近日，中国科学院上海高等研究院唐志永研究员和张洁副研究员所带领的工程科学团队，在基于机器学习（Machine Learning）的微气泡特性表征研究中取得重要进展，研究成果以“Machine learning-aided characterization of microbubbles for venturi bubble generator”为题发表在化工期刊Chemical Engineering Journal。论文的第一作者为上海高等研究院的阮见硕士研究生。 

相比于普通尺寸气泡，微气泡具有更大的比表面积、更高的气体溶解速率、更长的液体停留时间和更好的表面吸附能力，因此，在水处理、医疗、食品技术、化工等众多领域具有广泛应用。在各种微气泡发生装置中，文丘里管具有简单、高效和低能耗的优势，因此该装置内微气泡特性表征对于相关的工业应用具有重要意义。然而，由于众多结构参数和操作参数的交互作用，文丘里管内微气泡的系统表征仍充满挑战。 

在此背景下，研究团队提出了借助机器学习辅助预测文丘里管微气泡特性的新方法。近年来机器学习的兴起使高效精准处理大数据成为可能，在多相流领域，该技术可以较好地表达多参数非线性流场数据特征，实现流场参数控制和多相流场性能预测。因此，该方法可弥补传统试验和数值方法中的一些缺点，同时可作为传统方法的有效补充。 

该工作基于机器学习技术，开发了一个完整的气泡特性研究框架用于表征文丘里管微气泡。首先利用全因子实验设计（DOE），确定了540个不同试验工况，随后利用3D打印技术快速制作不同结构的文丘里管，原位拍摄不同文丘里管结构和操作工况下的微气泡图像，结合自主研发的气泡图像后处理程序进行气泡自动识别和统计。接着该工作使用优化后的多维数据集用于训练多层感知机（MLP）、随机森林（RF）和Catboost模型这三个ML模型，三个性能评价指标（R²、MSE、MAE）均表明，所有ML模型对气泡索特平均直径d_s具有很好的预测能力（R² > 0.94），优于传统数学模型。通过内部重要性分析表明，喉管尺寸对d_s影响最大，而气体雷诺数影响最小。此外，研究发现Catboost模型具有最佳的外推性能，能很好的预测训练集工况范围之外的气泡性能。该研究工作是机器学习在微气泡特性表征的一个新尝试，有助于指导该文丘里微气泡发生装置的优化设计和操作。所开发的气泡特性研究框架可推广到其他气液、气液固等多相流系统，将提供良好的性能预测和诸多因素之间复杂关联的良好洞察力。 

该工作获得了国家自然科学基金和科技部重点研发计划的资助。 

文章链接： https://doi.org/10.1016/j.cej.2023.142763 

图1基于机器学习的文丘里微气泡发生器气泡特性表征流程 

图2 数据清洗后不同条件下的气泡索特平均直径箱线图 

图3实验索特平均直径与机器学习模型预测值的比较:(a) MLP, (b) RF, (c) Catboost