研究报告：基于CFD数据驱动的CNN-LSTM模型快速预测水力旋流器瞬态流场特性
本文旨在向研究同行介绍一项近期发表于国际期刊 Minerals Engineering 上的原创性研究。该研究由一支跨学科团队完成，主要作者包括鄂殿宇、张宇浩、胡宏伟、徐广泰、刘琳、崔家新、谭聪、邹瑞萍及况世波。研究团队主要依托江西理工大学（江西省颗粒技术重点实验室、国际创新研究院智能选冶研究中心）、东北石油大学（机械科学与工程学院）以及澳大利亚莫纳什大学（化学与生物工程系）等单位。该研究成果已于2025年10月7日在线发表于 Minerals Engineering 期刊，论文标题为“CFD data-driven CNN-LSTM for fast prediction of instantaneous flow characteristics in hydrocyclones”，卷期为第235卷（2026年），文章编号109814。
一、学术背景
本研究属于过程工程、矿物加工及计算流体动力学（Computational Fluid Dynamics， CFD）与机器学习交叉的科学领域。水力旋流器作为一种利用离心力进行多相分离的关键设备，因其结构简单、操作灵活、分离效率高等优点，广泛应用于矿业、化工、环保等多个工业领域。然而，旋流器内部流动是高度湍流的多相流，呈现出强烈的非线性时空特征，这对准确预测其性能以实现过程优化和控制提出了巨大挑战。传统的预测方法主要包括经验模型、机理模型和数据驱动模型。其中，基于CFD的机理模型虽然能提供详细的流场信息，但计算成本极高，耗时漫长，难以满足实时预测和优化的需求。另一方面，纯粹的机器学习模型（如BP神经网络）虽能快速预测，但往往难以同时有效捕捉流场复杂的空间分布特征和时间演化动态。因此，开发一种能够兼顾预测速度与预测精度、并能同时处理空间与时间特征的混合模型，对于推动水力旋流器的数字化和智能化发展具有重要意义。
本研究的核心目标是：评估并验证一种结合卷积神经网络（Convolutional Neural Network， CNN）与长短期记忆网络（Long Short-Term Memory network， LSTM）的混合模型（CNN-LSTM），在利用CFD模拟生成的数据集的基础上，快速、准确地预测水力旋流器内部流场（如气核、速度场、压力场）的动态演化过程。 研究旨在证明该混合模型相比单一的CNN或LSTM模型在预测精度、训练效率和计算速度方面的优越性。
二、详细工作流程
本研究的工作流程系统性地分为三个阶段：数据准备、模型训练与优化、以及预测验证。整个方法学框架在论文的图1中进行了总结。
第一步：数据准备——基于机理模型构建数据集
- CFD模型建立与验证：研究采用已验证的双流体模型（Two-Fluid Model， TFM） 作为基础机理模型。该模型将液、固相视为相互渗透的连续介质，使用雷诺应力模型（Reynolds Stress Model， RSM）来模拟湍流的各向异性效应。研究选用的几何模型基于Hsieh等人的经典实验（75 mm水力旋流器），利用ICEM软件生成结构化六面体网格并进行边界层加密。通过网格独立性测试，确定网格数量超过90,000个以保证计算精度。研究明确指出，该CFD模型已在作者前期的多篇工作中（如E et al., 2024a, 2024c; Tan et al., 2024）得到了充分的实验验证，包括与Hsieh实验数据在切向/轴向速度分布以及关键分离性能指标上的定量对比，从而确保了用于生成机器学习训练数据的CFD模拟结果是可靠和准确的。
- 模拟条件与数据生成：研究在变化的工作条件（入口流速：2-3.5 m/s；进料浓度：2.07-12.42 vol%）下，共进行了46组CFD瞬态模拟。这些模拟涵盖了流场从初始非运行状态到最终稳定状态的完整演化过程。每组模拟在0.04秒的时间间隔下采样，共获得150个时间步的数据。
- 数据集构建：数据提取自旋流器的X-Z中心截面（见图2c）。该截面上共有6，583个网格点。从每个网格点提取的特征包括：空间坐标（X， Z）、时间、浆体浓度、入口流速等5个输入变量，以及空气体积分数、切向速度、轴向速度、径向速度和压力等5个预测变量。最终构建的数据集规模约为4.54 × 10^7行，以（案例数， 时间步， 空间点， 特征数）的形式组织，为后续机器学习提供了海量、结构化的时空数据基础。其中42组用于训练，2组用于验证，2组用于测试。
第二步：模型开发、训练与优化——比较CNN， LSTM与CNN-LSTM
- 模型架构设计：研究系统性地设计和测试了三种神经网络模型。
- CNN模型：由卷积层、激活层和全连接层构成，主要用于从空间网格数据中提取非线性空间特征。
- LSTM模型：由LSTM层和全连接层构成，专门用于捕获时间序列数据中的长期依赖关系。
- CNN-LSTM混合模型：本研究提出的核心模型。首先通过CNN层处理输入数据，提取每个时间步上的空间特征；然后将这些提取出的空间特征序列输入到LSTM层，以学习时间动态演化；最后通过全连接层整合时空信息并输出预测结果。这种架构旨在让CNN和LSTM优势互补。
- 数据预处理与模型配置：为适应模型输入，将数据重组为（46， 6583， 150， 10）的形式，即按空间点组织时间序列，以利于LSTM处理。所有输入特征使用最小-最大归一化方法缩放到[0, 1]区间。模型采用ReLU（卷积层）和tanh（LSTM层）激活函数，使用平均绝对误差（Mean Absolute Error， MAE）作为损失函数，并采用Adam优化器。为防止过拟合，采用了早停法（Early Stopping）和回调函数保存最佳模型。
- 超参数优化：这是一个关键且详细的研究步骤。研究并非随意选择模型结构，而是通过一系列对照实验来系统地确定CNN， LSTM和CNN-LSTM各自的最佳网络“深度”（层数）和“宽度”（卷积核数或神经元数）。具体方案详见表2。
- 对于CNN，测试了从2层到5层、卷积核数从16-32-64到128-256的不同组合（CNN-i 到 CNN-v）。
- 对于LSTM，测试了不同层数和每层神经元数量（如16-8， 64-32-16等）的组合（LSTM-i 到 LSTM-v）。
- 对于CNN-LSTM，同样测试了不同卷积核数与LSTM神经元数的组合（CNN-LSTM-i 到 CNN-LSTM-v）。 所有候选模型在固定的超参数设置（如表3所示，如学习率、批次大小等）下进行训练，并通过训练/验证损失曲线（图4）以及定量指标（R²， MSE， RMSE， MAPE）来评估其性能，从而选出每种类型的最优架构。
第三步：预测验证与结果分析
在确定最优模型架构后，研究使用独立的测试集，将CNN-iii（最优CNN）、LSTM-iv（最优LSTM）和CNN-LSTM-iii（最优CNN-LSTM）的预测结果与CFD模拟的“真实”流场进行全面的可视化与定量对比。分析聚焦于水力旋流器的几个关键流场特征： 1. 气核的形成与演化：对比不同时间点（从初始瞬态到稳定态）空气体积分数的分布（图5），并分析预测误差的空间分布（图6）。 2. 速度场预测： * 切向速度：分析整体分布（图8）以及在不同轴向高度（Z = -50， -100， -150， -200 mm）的径向分布剖面（图9）。 * 轴向速度：分析整体分布（图10）以及零垂直速度轨迹（Locus of Zero Vertical Velocity， LZVV） 的预测（图11）。LZVV是分离性能的关键界面。 * 径向速度：分析整体分布（图12）及其在不同高度的径向剖面（图13）。 3. 压力场预测：分析静态压力的整体分布（图14）及其在不同高度的径向剖面（图15）。 对于每个特征，研究不仅展示了预测结果与CFD结果的吻合程度，还深入分析了各模型在不同区域（如边界层、湍流区、气液界面附近）的预测误差来源和性能差异。
三、主要研究结果
模型优化结果：通过对不同网络架构的定量评估（表4），研究确定了在给定数据集和任务下的最优模型结构：
- 最优CNN：CNN-iii（32–64-128个卷积核），其R²为0.9681，MAPE为0.0542。
- 最优LSTM：LSTM-iv（64–32-16个神经元），其R²为0.9731，MAPE为0.0328。
- 最优CNN-LSTM：CNN-LSTM-iii（64–128个卷积核， 32–64个LSTM神经元），其R²为0.9733，MAPE为0.0443。 训练过程显示（图4），CNN模型需要约10,000个训练周期才能收敛，LSTM需要约2，000个周期，而CNN-LSTM仅需约1，000个周期，表现出更高的训练效率。
计算效率对比结果：表5提供了关键的性能数据。
- 训练时间：CNN-LSTM模型仅需6.2小时，相比CNN模型（26.2小时）减少了76.34%，相比LSTM模型（7.1小时）减少了12.68%。
- 单次预测时间：CNN-LSTM模型仅需8秒即可完成一次完整流场的瞬时预测，比CNN模型（8秒）快12.5%（文中数据似有矛盾，按上下文逻辑，应为对比LSTM的15秒快46.15%），比LSTM模型（15秒）快46.15%。
- 与CFD对比：所有机器学习模型的预测时间（秒级）相比原始CFD模拟（49小时）都有数个数量级的提升，同时平均绝对百分比误差（MAPE）被控制在5.5% （CNN）、3.3% （LSTM）和4.0% （CNN-LSTM）以内，实现了速度与精度的极佳平衡。
流场预测的定性定量结果：
- 气核预测：CNN-LSTM模型在预测气核从初始不规则变形到最终稳定圆柱状的整个动态过程上表现最佳（图5）。它能更准确地捕捉早期瞬态阶段复杂的气液界面（优于LSTM），同时在稳定阶段也保持了高精度（优于因“记忆”早期噪声而导致稳态预测偏差的CNN）。图7显示，在预测稳定状态气核直径沿轴向的变化趋势时，CNN-LSTM与CFD结果吻合得最好。
- 速度场预测：
- 切向速度：三个模型都能较好地预测整体分布和最大切向速度轨迹。但CNN和LSTM在边界层尖端等局部区域存在明显误差，而CNN-LSTM的预测则更为精确（图8， 图9）。
- 轴向速度与LZVV：CNN-LSTM模型结合了CNN的空间特征提取能力和LSTM的时间动态捕捉能力，在预测具有高梯度变化的底部锥体区域和LZVV时表现出优势（图10， 图11）。它有效降低了CNN在气核附近和LSTM在边界层的预测误差。
- 径向速度：在流速变化平缓的区域，所有模型表现良好。但在流速存在小幅波动的过渡区域（如Z=-100 mm），CNN-LSTM在捕捉变化趋势方面明显优于CNN和LSTM（图13）。
- 压力场预测：CNN-LSTM模型通过结合时空特征，显著提升了整体压力分布的预测精度，特别是在中心流场区域（图14， 图15）。然而，研究也客观指出，在溢流管和底部锥体等湍流强度极高的局部复杂区域，CNN-LSTM模型的误差相比LSTM模型有所增大，这表明模型对于局部高梯度湍流结构的特征权重分配可能尚不均衡，是未来需要优化的方向。
四、结论与意义
本研究成功开发并验证了一种基于CFD数据驱动的CNN-LSTM混合模型，用于快速、准确地预测水力旋流器内部的瞬态流场特性。主要结论如下： 1. 验证了使用CNN， LSTM及CNN-LSTM网络预测水力旋流器内部三维速度场、气核及压力场分布的有效性和准确性，并确定了在特定条件下的最优网络架构。 2. CNN-LSTM模型在预测具有复杂流场变化的区域（如气核、边界层、湍流区）时，其准确性优于单一的CNN或LSTM模型。 3. 与CNN和LSTM相比，CNN-LSTM模型能更有效地捕捉时变流场特征，且所需训练迭代次数更少，训练时间大幅缩短（相比CNN减少76.34%， 相比LSTM减少12.68%），预测速度更快（相比LSTM快46.15%），同时将预测精度误差维持在约4%的范围内。
本研究的价值体现在： * 科学价值：提出了一种创新的、结合空间与时间特征提取能力的混合机器学习框架（CNN-LSTM），用于解决复杂工业多相流系统的瞬态预测问题。详细系统的超参数优化流程和全面的性能对比分析，为后续相关研究提供了方法学参考。 * 应用价值：该模型实现了从“耗时数小时的CFD模拟”到“秒级瞬时预测”的跨越，为水力旋流器的实时监控、在线优化和智能控制提供了强大的技术工具。它架起了详细流场机理模型与宏观性能指标快速预测之间的桥梁，有望推动矿物加工等工业过程的数字化和智能化升级。
五、研究亮点
- 方法创新：首次将CNN-LSTM混合模型应用于水力旋流器内部完整瞬态流场（包括气核、三维速度、压力）的预测，并证明了其在处理时空耦合特征上的优越性。
- 系统性的模型优化：研究并非简单应用现成模型，而是通过设计详尽的对照实验，系统性地探索并确定了CNN， LSTM和CNN-LSTM各自的最佳深度与宽度，使结论更具说服力。
- 全面的性能评估：不仅提供了R²， MSE等全局统计指标，还通过丰富的流场云图、误差分布图、径向剖面图进行了多层次、多维度的可视化对比，深入分析了各模型在不同物理区域（边界层、核心区、湍流区）的表现差异及原因。
- 显著的效率提升：明确量化了混合模型在训练时间和预测速度上的巨大优势，以及与CFD模拟相比的“革命性”提速，突出了其工程应用潜力。
- 坚实的数据基础：研究基于经过充分实验验证的高精度CFD模型生成训练数据，确保了数据质量，使机器学习模型的预测结果具有可靠的物理基础。
六、其他有价值的内容
研究在讨论部分体现了批判性思维，并未回避模型的局限性。例如，指出CNN-LSTM在溢流管和底锥等高湍流强度区域的预测误差相对较大，这为未来的研究指明了改进方向，例如可能需要引入更复杂的网络结构（如注意力机制）或融入物理约束。此外，作者在文末展望中指出，未来工作将把此框架扩展到对宏观性能指标（如分离效率、压降、分流比）的预测，从而直接服务于旋流器的设计与操作优化，这体现了研究从基础流场分析到工程应用落地的清晰逻辑脉络。