機器學(xué)習(xí)預(yù)測葉片-網(wǎng)孔管線式高剪切混合器性能

王靈杰郭俊恒李文鵬程 芹張金利?

(1.天津大學(xué)化工學(xué)院,天津 300072;2.鄭州大學(xué)化工學(xué)院,鄭州 450000;3.安徽大學(xué)化學(xué)化工學(xué)院,合肥 230601)

高剪切混合器作為一種新型的過程強化裝備,已廣泛應(yīng)用于化工、食品、制藥以及農(nóng)業(yè)領(lǐng)域。高剪切混合器核心部件為定轉(zhuǎn)子,不同的生產(chǎn)過程與操作工況需要采用不同定轉(zhuǎn)子構(gòu)型及組合方式,這導(dǎo)致高剪切混合器的定轉(zhuǎn)子結(jié)構(gòu)及組合形式復(fù)雜多樣[1]。高剪切混合器的結(jié)構(gòu)參數(shù)、操作參數(shù)與物性參數(shù)對其流動、功耗、乳化和傳質(zhì)特性的影響錯綜復(fù)雜,至今仍未形成對上述特性清晰而系統(tǒng)的認識。目前,高剪切混合器的設(shè)計、選型、工業(yè)放大和操作參數(shù)調(diào)控仍然主要依賴于工程經(jīng)驗和反復(fù)實驗,這導(dǎo)致其存在開發(fā)與使用成本偏高,放大困難等問題[2]。因此,急需建立高剪切混合器設(shè)計與優(yōu)化模型。

近些年來,機器學(xué)習(xí)飛速發(fā)展,機器學(xué)習(xí)建模方法越來越多地應(yīng)用于模型預(yù)測及系統(tǒng)優(yōu)化。例如,在微波固化材料技術(shù)中,由于微波腔內(nèi)不均勻的電磁場導(dǎo)致物體表面溫度不均勻,嚴(yán)重阻礙了固化材料技術(shù)的發(fā)展;Zhou 等利用機器學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)實現(xiàn)了溫度智能控制,使表面溫度的均勻性有了明顯地提高,解決了溫度不均勻的痛點,滿足了航空航天材料的高質(zhì)量要求[3]。Wu 等利用機器學(xué)習(xí)的遷移學(xué)習(xí)方法,讓計算機從高分子數(shù)據(jù)庫中學(xué)習(xí)已有數(shù)據(jù)建立模型,并用實驗數(shù)據(jù)微調(diào)機器學(xué)習(xí)模型,極大改善了因?qū)嶒灁?shù)據(jù)太少不能使用機器學(xué)習(xí)的缺點,設(shè)計了新型高導(dǎo)熱聚酰亞胺,其導(dǎo)熱系數(shù)比傳統(tǒng)的提高了80%[4]。由于神經(jīng)網(wǎng)絡(luò)容易陷入局部極值,孫永利等使用機器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的方法改善了神經(jīng)網(wǎng)絡(luò)容易陷入局部極值的缺點,精確預(yù)測了螺旋折流板換熱器的殼程換熱系數(shù)和壓降[5]。李文鵬等使用反向傳播神經(jīng)網(wǎng)絡(luò)機器學(xué)習(xí)算法對管線式高剪切反應(yīng)器建模,減少了實驗次數(shù),獲得了反應(yīng)器的最優(yōu)結(jié)構(gòu)[6]。

可見基于人工智能和機器學(xué)習(xí)的建模和優(yōu)化技術(shù)在化工方向發(fā)揮越來越重要的作用。然而高剪切混合器設(shè)計僅使用了一種機器學(xué)習(xí)算法,還有多種算法未嘗試。因此本工作采用多種機器學(xué)習(xí)算法對葉片-網(wǎng)孔管線式高剪切混合器的結(jié)構(gòu)參數(shù)、操作參數(shù)和物性參數(shù)對其功耗、液液傳質(zhì)和乳化性能進行建模,以期為葉片-網(wǎng)孔管線式高剪切混合器的設(shè)計與優(yōu)化提供工具。從而減少實驗次數(shù),獲得高剪切反應(yīng)器的最優(yōu)結(jié)構(gòu),降低成本,縮短開發(fā)周期。

1 機器學(xué)習(xí)算法

1.1 反向傳播神經(jīng)網(wǎng)絡(luò)算法

反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)方法,在神經(jīng)元足夠多的情況下,可以在任意精度的情況下,逼近非線性的映射關(guān)系[7]。

BP 神經(jīng)網(wǎng)絡(luò)是多層的神經(jīng)網(wǎng)絡(luò),含有輸入層、隱含層和輸出層。前面1 層神經(jīng)元與后1 層神經(jīng)元各個相連接,但是本層神經(jīng)元互不相連。調(diào)整權(quán)重和閾值,使用梯度下降法的策略,使預(yù)測值與實際值的誤差最小。

1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)算法

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)是一種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)[8]。在神經(jīng)網(wǎng)絡(luò)中加入反饋連接層,能夠?qū)^去的數(shù)據(jù)留下印象并且建立不同時間段數(shù)據(jù)的關(guān)系。可認為是同一單元重復(fù)構(gòu)成的鏈?zhǔn)浇Y(jié)構(gòu)網(wǎng)絡(luò),其輸出不僅受當(dāng)前數(shù)據(jù)的影響而且受以前所有數(shù)據(jù)的影響。伴隨著時間和神經(jīng)元數(shù)量增加,RNN 往往會出現(xiàn)梯度消失和爆炸的現(xiàn)象。

長短時記憶(Long Short Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)也是一種神經(jīng)網(wǎng)絡(luò),它是RNN 的一種改進模型[9]。LSTM 利用記憶模塊代替普通的神經(jīng)元,一個記憶模塊由輸入門、遺忘門和輸出門構(gòu)成。由于遺忘門的存在,LSTM 可以忘記一些不重要的信息,有效防止梯度的消失和爆炸。

門控循環(huán)單元(Gated Recurrent Unit,GRU)神經(jīng)網(wǎng)絡(luò)是LSTM 的改進版本[10]。GRU 比LSTM 少一個門控單元,優(yōu)化了LSTM 內(nèi)部結(jié)構(gòu),由于參數(shù)的減少,從而大幅提高了訓(xùn)練速度。

1.3 基于樹的機器學(xué)習(xí)算法

決策樹(Decision Tree,DT)作為一種機器學(xué)習(xí)方法,可以進行數(shù)據(jù)分類和回歸[11]。使用一個基于樹的模型,以香農(nóng)熵的大小為劃分依據(jù)。因為它的方法非常簡單、但卻有非常明確的物理含義,可以輕松的變成“如果-那么”的規(guī)則,能夠生成具有可解釋的類似于流程圖的樹狀結(jié)構(gòu)的準(zhǔn)確預(yù)測模型,從而使用戶能夠快速提取有用的信息。

極端隨機樹(Extremely Randomized Trees,ET)由Pierre Geurts 等于2006年提出[12]。通過對多個決策樹進行打分,根據(jù)各個決策樹預(yù)測值的平均值來預(yù)測。

極端梯度提升(Extreme Gradient Boosting,XGBOOST)由陳天齊博士提出[13]。內(nèi)部是決策回歸樹,能處理大量的數(shù)據(jù),自定義損失函數(shù)。采用弱分類器迭代計算,從而提高預(yù)測精確性。

梯度提升回歸樹(Gradient Boosting Regressor,GBR)每次迭代生成一個弱學(xué)習(xí)器用于擬合損失函數(shù)以前累積模型的梯度,之后將弱學(xué)習(xí)器加入累積模型,從而逐漸降低模型的損失[14]。

2 實驗

2.1 PyCaret 程序

PyCaret 是一個開源的程序,它對計算硬件資源的要求不是很高,8 GB 的運行內(nèi)存就可以運行[15];操作系統(tǒng)為Windows 10,程序語言為Python,在Jupyter Notebook 軟件下運行。PyCaret 程序十分 方便機器學(xué)習(xí)初學(xué)者使用。

PyCaret 具有簡潔的、可以方便設(shè)置的程序界面,內(nèi)置25 種不同的機器學(xué)習(xí)算法,僅僅用幾行代碼就可以完成從數(shù)據(jù)預(yù)處理到實現(xiàn)模型部署的整個流程。它包含了如今很多流行的機器學(xué)習(xí)算法,如:決策樹算法、隨機森林算法、支持向量機算法和最近鄰算法等。PyCaret 可以進行有監(jiān)督和無監(jiān)督模型的訓(xùn)練,能夠?qū)崿F(xiàn)分類、回歸、異常檢測、聚類、自然語言處理和關(guān)聯(lián)規(guī)則挖掘6 大類功能。

2.2 數(shù)據(jù)預(yù)處理

除PyCaret 以外,本研究所有機器學(xué)習(xí)模型的輸入數(shù)據(jù)均采用歸一化的方法[式(1)],將輸入數(shù)據(jù)變?yōu)?1～1 的值,將有量綱的數(shù)據(jù)變?yōu)闊o量綱的數(shù)據(jù),變成純量數(shù)據(jù)后,更有利于機器學(xué)習(xí)的訓(xùn)練。輸出數(shù)據(jù)采用對數(shù)的方法[式(2)]平滑輸出數(shù)據(jù),使其更符合高斯分布,也更方便機器學(xué)習(xí)的訓(xùn)練。最后使用式(3)將式(2)的輸出數(shù)據(jù)變?yōu)樽罱K的擬合數(shù)據(jù)。

式(1)中:xmax為每個特征的最大值,xmin為每個特征的最小值。

2.3 數(shù)據(jù)描述

2.3.1 流體凈功耗(Pfluid)數(shù)據(jù)

流體凈功耗數(shù)據(jù)來自程芹和秦宏云的實驗,共有141 組數(shù)據(jù)[16,17]。輸入?yún)?shù)為轉(zhuǎn)子葉片彎曲角度、定轉(zhuǎn)子剪切間隙、轉(zhuǎn)子葉片個數(shù)、轉(zhuǎn)子轉(zhuǎn)速、流體流量、流體密度、連續(xù)相黏度、分散相黏度、外層直徑和層數(shù),輸出參數(shù)為Pfluid,總計10 個輸入變量,1 個輸出變量。表1為部分流體凈功耗數(shù)據(jù)。

表1 部分流體凈功耗數(shù)據(jù)Table 1 Part of Pfluid data

2.3.2 液液總體積傳質(zhì)系數(shù)(KLa)數(shù)據(jù)

液液總體積傳質(zhì)系數(shù)KLa數(shù)據(jù)來自秦宏云的實驗,共有35 組數(shù)據(jù)[17]。輸入?yún)?shù)為定轉(zhuǎn)子剪切間隙、層數(shù)、轉(zhuǎn)子葉片個數(shù)、轉(zhuǎn)子葉片彎曲角度、轉(zhuǎn)子轉(zhuǎn)速,輸出參數(shù)為KLa,總計5 個輸入變量,1 個輸出變量。表2為部分液液KLa數(shù)據(jù)。

表2 部分液液KL a 數(shù)據(jù)Table 2 Part of liquid-liquid KL a data

2.3.3 液液乳化Sauter 平均直徑(d32)數(shù)據(jù)

表3 部分液液乳化液滴d32 數(shù)據(jù)Table 3 Part of liquid-liquid emulsification droplet d32 data

3 結(jié)果與討論

3.1 流體凈功耗模型

3.1.1 流體凈功耗GRU-BP 模型

GRU-BP 神經(jīng)網(wǎng)絡(luò)是在算法層面對2 個網(wǎng)絡(luò)的結(jié)合。將GRU 層的輸出作為BP 神經(jīng)網(wǎng)絡(luò)的輸入層,接著是BPNN 的隱含層,最后是輸出層。

圖1是GRU 單元內(nèi)部結(jié)構(gòu),式(4)是sigmoid 激活函數(shù)。式(5)中zt為更新門,σ為sigmoid 激活函數(shù),xt表示t時刻輸入,ht-1表示上一隱藏節(jié)點輸出;

圖1 GRU 單元結(jié)構(gòu)Fig.1 The structure of GRU unit

式(6)中rt為重置門;式(7)中為隱藏節(jié)點待選值,tanh 為雙曲正切函數(shù);式(8)中ht為t時刻隱藏節(jié)點的輸出,Wz、Wr、Wh、Uz、Ur和Uh為需要更新的參數(shù)。

將葉片-網(wǎng)孔管線式高剪切混合器流體凈功耗的141 組數(shù)據(jù)中的119 組數(shù)據(jù)為訓(xùn)練集,22 組數(shù)據(jù)為測試集。訓(xùn)練時使用式(2)和式(3)對輸出數(shù)據(jù)進行數(shù)據(jù)變換。使用GRU-BP 模型Adam 算法訓(xùn)練數(shù)據(jù),得到輸入層10 個神經(jīng)元,1 層深度為2 的GRU 單元后接3 個神經(jīng)元的全連接層,全連接層使用sigmoid 函數(shù)激活,輸出層為1 個神經(jīng)元的GRUBP 模型(圖2)。式(9)～式(11)為評價模型平均絕對誤差(MAE)、平均相對誤差(MRE)和決定系數(shù)(R2)。模型訓(xùn)練后的MAE、MRE、R2如表4所示。圖3為GRU-BP 模型預(yù)測值與實驗值的對比,最大相對誤差為24.94%。

圖2 經(jīng)過優(yōu)化的GRU-BP 結(jié)構(gòu)Fig.2 Optimized structure of the GRU-BP model

圖3 GRU-BP 模型預(yù)測Pfluid 值和實驗結(jié)果對比Fig.3 Comparison of predicted Pfluid value and experimental value with GRU-BP model

表4 葉片網(wǎng)孔型流體凈功耗GRU-BP 模型表現(xiàn)Table 4 The performance of blade screen Pfluid GRU-BP model

式(9)～式(11)中:Ysim為預(yù)測值,Yrea為實驗值。

3.1.2 流體凈功耗樹模型

①公路橋梁養(yǎng)護及加固是其施工管理的重要組成部分，確保較高質(zhì)量的公路養(yǎng)護和加固技術(shù)應(yīng)用，對于工程建設(shè)質(zhì)量提升，和道路運行安全具有重大影響，其能確保公路橋梁社會服務(wù)職能的充分發(fā)揮。②對于建設(shè)企業(yè)而言，公路橋梁養(yǎng)護和加固技術(shù)的應(yīng)用，有助于其施工工藝的不斷成熟，從而在提升自身技術(shù)競爭優(yōu)勢的同時，實現(xiàn)工程質(zhì)量效益、經(jīng)濟效益和社會效益的有效獲得。③從社會發(fā)展的角度來看，公路橋梁工程服務(wù)于區(qū)域的社會生產(chǎn)實踐，通過養(yǎng)護及加固技術(shù)應(yīng)用，確保其建設(shè)的質(zhì)量化，對于區(qū)域經(jīng)濟發(fā)展和社會進步具有重大影響。由此可見，在公路橋梁工程建設(shè)中，確保養(yǎng)護及加固技術(shù)的深層次應(yīng)用勢在必行。

使用PyCaret 程序默認設(shè)置對流體凈功耗數(shù)據(jù)進行擬合,在141 組數(shù)據(jù)中119 組數(shù)據(jù)為訓(xùn)練集,22組數(shù)據(jù)為測試集。輸入數(shù)據(jù)和輸出數(shù)據(jù)均不作任何數(shù)據(jù)變換。在PyCaret 程序創(chuàng)建的25 種常用的機器學(xué)習(xí)模型中,選出MAE 較小的3 個模型,按照MAE 從小到大排列與GRU-BP 模型比較,模型的MAE、MRE 和R2如表5所示。從表5可以看到,經(jīng)過PyCaret 優(yōu)化的ET 模型不僅其MRE 為1.48%小于GRU-BP 模型的2.96%,而且其MAE 為1.111 9也小于GRU-BP 模型的2.375 8。由此可見,自動機器學(xué)習(xí)模型對于僅有少數(shù)機器學(xué)習(xí)背景的科研人員和工程師還是非常有用的,可以用于大數(shù)據(jù)量的建模與預(yù)測。

表5 4 種不同Pfluid 模型比較Table 5 Comparison of 4 different Pfluid models

3.2 液液總體積傳質(zhì)系數(shù)KLa 模型

3.2.1 KLa 的RNN、BP 模型

將葉片-網(wǎng)孔管線式高剪切混合器的液液總體積傳質(zhì)系數(shù)KLa共計35 組數(shù)據(jù),分為28 組訓(xùn)練數(shù)據(jù)和7 組測試數(shù)據(jù);使用BP 算法,激活函數(shù)為sigmoid 函數(shù),在輸入層、隱含層和輸出層之間進行數(shù)據(jù)傳輸。最終得到了輸入層5 個神經(jīng)元、隱含層3個神經(jīng)元、輸出層1 個神經(jīng)元的5-3-1 網(wǎng)絡(luò)結(jié)構(gòu)的BP1模型。模型訓(xùn)練后的MAE、MRE、R2如表6所示,模型在所有數(shù)據(jù)集上的最大相對誤差為19.74%。

表6 葉片網(wǎng)孔型KL a 模型表現(xiàn)Table 6 The performance of blade screen KL a model

使用和BP1模型同樣的訓(xùn)練集和測試集,采用RNN 模型Adam 算法訓(xùn)練數(shù)據(jù),得到輸入層5 個神經(jīng)元,1 層RNN 單元,RNN 單元的深度為3,輸出層1 個神經(jīng)元的RNN1模型。模型訓(xùn)練后的MAE、MRE、R2如表6所示,模型在所有數(shù)據(jù)集上的最大相對誤差為19.70%。

使用模型融合方法,將不同模型的輸出乘以權(quán)重值加和后作為融合模型的輸出,可以減輕神經(jīng)網(wǎng)絡(luò)容易過擬合,泛化能力差的問題。不同融合模型的預(yù)測精度如圖4所示。圖4中除BP1、RNN1外,其余模型名稱的命名規(guī)則與MK55 相同;MK55 中的M 是Model 的簡寫,K 是KLa的簡寫,第1 個5 表示BP1模型的權(quán)重為0.5、第2 個5 表示RNN1模型的權(quán)重為0.5。從圖4中可以看出,MK55 模型有最小的平均相對誤差,其平均相對誤差為6.36%;因此,選取MK55 作為葉片-網(wǎng)孔管線式高剪切混合器KLa的最終預(yù)測模型[式(12)]。圖5為MK55 模型預(yù)測不同結(jié)構(gòu)參數(shù)和操作參數(shù)對KLa的影響,圖5中的圓球形表示的是實驗數(shù)據(jù)。由圖5知,KLa隨著轉(zhuǎn)子葉片個數(shù)先增大后減小;隨著轉(zhuǎn)子葉片彎曲角度增大而減小;低轉(zhuǎn)速下,層數(shù)增加,KLa增加。改變高剪切混合器的結(jié)構(gòu)參數(shù)和操作參數(shù),可以形成107 632 個組合,在此范圍內(nèi)利用MK55 模型進行參數(shù)尋優(yōu),發(fā)現(xiàn):定轉(zhuǎn)子剪切間隙為0.000 5 m、轉(zhuǎn)子層數(shù)為2 層、轉(zhuǎn)子有6 個葉片、轉(zhuǎn)子葉片彎曲角度為-15°、轉(zhuǎn)子轉(zhuǎn)速為3 000 r·min-1時,可以獲得最高的KLa值;此條件下,經(jīng)GRU-BP 模型預(yù)測的流體凈功耗為35.02 W。

圖4 不同KL a 模型表現(xiàn)Fig.4 The performance of different KL a models

圖5 MK55 模型估算不同結(jié)構(gòu)參數(shù)和轉(zhuǎn)速時葉片網(wǎng)孔KL a 的值Fig.5 The blade screen KL a MK55 model to estimate values of different configuration parameters and speeds

3.2.2 KLa 的樹模型

使用PyCaret 程序默認設(shè)置對總體積傳質(zhì)系數(shù)35 組數(shù)據(jù)進行擬合,在35 組數(shù)據(jù)中28 組數(shù)據(jù)為訓(xùn)練集,7 組數(shù)據(jù)為測試集。輸入數(shù)據(jù)和輸出數(shù)據(jù)均不作任何數(shù)據(jù)變換。在PyCaret 程序創(chuàng)建的25 種常用的機器學(xué)習(xí)模型中,選取2 個MAE 較小的模型與MK55 模型比較,模型的MAE、MRE 和R2如表7所示。表7的DT 模型和ET 模型對高剪切混合器性能的擬合均優(yōu)于MK55 模型。

圖6是表7決策樹模型DT 估算不同剪切間隙和轉(zhuǎn)速時KLa值的變化情況。通過圖5與圖6比較,MK55 模型輸出值是平滑的,決策樹模型輸出值是階躍的。因此,雖然決策樹的MRE 和MAE 都優(yōu)于MK55 模型,但在數(shù)據(jù)量較小的情況下,決策樹模型由于其輸出不能平滑變化,不能對高剪切混合器進行較好地優(yōu)化。

表7 3 種不同KL a 模型比較Table 7 Comparison of 3 different KL a models

圖6 決策樹模型估算不同剪切間隙和轉(zhuǎn)速時葉片網(wǎng)孔KL a 的值Fig.6 The blade screen KL a decision tree model to estimate values of different shear gaps and speeds

3.3 乳化液滴d32 模型

將葉片-網(wǎng)孔管線式高剪切混合器的乳化液滴d32共計28 組數(shù)據(jù)分為23 組訓(xùn)練數(shù)據(jù)和5 組測試數(shù)據(jù),使用BP 模型Adam 算法訓(xùn)練數(shù)據(jù),得到5-2-1網(wǎng)絡(luò)結(jié)構(gòu)的BP2模型。模型訓(xùn)練后的MAE、MRE、R2如表8所示,模型在所有數(shù)據(jù)集上的最大相對誤差為10.34%。

表8 葉片網(wǎng)孔型d32 模型表現(xiàn)Table 8 The performance of blade screen d32 model

使用和BP2模型同樣的訓(xùn)練集和測試集,使用RNN 模型Adam 算法訓(xùn)練數(shù)據(jù),得到輸入層5 個神經(jīng)元,1 層RNN 單元,RNN 單元的深度為1,輸出層1 個神經(jīng)元的RNN2模型。模型訓(xùn)練后的MAE、MRE、R2如表8所示,模型在所有數(shù)據(jù)集上的最大相對誤差為12.10%。

圖7是不同乳化液滴d32模型的比較,除BP2、RNN2外,其余模型的命名規(guī)則與MD91 相同;MD91模型名稱的命名規(guī)則為:M 代表Model、D 代表d32,9表示BP2模型的權(quán)重為0.9,1 表示 RNN2模型的權(quán)重為0.1。

圖7 不同葉片網(wǎng)孔d32 模型表現(xiàn)Fig.7 The performance of different blade screen d32 models

從圖7中可以看出,各個模型MRE 變化相對于其最大相對誤差變化比較小,MD91 模型有最小的平均相對誤差,其平均相對誤差為2.69%;因此,選取MD91 作為乳化液滴d32的最終預(yù)測模型(式13)。改變高剪切混合器的結(jié)構(gòu)參數(shù)和操作參數(shù),可以形成55 552 個組合,在此范圍內(nèi)利用MD91 模型進行參數(shù)尋優(yōu),發(fā)現(xiàn):定轉(zhuǎn)子剪切間隙為0.000 5 m,轉(zhuǎn)子層數(shù)為3 層,轉(zhuǎn)子有9 個葉片,轉(zhuǎn)子葉片彎曲角度為15°,在轉(zhuǎn)速3 500 r·min-1下,可以獲得最小的d32。在此條件下,經(jīng)GRU-BP 模型預(yù)測的流體凈功耗為57.26 W。

4 結(jié)論

1)BPNN、RNN、GRU-BP 算法可以準(zhǔn)確預(yù)測高剪切混合器的功耗、液液傳質(zhì)和乳化性能,通過對不同機器學(xué)習(xí)模型進行融合,可以使預(yù)測模型的最大相對誤差繼續(xù)下降,模型精度進一步提升。經(jīng)過模型融合液液KLa模型最大相對誤差由19.74%下降至19.53%,平均相對誤差由 7.11% 下降至6.36%。乳化液滴d32模型最大相對誤差由12.10%下降至10.00%,平均相對誤差由4.44%下降至2.69%。從而為高剪切混合器的結(jié)構(gòu)與操作參數(shù)設(shè)計提供工具。

2)為了獲得最適宜的液液傳質(zhì)和乳化性能,利用機器學(xué)習(xí)模型對高剪切混合器的操作與結(jié)構(gòu)參數(shù)進行了優(yōu)化設(shè)計。最適宜參數(shù)組合為:定轉(zhuǎn)子剪切間隙為0.000 5 m,轉(zhuǎn)子層數(shù)為2 層,轉(zhuǎn)子葉片數(shù)為6 個,轉(zhuǎn)子葉片彎曲角度為-15°,轉(zhuǎn)子轉(zhuǎn)速為3 000 r·min-1時,可以獲得最高的KLa值;定轉(zhuǎn)子剪切間隙為0.000 5 m,轉(zhuǎn)子層數(shù)為3 層,轉(zhuǎn)子葉片數(shù)為9 個,轉(zhuǎn)子葉片彎曲角度為15°,轉(zhuǎn)子轉(zhuǎn)速為3 500 r·min-1時,可以獲得最小的乳化液滴d32。

3)基于自動機器學(xué)習(xí)的PyCaret 程序能夠準(zhǔn)確擬合數(shù)據(jù),但在數(shù)據(jù)量較小的情況下,其優(yōu)化能力較差。