD 模型與純EMMS介尺度曳力模型相比，預測的平均壓降差異為11.29%，反應器出口處二氧化碳濃度的預測差異則小于1%。

近期，也有研究者將機器學習用于構(gòu)建單相湍流模型或模型參數(shù)優(yōu)化的研究，在單相湍流中得到了諸多實際應用[39-44]。然而到目前為止，大多數(shù)雷諾平均方程（RANS）的封閉都是基于單相湍流模型的擴展，尤其當兩相之間的雙向耦合很重要時，這些模型無法準確捕捉復雜的兩相流體動力學特性。針對此，Beetham等[45-46]采用歐拉-拉格朗日模擬生成數(shù)據(jù)集，并耦合稀疏回歸方法（sparse regression method，SRM）用于模型封閉。研究者具體對曳力產(chǎn)生項、曳力交換項、應力應變項及黏性耗散項進行建模，并提出了一個最小張量集作為建模的基礎(chǔ)。結(jié)果表明，基于SRM 的機器學習方法可獲得流動條件下緊湊而精確的代數(shù)模型，且用作SRM 的訓練數(shù)據(jù)具有很好的魯棒性。該代數(shù)模型易于集成到常見的CFD 解算器中，為機器學習輔助多相流模型提供了易于延展的新途徑。

2.2 機器學習輔助反應器數(shù)值建模的不確定度量化分析

多相反應器CFD 數(shù)值建模過程中，封閉模型、半經(jīng)驗參數(shù)、雷諾應力以及系綜平均化計算等因素與物理實際及高分辨率流動結(jié)構(gòu)存在一定的差異，導致數(shù)值計算結(jié)果存在一定的不確定度。因此，完整的CFD 數(shù)值建模過程除了模型的開發(fā)（development）、 確 認 （verification） 及 驗 證（validation） 外， 還 應 包 括 不 確 定 度 量 化（uncertainty quantification，UQ）分析，以此保證模擬仿真在實際應用中的有效性與可信度。其中UQ分析在計算流體力學學科中發(fā)展得相對比較成熟完善，例如飛機、船舶及核反應器等領(lǐng)域[47-50]。近期在上述領(lǐng)域中，機器學習輔助數(shù)值建模UQ分析也獲得了較多的關(guān)注[51]。然而，在化工多相反應器數(shù)值建模中，不確定度分析尚未引起足夠的重視[52-54]。

Kotteda 等[55]利用開源多相流體力學軟件MFiX對氣固流化床內(nèi)的流動特性進行了模擬，并開發(fā)了一個基于C++的加載器，用以實現(xiàn)不確定度分析工具包Dakota 與MFiX 框架的耦合，從而在二者之間交換不確定度的輸入?yún)?shù)和輸出參數(shù)。同時，研究者還開發(fā)了一個數(shù)據(jù)驅(qū)動框架來獲取可靠的統(tǒng)計數(shù)據(jù)，利用Dakota-MFiX模擬生成的數(shù)據(jù)，應用采樣大小為500 的拉丁超立方體方法（Latin hypercube method）訓練機器學習算法。訓練和測試的深度神經(jīng)網(wǎng)絡算法通過加載器與Dakota 集成，從而獲得床層高度和床層壓降的低階統(tǒng)計量。

Liu 等[51]提出了一種基于貝葉斯算法的數(shù)據(jù)驅(qū)動兩相流CFD 不確定度分析方法。該方法利用貝葉斯推理對參數(shù)不確定度和模型形式不確定度進行量化，然后將得到的不確定度通過求解器傳遞輸出。為了使貝葉斯模型適用于復雜的雙流體CFD模擬，該方法采用了參數(shù)空間約簡和代理建模兩種方法。高分辨率局部變量使得該框架能夠同時考慮多個關(guān)鍵參數(shù)，并驗證了該方法的適用性。

Bao 等[56]為估計粗網(wǎng)格CFD 的模擬誤差，實現(xiàn)高效的CFD 兩相流預測，通過學習訓練以往的模擬數(shù)據(jù)，建立了一個基于深度前饋神經(jīng)網(wǎng)絡的代理模型。對于鼓泡兩相流，所建立的模型可以很好地捕捉并校正粗網(wǎng)格結(jié)構(gòu)中靠近壁面的速度和空隙率分布中的非物理“峰值”。研究結(jié)果證明了基于深度學習方法的粗網(wǎng)格CFD 模擬的可行性，對于高效工業(yè)設(shè)計具有潛在的應用價值。

Ansari等[57-58]采用非侵入式UQ方法對氣固多相流CFD 模擬中的不確定度進行分類和量化。為了降低UQ分析所需的計算成本，研究者采用人工智能和數(shù)據(jù)挖掘領(lǐng)域的常用技術(shù)來構(gòu)建智能代理模型（smart proxy models，SPM），從而降低大規(guī)模數(shù)值模擬的計算成本。通過觀察流化床內(nèi)的流動和顆粒行為，探究了利用人工智能構(gòu)建氣固多相流SPM的可行性。具體而言，采用多相流求解器MFiX 生成模擬數(shù)據(jù)，進而利用人工神經(jīng)網(wǎng)絡構(gòu)建了CFDSPM框架。該SPM能夠以合理的誤差（約10%）復現(xiàn)CFD 結(jié)果，與SPM 未見過的CFD 案例結(jié)果吻合較好。該模型可用于任意給定幾何形狀及不同入口速度情況下，流化床內(nèi)流動狀況的快速預測。

總體而言，機器學習模型預測性能依賴于數(shù)據(jù)量的大小、模型參數(shù)的優(yōu)化、特征輸入?yún)?shù)的選取、異常參數(shù)的去除等方面。對這些方面的變化較為敏感，直接影響模型的泛化能力，這可能與機器學習的模型參數(shù)較多有關(guān)。后續(xù)研究需要從機器學習模型框架本身的參數(shù)出發(fā)，進一步強化模型的魯棒性及準確性，提高其工況適用性。

目前，絕大多數(shù)機器學習工作多聚焦于多相流動特性方面研究，對于多相反應器內(nèi)部的反應行為研究也相對較少。Serrano等[92]針對實驗室規(guī)模鼓泡流化床反應器內(nèi)，生物質(zhì)氣化中焦油濃度數(shù)據(jù)的收集和分析難度大、缺乏預測氣化過程中焦油生成模型等問題，開發(fā)了一個人工神經(jīng)網(wǎng)絡用來預測氣化過程中焦油的生成。研究者首先通過收集文獻數(shù)據(jù)創(chuàng)建了一個數(shù)據(jù)庫用于學習訓練。研究表明，模型結(jié)果與文獻相符，驗證了流場參數(shù)變化時產(chǎn)品氣中的焦油含量變化規(guī)律。與其他模型相比，所建立模型具有更高精度，說明此數(shù)據(jù)驅(qū)動建模方法可有效預測焦油含量，有望為煤氣化過程提供了一種有效的預測工具。

2.3 機器學習輔助反應器內(nèi)流場重構(gòu)及流型識別

2.3.1 流場圖像識別與重構(gòu)

圖像重構(gòu)是多相反應器內(nèi)流場檢測系統(tǒng)的關(guān)鍵環(huán)節(jié)之一。然而多相流場往往是一個非線性非平衡的復雜動態(tài)系統(tǒng)，給利用傳統(tǒng)方法識別與重構(gòu)流場空間分布圖像帶來了挑戰(zhàn)，例如存在重構(gòu)圖像容易失真、重構(gòu)速度較慢、在線監(jiān)測難等問題。近些年來，由于機器學習方法（尤其是深度學習算法）具有重構(gòu)效果好及速度快等優(yōu)勢，研究者們逐漸將機器學習方法引入到流場圖像識別與重構(gòu)中，并對流場圖像背后的機理進行了較為深入的研究[19,59]。Wang 等[60]利用卷積神經(jīng)網(wǎng)絡（CNN）深度學習算法，對方形涓流床反應器中流場圖像進行了識別研究，并定量提取了床層中的氣液相含率。進而將此方法用于流型辨識中，如圖5所示。結(jié)果表明：利用平均液相含率可清晰地辨識涓流、脈沖流、鼓泡流等流型間邊界；并且在滴流-脈沖流過渡過程中，滴流可以進一步闡釋為穩(wěn)定滴流和加速滴流兩個子過程。

Yadav 等[61]采用非侵入式放射粒子示蹤技術(shù)檢測速度場數(shù)據(jù)。其中，快速的位置重構(gòu)算法是該技術(shù)用于流化床及鼓泡塔等傳統(tǒng)反應器設(shè)備檢測的一個重要挑戰(zhàn)。為此，研究者采用了ANN、支持向量機（SVR）及相關(guān)向量機（RVR）三種機器學習方法用于速度場的重構(gòu)。數(shù)據(jù)集包括“虛擬”鼓泡塔仿真數(shù)據(jù)集、真實鼓泡塔數(shù)據(jù)集（共計276組數(shù)據(jù)）。結(jié)果表明，就重構(gòu)精度方面而言，SVR 性能最佳；就重構(gòu)速度方面而言，由于RVR 模型更稀疏，其重構(gòu)速度明顯快于SVR。總體上，基于SVR和RVR的重構(gòu)算法可加快位置重建的速度。

理論上，當時間步長及數(shù)值網(wǎng)格足夠小時，底層納維-斯托克斯方程（Navier-Stokes equation，N-S）即可完全解析出反應器內(nèi)的細致流場結(jié)構(gòu)，例如全解析直接數(shù)值模擬（DNS）[25]。然而現(xiàn)實是，即使對于100m 數(shù)量級的周期性流場區(qū)域，所需要的計算成本仍然十分巨大。為了解決這樣的問題，在模擬實際反應器時研究者往往對流體相采用雷諾時均化的N-S 方程形式，例如歐拉-歐拉兩相流模型（Eulerian-Eulerian two-fluid model）、歐拉-拉格朗日模型（Eulerian-Lagrangian）；但N-S方程在退化為上述兩種模型時，會產(chǎn)生額外的未封閉項（例如曳力、升力、湍流耗散力、流體相應力、分散相應力等）。這兩種模型可以顯著降低DNS數(shù)值計算成本，但在使用細網(wǎng)格的情況下計算量仍然十分巨大。因此，目前而言使用粗網(wǎng)格模擬宏觀反應器內(nèi)流場比較經(jīng)濟。然而，在使用粗網(wǎng)格的時候，由于局部非均勻流動結(jié)構(gòu)不能完全解析準確而造成局部信息失真，又帶來了計算精度下降的問題[26-29]。因此，有必要在使用粗網(wǎng)格時考慮局部細致流動信息帶來的影響，并進行局部流動信息的數(shù)值建模，即為亞格子建模（又稱介尺度建模）。

Poletaev 等[63]應用卷積神經(jīng)網(wǎng)絡模型識別兩相鼓泡射流中的重疊、模糊及非球形氣泡信息。該方法的獨特之處在于采用與試驗中采集的真實照片相似的合成圖像訓練神經(jīng)網(wǎng)絡。湍動氣泡射流試驗表明，與傳統(tǒng)識別方法相比，該方法可以提高識別精度，減少各類誤差，并減少處理時間。此外，利用此方法，可計算出近噴嘴區(qū)域氣泡噴射的主要物理參數(shù)，例如氣泡尺寸分布及局部氣含率，所得結(jié)果與試驗數(shù)據(jù)吻合較好。

近期，Nnabuife 等[64]利用深度神經(jīng)網(wǎng)絡研究了較大氣速下約12m 高度S 形提升管內(nèi)的流型情況：環(huán)狀流、攪拌流、段塞流、鼓泡流。為增加連續(xù)波多普勒超聲所獲取的樣本數(shù)量而又不丟失關(guān)鍵分類信息，研究者提出了一種雙窗口特征提取方法。為了進一步評估此方法的性能，將其與4種常規(guī)機器學習分類器（即自適應提升分類器、裝袋分類器、額外樹分類器和決策樹分類器）進行了比較。結(jié)果表明，基于雙窗口特征提取方法的分類器實現(xiàn)了更高識別準確度，并且對于過擬合問題具有更好的魯棒性。

圖5 卷積神經(jīng)網(wǎng)絡圖像識別過程［60］

上述研究多集中于圖像識別用以劃分流型的研究，近期研究者對于氣泡圖像識別也表現(xiàn)出了越來越高的興趣。Haas等[65]提出了一種基于卷積神經(jīng)網(wǎng)絡的工作流程，試驗條件適用范圍更為廣泛。該方法被稱為BubCNN，其采用一個基于區(qū)域的CNN檢測器來更快地定位氣泡，并將氣泡形狀數(shù)據(jù)回歸用于預測氣泡形狀參數(shù)。研究者系統(tǒng)分析了超參數(shù)及神經(jīng)網(wǎng)絡結(jié)構(gòu)，BubCNN在多工況下仍可獲得較精確的結(jié)果。

Torisaki 等[66]探究了基于人工智能方法如何獲取氣泡尺寸以及流型轉(zhuǎn)變準則。研究者利用基于CNN 的目標檢測方法來提取泡狀流的特征。該模型網(wǎng)絡能夠提取多相流系統(tǒng)內(nèi)實時氣泡流特征。根據(jù)檢測到的氣泡坐標信息，可以快速獲取諸如空隙率、氣泡數(shù)及平均氣泡大小等流場特征參數(shù)。該方法為通用的全自動兩相流特征提取提供了新思路。

服務設(shè)計具有創(chuàng)新與創(chuàng)意、活動質(zhì)量提升、不斷跟蹤讀者需求變化是保持獨特的主要方法。這種獨特性同樣是品牌維護的重要環(huán)節(jié)。

Effect of exogenous pressure on growth and physiological characteristics

蔡聲澤等[67]采用人工生成的粒子圖像測速（PIV）數(shù)據(jù)開展有監(jiān)督的機器學習及訓練，從而建立適用于湍流流體速度預測的深度神經(jīng)網(wǎng)絡模型。該模型可高效地輸出單像素級別分辨率的速度流場，射流流場PIV測速試驗對深度神經(jīng)網(wǎng)絡的實用性（包括精度、分辨率及計算效率）進行了驗證。

上述研究主要針對氣-液兩相流流場識別與重構(gòu)，氣-固兩相流方面的研究相對較少。孫先亮等[59]開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡的電容層析成像技術(shù)（ECT）的圖像重建方法。研究者通過數(shù)值模擬手段隨機抽取了60000 組具有氣-固兩相流流型特點的氣-固介質(zhì)濃度分布圖像，進而基于有限元法建立了介質(zhì)分布與電容向量對應的數(shù)據(jù)集。利用卷積神經(jīng)網(wǎng)絡對數(shù)據(jù)集進行了學習訓練、驗證及測試。研究結(jié)果表明，所建立的模型可以較好地與ECT流場圖像重構(gòu)的顆粒介質(zhì)濃度分布吻合。

在氣-固兩相系統(tǒng)中，顆粒間或顆粒與壁面的碰撞、摩擦會導致固相顆粒積聚大量的靜電荷。通過檢測和處理感應到的脈動電荷信號，靜電傳感器檢測系統(tǒng)可以獲得兩相流的流型、濃度及速度等流場信息。為提高氣固兩相流系統(tǒng)的識別效率，研究者提出了一種將聲音識別特性引入到流型識別中的新方法[68]。具體而言，將提取檢測到的靜電脈動信號的3個特征參數(shù)作為后向傳播（BP）神經(jīng)網(wǎng)絡的輸入層，用于識別流型。結(jié)果表明，基于BP 神經(jīng)網(wǎng)絡方法可識別水平管內(nèi)3 種氣-固兩相流流型，識別率達到97%，遠高于基于單一特征的流型識別方法。Guo 等[69]針對氣固流化床內(nèi)流場ECT 圖像重構(gòu)耗時、在線監(jiān)測困難且相似流型復現(xiàn)等問題，基于高通量的試驗數(shù)據(jù)樣本，訓練學習得到了一種可用于在線監(jiān)測的機器學習模型。研究結(jié)果表明：所開發(fā)的模型對于固相濃度及等效氣泡直徑具有較好的預測性及通用性，可為流域劃分與識別提供可靠的流場參數(shù)。

幾個世紀以來，流體流動可視化雖然理論上可以用N-S方程描述，但直接從圖像中提取速度場和壓力場仍是一個巨大的挑戰(zhàn)。Raissi 等[70]開發(fā)了一種基于深度學習框架的隱藏流體力學（HFM）方法，能夠?qū)-S方程編碼到神經(jīng)網(wǎng)絡中，同時不受幾何條件、初始工況及邊界條件的影響。研究者通過提取可能無法直接試驗測量的定量信息，證明了HFM 在一些物理和生物醫(yī)學問題中的應用潛力，并且對低分辨率和強噪聲的觀測數(shù)據(jù)具有很強的魯棒性。該工作為復雜多相流體流動可視化問題的解決提供了新思路。

2.3.2 流型及流型轉(zhuǎn)變識別

準確判定并識別多相流設(shè)備內(nèi)部流型及其轉(zhuǎn)變，對于理解流體力學特性，并進一步設(shè)計優(yōu)化與控制多相流設(shè)備具有重要的理論指導意義。Trafalis等[71]將支持向量機模型分別用于辨識豎直及水平管內(nèi)兩相流型轉(zhuǎn)變。研究表明，流域轉(zhuǎn)變主要取決于管徑及氣液相表觀氣速。與傳統(tǒng)理論關(guān)聯(lián)式相比，支持向量機模型預測的流型轉(zhuǎn)變區(qū)與多工況下試驗數(shù)據(jù)更為接近。

圖3 給出了機器學習算法與計算流體力學（CFD）求解器框架雙向耦合集成的一個案例[22]，涉及耦合架構(gòu)、數(shù)據(jù)流以及CFD 計算過程。要實現(xiàn)二者的集成耦合，首先需要設(shè)計一個host數(shù)據(jù)加載器，負責控制和調(diào)度CFD 求解器與機器學習算法之間的數(shù)據(jù)交換與傳遞，該加載器支持多核并行分布式計算。當需要部署該數(shù)據(jù)加載器時，只需要保證每臺計算機上運行一個該host數(shù)據(jù)加載器調(diào)度系統(tǒng)即可根據(jù)計算機上CFD 求解器的數(shù)目自動調(diào)度計算。具體的耦合計算過程為：首先讀取計算區(qū)域內(nèi)網(wǎng)格單元節(jié)點里的流場數(shù)據(jù)以及相應的亞格子曳力修正因子（初始修正因子設(shè)置為1），然后CFD數(shù)值程序開始運行迭代計算；在完成一個迭代時間步長后，將機器學習所需要的特征標記參數(shù)打包為數(shù)據(jù)包的形式，并發(fā)送到數(shù)據(jù)加載器；數(shù)據(jù)加載器接收到數(shù)據(jù)包后對其進行解析，并將解析后的特征標記參數(shù)輸入到機器學習模型進行預測；預測結(jié)束后，將預測結(jié)果（即修正因子）再次打包為數(shù)據(jù)包的形式，并發(fā)送到CFD 求解器；然后解析數(shù)據(jù)包，將修正因子更新后用于CFD 求解器計算。若未達到預先設(shè)置的物理時間，則進入第一步，重新開始新一輪的循環(huán)計算；若達到設(shè)定的物理時間，則結(jié)束計算。

Manjrekar等[73]采用光學探針測得鼓泡塔反應器中流場數(shù)據(jù)并結(jié)合部分文獻中數(shù)據(jù)（70 組數(shù)據(jù)點），用于數(shù)據(jù)驅(qū)動模型開發(fā)。研究發(fā)現(xiàn)，檢測信號中的兩個關(guān)鍵參數(shù)，即氣泡時間及特征時間，包含了豐富的流域信息，可用于基于向量機的數(shù)據(jù)驅(qū)動模型中，從而識別不同試驗工況下所對應的流型圖。

教學目標是教學的起點也是終點，一個確切的教學目標有利于數(shù)學教學課程的順利進行。確定目標后會使學生學習有了動力，所以，學習目標的確定是十分重要的。例如，將本學期的教學目標定為教會學生所有的基礎(chǔ)知識，將以前的學習成績這個目標放棄。教學目標的確立，要在調(diào)查研究學生的學習能力、對數(shù)學課的感興趣程度、學生的個性的基礎(chǔ)上來進行制定，不可好高騖遠，達不到的教學目標會使學生對學習數(shù)學沒有了興趣，所以在制定教學目標時要貼近實際生活，教學目標與學生的學習目標相統(tǒng)一，將教學目標具體化會對數(shù)學課堂起到推動作用，指導教學的開展。

終于盼來了葡萄上市的時節(jié)，二叔滿懷希望帶了葡萄收購商到田里，可是，收購商到田里轉(zhuǎn)了一圈，抽樣翻開了部分紙袋，最終都無一例外地搖搖頭，總結(jié)式地說：“你這個葡萄，串頭散，顆粒小，爛果多?！庇械氖召徤踢B價都不給就走了，有給價的，也是低得讓人大跌眼鏡。

Mask等[74]收集分析了超過8000組氣-液兩相流數(shù)據(jù)，基于3種樹模型（即隨機森林模型、裝袋模型、極端梯度提升決策樹模型）研究了氣液流型特性。結(jié)果表明，流型圖主要受流體性質(zhì)（包括氣液相密度、黏度等）、液體和氣體的原位流速、流道幾何形狀及機械性能等參數(shù)影響。研究者為減少參數(shù)個數(shù)，采用量綱分析的方法，提出了3個具有特定物理意義的量綱為1變量用作機器學習的特征輸入變量。結(jié)果發(fā)現(xiàn)，量綱為1變量可顯著改善機器學習預測準確性。

Liu等[75]利用高速攝像機獲取空氣-水旋流管內(nèi)流場圖像。在提取氣液相含率后，采用自組織神經(jīng)網(wǎng)絡模型研究了氣液螺旋環(huán)狀流下的流動特性，給出了通用的旋流流域圖，用于識別不同工況下的旋流流型，包括旋流鼓泡流、旋流間歇流、旋流環(huán)狀流。

以上研究主要針對宏觀多相流設(shè)備。近期研究者也對多相微流體設(shè)備開展了機器學習研究。Bar等[76]從文獻中收集了561 組微通道內(nèi)空氣-水兩相流試驗數(shù)據(jù)點用作機器學習特征輸入?yún)?shù)，研究發(fā)現(xiàn)反向傳播算法、Levenberg-Marquardt非線性最小二乘方法及支持向量機方法均可以較好地用于流型識別。

總體而言，研究者們在將機器學習用于多相流設(shè)備內(nèi)流型識別及流場圖像重建研究時，多數(shù)體系主要集中在空氣-水兩相流冷模體系，針對非空氣-水兩相體系的研究有待加強。例如，通過添加劑調(diào)節(jié)水相黏度，使之更接近實際體系狀況。另一方面，大多體系針對常溫常壓體系，而對較高溫較高壓力等體系研究需要加強。需要指出的是，高溫高壓體系對試驗測量設(shè)備的制造往往要求更高，測量難度更大。同時，相較于常溫體系，機器學習算法需要相應的調(diào)整，優(yōu)選額外的最佳特征輸入變量。此外，多數(shù)研究集中在與已有試驗及半經(jīng)驗關(guān)聯(lián)式的對比，這對于保證機器學習模型可靠性的驗證至關(guān)重要，但同時應加強將所學習到的物理現(xiàn)象進一步上升到簡單易用的顯式代數(shù)模型層次。

2.4 機器學習輔助反應器內(nèi)流場關(guān)鍵參數(shù)預測

2.4.1 流動及傳遞參數(shù)預測

垂體瘤轉(zhuǎn)化基因[17]（PTTG），通常存在于惡性腫瘤中，屬于一種較為嚴重的癌基因，其其能夠使細胞增殖、細胞轉(zhuǎn)化等得以有效增加，并致使腫瘤出現(xiàn)浸潤性的增長[18]。根據(jù)相關(guān)研究可知，AM患者的子宮內(nèi)膜的侵襲以及浸潤都與PTTG表現(xiàn)具有直接關(guān)聯(lián)，PTTG蛋白呈現(xiàn)升高趨勢，其屬于該疾病發(fā)展的主要因素。

傳統(tǒng)的流場關(guān)鍵參數(shù)預測方法主要對采集到的流型數(shù)據(jù)進行離線分析處理，較難通過瞬態(tài)流場數(shù)據(jù)實時在線預測流場關(guān)鍵參數(shù)，因而無法實時在線調(diào)控流場。機器學習方法的明顯優(yōu)勢之一是可實時在線快速預測并控制流場參數(shù)。近些年來，研究者們也逐漸將機器學習方法用于流場關(guān)鍵參數(shù)預測，對流場進行了定量分析與表征[77-91]。Gandhi 等[78]較早地開展了支持向量機模型用于鼓泡塔內(nèi)氣液兩相流總體氣含率的預測。研究者從40 篇公開報道中收集了約1810 組試驗數(shù)據(jù)，特征輸入變量包括表觀氣液速度、氣液相密度、氣體分子量、分布器類型、噴孔直徑及數(shù)目、液體黏度及表面張力、操作溫度及壓力、塔內(nèi)徑等，目標變量為總體氣含率。與文獻中傳統(tǒng)關(guān)聯(lián)式相比較，所開發(fā)的機器學習模型泛化能力得到了增強，精確度得到顯著提升（平均絕對相對誤差約為12.11%）。后續(xù)研究采用激光多普勒測速技術(shù)（LDA）獲取鼓泡塔內(nèi)數(shù)據(jù)集，仍采用支持向量機模型得到了回歸關(guān)聯(lián)式，可用于總體氣含率的在線預測及自動控制[79]。

第四，團隊協(xié)作的主要內(nèi)容要由以商為本轉(zhuǎn)為以資本運作為本。以往閩商的團隊協(xié)作主要集中在如何尋找市場空缺，從而彌補空缺并從中獲利，主要在商品流通領(lǐng)域從事買賣活動。現(xiàn)在也有一些人成功轉(zhuǎn)向生產(chǎn)制造，創(chuàng)立了不少的成功企業(yè)與品牌。但總的來說，閩商團隊在經(jīng)營理念上主要是以生產(chǎn)與貿(mào)易為主，贏利的主要來源是從事商品的制造與買賣。而現(xiàn)代商業(yè)環(huán)境要求企業(yè)不僅能制造優(yōu)質(zhì)的產(chǎn)品，善于營銷，還要有很強的資本運作意識與能力，贏利不僅靠生產(chǎn)與貿(mào)易，也要靠資本運作。所以閩商團隊需要實現(xiàn)以商為本精神內(nèi)涵的轉(zhuǎn)化，在經(jīng)營理念上既要注重生產(chǎn)營銷，也要樹立資本經(jīng)營意識，既注重積累財富，又要注重運用財富?！?〕13

采用重復測量方差分析法，對兩組被試在不同時間點(前測、后測、追蹤)的IAS得分進行比較.采用Mauchly球形檢驗，滿足協(xié)方差矩陣球?qū)ΨQ(P>0.05).從表3可知，IAS的時間效應和交互效應均有統(tǒng)計學意義(P<0.05).經(jīng)簡單效應分析可知，與干預前相比，兩組被試的IAS得分都有所下降，但與對照組相比，實驗組IAS得分呈現(xiàn)顯著降低，其中后測和追蹤測試結(jié)果顯著低于前測(P<0.05).

Bansal 等[80]針對滴流床中關(guān)鍵參數(shù)（例如壓降、相間傳遞系數(shù)及潤濕效率等）對應的工程關(guān)聯(lián)式通用性不高的問題，提出應用支持向量機算法預測關(guān)鍵變量參數(shù)。與文獻中眾多的傳統(tǒng)半經(jīng)驗關(guān)聯(lián)式相比，該方法可顯著強化預測效果。

Pourtousi 等[81]探究了基于自適應神經(jīng)模糊推理系統(tǒng)建模，采用CFD 模擬鼓泡塔反應器內(nèi)流場，提供訓練、驗證所需的數(shù)據(jù)集。對不同空間位置的液相速度、湍動能及氣含率進行了學習訓練，預測結(jié)果較好地吻合CFD 原始流場數(shù)據(jù)，提高了傳統(tǒng)方法的預測精度。

煤氣化是指通過在大氣或高壓下將空氣和蒸汽的混合物吹入煤床而獲得低熱值燃料氣體（主要包括CO、H2和CO2等）的過程。Chavan 等[94]利用18臺穩(wěn)態(tài)運行FBG 的煤氣化數(shù)據(jù)，分別建立了兩種基于多元回歸（MVR）和多層ANN 策略的數(shù)據(jù)驅(qū)動FBG 模型，對產(chǎn)氣率和產(chǎn)氣熱值進行預測。這兩種模型均包含6個特征輸入變量，即固定碳、揮發(fā)分、礦物質(zhì)、單位煤的空氣供給量、單位煤的蒸汽供給量及溫度。結(jié)果表明，ANN 模型預測精度優(yōu)于MVR 模型。該模型有助于設(shè)計灰分含量變化的煤氣化爐。

黃正梁等[83]基于卷積神經(jīng)網(wǎng)絡（CNN）的深度學習模型，開發(fā)了一種氣-液-固多相反應器圖像分析方法，應用此方法可提取三相反應器中局部氣液相體積分數(shù)及相應的空間分布等流動參數(shù)。進一步采用時間序列信號、小波分析等方法可獲取二次參數(shù)，用于預測壓降與局部相含率等。研究者應用此方法檢測涓流床內(nèi)流場參數(shù)，發(fā)現(xiàn)平均液相含率可較準確地預測涓流區(qū)的壓降（平均相對偏差約為15%）。

以上研究多集中在機器學習方法應用于相含率及壓降的學習預測。Shaban等[84]應用差壓傳感器從兩相流豎直管中檢測的流場變量作為特征輸入，以氣液相流率為目標輸出函數(shù)，采用多層反向傳播神經(jīng)網(wǎng)絡算法對數(shù)據(jù)集進行學習訓練。與以往方法相比，在豎直管中全流域下，該方法預測氣液兩相流動速率仍可得到較好的性能。

Chew等[85-86]將隨機森林方法應用于循環(huán)流化床（CFB）提升管，開展了流場參數(shù)敏感性分析研究。結(jié)果表明，徑向位置對局部固相通量及偏析的影響最為顯著，總體固相通量對局部顆粒濃度的影響最大，而對局部顆粒聚團的影響可忽略。此外，如果進行訓練時使用足夠的數(shù)據(jù)量，并且特征輸入變量充分考慮了所有的影響因素，則可以訓練得到預測能力良好的神經(jīng)網(wǎng)絡，而不依賴于任何機理性的認識與理解。此研究強調(diào)了機器學習方法有助于理解流態(tài)化中流動特性及提供有效預測的價值。

Zhang 等[87]將機器學習方法用于水平氣流輸送管中固相顆粒流率的在線預測。研究者優(yōu)化了模型輸入?yún)?shù)，并對這些參數(shù)進行了基本的標準化處理，從而顯著提高了模型的預測性能。進一步將離線所建立的機器學習模型用于在線監(jiān)測與控制固相流率，提高了模型的工況通用性預測能力。

目前研究者在流場流動特性方面開展了較多的工作，對于流場中熱質(zhì)傳遞及多相反應過程的研究較少。Gandhi等[88]從10篇公開報道中收集了約366組鼓泡塔內(nèi)氣-液兩相流傳熱數(shù)據(jù)?；谥С窒蛄繖C模型開發(fā)了一個通用性的傳熱系數(shù)預測模型，其中特征輸入變量為操作參數(shù)及結(jié)構(gòu)設(shè)計參數(shù)。Zaidi[89]采用支持向量機方法開展了氣-液沸騰設(shè)備內(nèi)傳熱系數(shù)（努塞爾數(shù)形式）的學習訓練研究，收集了文獻中300組有機物試驗數(shù)據(jù)，在模型參數(shù)最優(yōu)化基礎(chǔ)上，重點強化了模型泛化能力。Koji?等[90]通過支持向量機回歸模型計算不同流型下的流體力學參數(shù)及氣-液傳質(zhì)系數(shù)。該模型能更好地預測氣升式外環(huán)流反應器內(nèi)的氣含率、降液管液速及氣液傳質(zhì)系數(shù)。此外，為驗證此模型的適用性，將其應用于多篇文獻中不同數(shù)據(jù)上。統(tǒng)計誤差分析表明，廣義SVR 模型對流體力學參數(shù)的平均絕對相對誤差可控制在10%以內(nèi)。

流化床具有良好的熱質(zhì)傳遞性能，在干燥過程中應用廣泛。方黃峰等[91]為了實時監(jiān)測流化床內(nèi)生物質(zhì)顆粒的干燥過程，首先應用弧形靜電傳感器陣列在實驗室尺度的流化床干燥器上開展了多工況試驗，測得訓練及測試所需數(shù)據(jù)，然后基于優(yōu)化的長短期記憶（LSTM）神經(jīng)網(wǎng)絡方法，實現(xiàn)對床層內(nèi)生物質(zhì)顆粒濕度較為準確地預測。此研究為流化床干燥過程在復雜多工況下的優(yōu)化運行提供了參考方案。

總體而言，研究者們多聚焦于機器學習用于多相反應器內(nèi)流動特性相關(guān)方面參數(shù)的預測研究，而傳熱傳質(zhì)方面的研究相對較少。熱質(zhì)傳遞具有同等的重要性，對于理解反應器內(nèi)部的傳遞特性，并進一步對反應器的設(shè)計優(yōu)化以及穩(wěn)定運行具有重要的作用，此方面的研究還有待加強。此外，目前多數(shù)研究聚焦在機器學習模型與文獻關(guān)聯(lián)式及試驗數(shù)據(jù)對比驗證，較少將學習訓練所得模型進一步用于流場參數(shù)的優(yōu)化、多相反應器的設(shè)計及優(yōu)化等。

2.4.2 反應參數(shù)預測

暫態(tài)功角弱穩(wěn)定模式辨識及其協(xié)調(diào)緊急控制策略//崔曉丹,張紅麗,方勇杰,李碧君,李威,牛拴保//(1):91

Guo等[93]以蒸汽作為常壓流化床氣化爐（FBG）內(nèi)的流化介質(zhì)，對幾種生物質(zhì)反應物進行了氣化研究。為獲得每種類型生物質(zhì)的氣化曲線，采用了一種混合神經(jīng)網(wǎng)絡模型來預測該過程。研究結(jié)果表明，生物質(zhì)氣化過程中，模型預測的生成氣體產(chǎn)率與試驗數(shù)據(jù)吻合，可正確描述生物質(zhì)氣化過程。同時，生物質(zhì)的種類對于氣化反應行為有重要的影響。

Azizi等[82]采用人工神經(jīng)網(wǎng)絡探究了垂直和傾斜管內(nèi)，油-水兩相流中的水含率預測。研究者從文獻中收集了468個數(shù)據(jù)點，以油水表觀速度及管道傾角作為輸入?yún)?shù)，以兩相流水含量作為輸出參數(shù)，對多層前饋神經(jīng)網(wǎng)絡進行訓練及測試。該方法在流型類別未知的情況下，仍具有較高的預測性能。

Patil-Shinde 等[95]利用高灰分煤在中試規(guī)模的FBG中開展了大量的煤氣化試驗，收集到的數(shù)據(jù)用于遺傳規(guī)劃（GP）和ANN 建模，重點研究了8 個煤氣化爐內(nèi)工藝參數(shù)對CO+H2生成率、合成氣產(chǎn)率、碳轉(zhuǎn)化率及合成氣熱值等氣化性能的影響。具體而言，采用主成分分析將上述八維變量輸入空間簡化為三維變量輸入空間，并將變換后的3個變量作為特征輸入?yún)?shù)。結(jié)果表明，GP和ANN模型在預測精度和泛化性能上效果均較為理想。此外，研究者還開展了參數(shù)敏感性分析，以確定工藝參數(shù)對FBG性能的定量影響。

對于機器學習模型框架中涉及到的超參數(shù)，目前大多數(shù)研究工作基于研究者經(jīng)驗確定。Pandey等[96]采用多層前饋神經(jīng)網(wǎng)絡對固體廢棄物在流化床氣化過程中的氣體低熱值、氣化產(chǎn)物的低熱值（焦油及夾帶焦等）、合成氣產(chǎn)率進行了預測。使用Levenberg-Marquardt反向傳播算法訓練具有不同結(jié)構(gòu)的ANN，并進行交叉驗證，以確保結(jié)果可推廣到其他工況。值得注意的是，該研究采用多重蒙特卡羅方法對神經(jīng)網(wǎng)絡中的隱藏層數(shù)、神經(jīng)元數(shù)及激活函數(shù)等超參數(shù)的優(yōu)化選擇進行了細致的探究。結(jié)果表明，基于ANN的FBG性能預測方法較為有效。

Jalalifar 等[97]首先建立了氣固鼓泡流化床反應器內(nèi)生物質(zhì)快速熱解過程的CFD 模型，并用實驗室規(guī)模的鼓泡流化床反應器進行了驗證。隨后進行了細致的CFD 參數(shù)研究，主要影響參數(shù)包括操作溫度、生物質(zhì)流量、生物質(zhì)與砂粒徑、載氣流速、生物質(zhì)噴射器位置及預處理溫度。然后基于粒子群優(yōu)化算法的支持向量回歸模型來預測生物油產(chǎn)率最大的工藝條件，進而利用該算法得到的最優(yōu)參數(shù)進行了CFD 模擬，最后將CFD 結(jié)果與機器學習模型預測的產(chǎn)物收率值進行了比較，吻合較好。

春光這樣明媚，花兒萬紫千紅，這一切居然無人欣賞，沒人理會，她傷感了，難道自己就像無人愛惜的春天，悄悄流逝，年華虛度嗎？“沒亂里春情難遣，驀地里懷人幽怨”中，杜麗娘做了個夢，在夢中她見到手持柳枝的少年書生，大膽地和他幽會了?！扼@夢》之后，家教已鎖不住她，她不顧母親的教訓，第二天又去后花園尋夢。

Zhong 等[98]為了減少生物質(zhì)快速熱解反應器設(shè)計和優(yōu)化的計算量，基于多流體CFD 模型模擬獲取了氣-固鼓泡流化床生物質(zhì)快速熱解的流場數(shù)據(jù)，然后應用后向傳播人工神經(jīng)網(wǎng)絡算法（BPANN）建立了生物質(zhì)快速熱解反應器的降階模型。具體而言，模擬了9 種不同熱解溫度下的產(chǎn)物產(chǎn)率，與試驗結(jié)果吻合較好。研究者利用BP-ANN將CFD模擬的組分質(zhì)量含率數(shù)據(jù)映射到反應器內(nèi)各計算節(jié)點對應的熱解溫度和坐標上。在優(yōu)化神經(jīng)元數(shù)目與激活函數(shù)基礎(chǔ)上，研究了所開發(fā)的BP-ANN在訓練溫度和測試溫度下預測物種流場分布的能力。該研究為CFD降階建模技術(shù)的發(fā)展提供了新思路。

二語報紙專欄評論寫作互動元話語使用考察 ……………………………………………………… 鞠玉梅（4.37）

網(wǎng)絡用語大多幽默風趣、風格鮮明，是互聯(lián)網(wǎng)語言生活方式的代表性特征之一。這十個流行網(wǎng)絡用語，生動描繪了網(wǎng)民2018年的關(guān)注關(guān)切和喜怒哀樂。

由于反應器內(nèi)局部反應組分信息的檢測具有巨大的挑戰(zhàn)性，因此機器學習研究所使用的數(shù)據(jù)集多來自反應器進出口，而基于局部流場信息的研究相對較少。目前可直接檢測反應組分信息的檢測手段較少，磁共振成像技術(shù)作為一種非侵入式檢測手段，可準確測得詳細的多維瞬態(tài)流場信息[99]，尤其是反應組分信息的獲得，可為機器學習提供高精度的訓練學習數(shù)據(jù)集。此方面的研究后續(xù)需要進一步加強。

2.5 機器學習在基于數(shù)字孿生的多相反應器工程平臺中的應用

近些年伴隨著以數(shù)字化為基礎(chǔ)的人工智能、工程仿真、大數(shù)據(jù)分析等新興技術(shù)的迅猛發(fā)展，數(shù)字孿生[100]作為一種數(shù)字化轉(zhuǎn)型技術(shù)越來越多地受到人們的關(guān)注。數(shù)字孿生是指通過數(shù)字化的方式建立物理實體的動態(tài)虛擬模型，實現(xiàn)物理實體真實的多維、多尺度、多物理量等屬性及行為信息在虛擬空間中的仿真與映射[101-102]。數(shù)字孿生目前已在航天航空等領(lǐng)域取得實際工業(yè)應用[103]，并引起了以石化行業(yè)為代表的流程工業(yè)的重視[101]。其中，數(shù)字孿生也引起了CFD 與機器學習領(lǐng)域的重視[104-106]。Molinaro 等[104-105]提出了一種用于開發(fā)流體物理數(shù)據(jù)的新范式，包括使用機器學習來擴大模擬數(shù)據(jù)庫，以涵蓋更廣泛的操作條件范圍，并直接提供快速響應。研究人員將這種基于物理信息約束及數(shù)據(jù)驅(qū)動的混合建模方法稱為仿真數(shù)字孿生（SDT）。研究者使用CFD 工具及數(shù)據(jù)分析平臺，高效地實現(xiàn)了SDT的生成。據(jù)本文作者所知，目前從多相反應器工程的角度，結(jié)合CFD 仿真及機器學習的數(shù)字孿生平臺較少見諸于文獻報道。為此，本文作者提出了一種基于數(shù)字孿生技術(shù)的多相反應器工程平臺的初步概念圖，如圖6所示。首先，大數(shù)據(jù)共享與調(diào)度平臺主要負責接收虛擬反應器平臺及實際反應器內(nèi)產(chǎn)生的數(shù)據(jù)流，并基于人工智能技術(shù)完成數(shù)據(jù)分析。虛擬反應器平臺在機器學習輔助下，完成對實際反應器的建模、仿真及預測。該多相反應器工程平臺主要有兩個主要功能：①基于小試、中試試驗數(shù)據(jù)（包括反應器結(jié)構(gòu)、物性、流場行為等數(shù)據(jù)），在虛擬反應器平臺上完成反應器的數(shù)字孿生建模與仿真，并進而指導反應器的設(shè)計及放大規(guī)律研究，這將有助于建立更為可靠的數(shù)字孿生反應器放大技術(shù)平臺，有望縮短反應器多級放大周期；②實際運行的工業(yè)反應器數(shù)據(jù)（包括反應器結(jié)構(gòu)、物性、實時流場行為等數(shù)據(jù)）經(jīng)大數(shù)據(jù)平臺分析后送入虛擬反應器平臺；虛擬反應器在機器學習輔助下完成建模與仿真，然后用于輔助工業(yè)反應器的智能控制、質(zhì)量檢測、故障診斷及產(chǎn)品優(yōu)化等。關(guān)于上述基于數(shù)字孿生的多相反應器工程平臺的概念思路，后續(xù)仍有待進一步的研究及完善。

圖6 基于數(shù)字孿生技術(shù)的多相反應器工程平臺概念圖

3 結(jié)語與展望

綜上所述，近些年來機器學習越來越多地應用于多相反應器內(nèi)流動、傳遞現(xiàn)象及反應特性的研究中，發(fā)揮了越來越重要的作用，具有良好的應用前景。本文回顧了機器學習輔助多相反應器中流場本構(gòu)模型開發(fā)、流場圖像重構(gòu)、流型識別、流場關(guān)鍵參數(shù)預測及優(yōu)化、不確定度分析及數(shù)字孿生技術(shù)平臺等方面的應用進展。近些年來隨著計算機技術(shù)的快速發(fā)展，機器學習方法可用于輔助計算流體力學模型開發(fā)及應用，構(gòu)建更加符合實際的多相流動與傳遞模型，從而為多相反應器的設(shè)計優(yōu)化及智能運行控制等提供理論依據(jù)與指導?？傮w而言，機器學習可以高效精確地處理大數(shù)據(jù)，較好地表達非線性流場數(shù)據(jù)特征，易于實時在線預測并控制流場參數(shù)，因而在多相反應器中流場本構(gòu)模型構(gòu)建、流場圖像重構(gòu)與流型識別、流場關(guān)鍵參數(shù)預測等方面具有明顯的優(yōu)勢。機器學習可以彌補傳統(tǒng)試驗與數(shù)值方法中的一些不足，對傳統(tǒng)方法是一種有益的補充及輔助。希望本文可為機器學習方法后期進一步應用于多相反應器中更多潛在的場景提供借鑒思路及研究范式。

目前，機器學習用于多相反應器的研究也同時面臨著諸多挑戰(zhàn)，還存在如下可能有待加強拓展的方面：

（1）部分試驗研究使用的數(shù)據(jù)量從幾十、幾百到幾千，一方面數(shù)據(jù)集的豐富程度較低時可能使工況范圍涵蓋相對較窄，同時也未發(fā)揮機器學習方法大數(shù)據(jù)處理能力的優(yōu)勢，可能削弱其模型泛化能力。因此有必要建立高精度、高可靠性的大數(shù)據(jù)共享平臺。

（2）文獻中多數(shù)體系主要集中在空氣-水兩相流冷模體系，針對非空氣-水兩相體系的研究有待加強。例如，通過添加劑調(diào)節(jié)水相黏度或者提高操作溫度及壓力，使之更接近多相流實際工況。

（3）目前流動特性的研究較多，然而熱質(zhì)傳遞具有同等的重要性，加強此方面研究對反應器的設(shè)計優(yōu)化以及穩(wěn)定運行具有重要的作用。此外，多數(shù)研究聚焦在機器學習模型與文獻關(guān)聯(lián)式及試驗數(shù)據(jù)的對比驗證，較少將機器學習訓練所得模型進一步用于流場參數(shù)的優(yōu)化，這方面也需要引起研究者們的重視。

（4）近幾年，氣-液多相設(shè)備的研究較多，對于氣-固流化床的研究相對較少。氣固流化床中往往存在著豐富復雜的非均勻介尺度現(xiàn)象。機器學習輔助氣-固流態(tài)化領(lǐng)域的研究，可能會為介尺度這一挑戰(zhàn)性問題提供新的范式與研究思路。

（5）虛擬過程工程[107]是未來的一個重要發(fā)展方向。機器學習模型在離線訓練開發(fā)以后，需要與多相流檢測手段或者CFD 模型求解器耦合，發(fā)揮其實時在線預測、智能自動控制與優(yōu)化的優(yōu)勢，為工程技術(shù)人員提供可供參考的運行策略與問題診斷依據(jù)。

（6）工程模型（工程關(guān)聯(lián)式）往往要求易理解、參數(shù)易獲得，且便于工程師及科研人員使用；然而目前多數(shù)機器學習模型為黑箱模型，工程師很難將所得黑箱模型直接用于工程設(shè)計、放大及優(yōu)化中，這限制了機器學習模型的實際推廣應用。后續(xù)可能需加強能提供顯式代數(shù)模型的機器學習研究。

當然，這其中也離不開對一些基礎(chǔ)規(guī)范的確立和相關(guān)核心指標、拓展指標甚至合作指標的定義。另外，對于基于云的系統(tǒng)必須考慮其安全性問題，即要有相應的基于身份認證、訪問控制以及日志服務的數(shù)據(jù)安全體系建設(shè)。

在試驗區(qū)田間、排水溝道的進水口(前段)、中段、出水口處(尾段)及傳統(tǒng)排水的退水洞出水口處采集水樣。本試驗中的傳統(tǒng)排水是指農(nóng)田的地表水不是匯入滲濾溝道而是匯入傳統(tǒng)土溝，再經(jīng)過退水洞(管涵)直接排入下級溝道或農(nóng)田周邊塘堰。試驗期8月中旬至10月上旬，定期監(jiān)測水質(zhì)，水稻生育期內(nèi)每5天取樣一次，遇灌溉、降雨、施肥等則需要加測。

（7）在加強上述幾個方面研究基礎(chǔ)上，綜合CFD建模與仿真、大數(shù)據(jù)共享與分析調(diào)度、機器學習等技術(shù)手段，本文作者提出了一種基于數(shù)字孿生技術(shù)的多相反應器工程平臺的初步概念圖。此概念思路有望建立更為可靠的數(shù)字孿生反應器放大技術(shù)平臺及實現(xiàn)工業(yè)反應器的在線監(jiān)測診斷優(yōu)化等功能，不過后續(xù)仍有待系統(tǒng)的研究及完善工作。