Doi:10./j.issn...

引用本文：王灵杰,郭俊恒,李文鹏,程芹,张金利.机器学习预测叶片-网孔管线式高剪切混合器性能[J].化学工业与工程,,39(2):1-8.

机器学习预测叶片-网孔管线式高剪切混合器性能

王灵杰1,郭俊恒1,李文鹏2,程芹3,张金利1?

1.天津大学化工学院,天津;

2.郑州大学化工学院,郑州;

3.安徽大学化学化工学院,合肥

摘要

高剪切混合器作为一种新型的过程强化设备，工业应用日益广泛，但其工程设计依然依靠经验放大。利用不同定转子构型的叶片-网孔管线式高剪切混合器的功耗、液-液传质系数和乳化性能等数据，采用反向传播神经网络算法、循环神经网络算法和决策树算法等机器学习算法对数据进行分析建模，为高剪切混合器的设计与优化提供工具。结果表明：反向传播神经网络算法和循环神经网络算法都可以准确预测高剪切混合器性能，但是单个神经网络算法存在过拟合和泛化能力差的问题，通过将不同机器学习模型融合进一步提高了模型精度和稳定性。基于自动机器学习的PyCaret程序能够准确拟合数据，但在数据量较小的情况下，其优化能力较差。

高剪切混合器;机器学习;神经网络;功耗;液-液传质;乳化

表1部分流体净功耗数据

表2部分液液KLa数据

表3部分液液乳化液滴d32数据

图1GRU单元结构

图2经过优化的GRU-BP结构

表4叶片网孔型流体净功耗GRU-BP模型表现

图3GRU-BP模型预测Pfluid值和实验结果对比

表54种不同Pfluid模型比较

表6叶片网孔型KLa模型表现

图4不同KLa模型表现

图5MK55模型估算不同结构参数和转速时叶片网孔KLa的值

表73种不同KLa模型比较

图6决策树模型估算不同剪切间隙和转速时叶片网孔KLa的值

表8叶片网孔型d32模型表现

图7不同叶片网孔d32模型表现

1)BPNN、RNN、GRU-BP算法可以准确预测高剪切混合器的功耗、液液传质和乳化性能,通过对不同机器学习模型进行融合,可以使预测模型的最大相对误差继续下降,模型精度进一步提升。经过模型融合液液KLa模型最大相对误差由19.74%下降至19.53%,平均相对误差由7.11%下降至6.36%。乳化液滴d32模型最大相对误差由12.10%下降至10.00%,平均相对误差由4.44%下降至2.69%。从而为高剪切混合器的结构与操作参数设计提供工具。

2)为了获得最适宜的液液传质和乳化性能,利用机器学习模型对高剪切混合器的操作与结构参数进行了优化设计。最适宜参数组合为:定转子剪切间隙为0.m,转子层数为2层,转子叶片数为6个,转子叶片弯曲角度为-15°,转子转速为r·min-1时,可以获得最高的KLa值;定转子剪切间隙为0.m,转子层数为3层,转子叶片数为9个,转子叶片弯曲角度为15°,转子转速为r·min-1时,可以获得最小的乳化液滴d32。

3)基于自动机器学习的PyCaret程序能够准确拟合数据,但在数据量较小的情况下,其优化能力较差。

声明

本文为原创作品，所涉及文字及图片版权均属于《化学工业与工程》编辑部所有，根据国家版权局最新规定，纸媒、网站、微博、

转载请注明:http://www.aideyishus.com/lkyy/300.html