在液-液界面操作分离器中进行两相流分离的机器学习-ACS

abstract：开发了一个用于四中不同化学极性的两相流分离的核心环空分离器，并提出了两种基于机器学习的方法来回答两个问题1，是否实现完全的相分离2确定水的最大输入流量是否可以加速分离过程。结果显示在最大总输入流量为4000ulmin-1时，芯环分离器实现了水-溶剂两相的完全分离，准确率达到92.2%，多层感知器网络对流量的预测效果最好 introduction：分离效率的高低影响产品的纯度和成本，流体预测是新兴领域十分困难，多相流需要精确控制输入参数如压力、流速和表面张力，利用图形流型识别和优化回归等方法正在迅速发展以减少复杂的力学计算。（机器学习应用在两相流需要考虑复杂的非混相两相流模式，分离器设计和流体动力学）本文提出了一种用于两相流分离的分离器和两种基于机器学习的过程预测方法，分离 器具有可调节的结构可适应各种表面张力并使分离过程能够分离四种液体对，研究了系统的稳定性和分离效率，证明了系统的可拓 展性，提出了用分类学习器和神经网络模拟的数据驱动方法来预测各种两相流的流型，所提出的神经网络拟合模型的预测比传统基 于机器学习的算法的回归结果更准确，降低了工艺开发成本。 设计理论： 1，在了解分离器之前先了解流体与结构之间的作用力。惯性力、界面张力和粘连力在两相流型中起主要作用，常见的流型包括段塞流（泰勒流）、段塞环空流、环空流和液体流，如果在较高流体速度下运行可能出现更为复杂的流动模式如分散流动。本文的重点在于揭示和控制惯性力和粘性力在从段塞流到环空流的转变中的作用。分离器不包括一个玻璃腔和一个304不锈钢螺旋线，旨在创造一种空气-液体-液体环境。段塞-液滴流进入玻璃腔然后进入螺旋线，有机相比水相具有更低的气液界面张力，优先湿润金属丝并在金属丝中积累，由于不断流入的液体，有机相随后从金属相中滴出导致水滴之间的距离减小并使它们在螺旋金属丝中合并，合并的水流出。 2，拉普拉斯压力和压降效应是推动有机流和维持圆柱形稳定的水气界面的关键，拉普拉斯压力是内外界面之间的静压差。拉普拉斯压力可用来确定液-液半月板的性质，通过改变螺旋线的螺距来调整半月板的公式如下 3，Pin和Pout是液滴内测和出口测的液体压力，水-有机液体和液-空气液滴在X轴或者Y轴上的界面压力分别为PLL和PLA，界面行 为也受操作输入流量的影响，流速决定了液体是被推进出结构还是相下游移动，根据泊泽维尔定律，由于平行的有机溶液和水溶液之 间的粘度差异，压力沿流独立的降低。在这项研究中，有机部分从金属丝中滴出，因此只考虑水部分 4，本文研究的是层流因此摩擦数与雷诺数成反比，而且导线的半径是固定的，影响压降的调整变量为流量和通道长度 5，分离过程中拉普拉斯压力的涨落和压降影响了液界面的行为，液滴与Pout之间的拉普拉斯压力和必须小于Pin。这一关系表明如 果有机段的绝对压力值严格大于有机气液界面压力，则有机液滴会从导线中滴出，以确定液体绝对压力对压降的影响对两相分离效 率的影响，放置在核心位置的螺旋线可以从17到30毫米和40到70毫米拉伸，分别产生0.12和0.29的线隙，核心可以连接到30，70或140毫米四氟乙烯出口管以实现100或170毫米的总长度L 6，以红色染料为水相，正庚烷、甲苯、丁醇和乙酸乙酯为有机相，在去离子水中进行流型实验，极性指数越高表明溶剂溶解带电或偶极物质的能力越强，通常具有较小的界面压力。 7，分离纯度的计算以及通过液体密度、体积流量和操作时间来计算 结果与讨论 1，确定最大进水量和操作区域（四种体系下的差别） 2，分离回收率及纯度，引出理论计算并没有包括影响流动行为的所有因素，意想不到的因素例如线材本身的粗糙度，沿线材之间间 隙宽度的变化以及分子力都会影响结果，机器学习非常适合描述这种现象，具有大量的复杂的变量集，以实现流体操纵 分离过程预测 1，基于机器薛恩希分类器和集成学习的液滴分离预测 十一个特征分别是流量比、总流量、水-有机液极性、毛细数、Bo数、莫顿数、丝节距或间隙宽度、出口油管长度、溶剂粘度、界面张力和接触角 2，基于神经网络的最大输入流量预测 多层感知器MLP，构建了77个具有不同隐藏层和神经元数量的网络，将训练集和验证集随机分割三次，使用R系数和闵可夫斯基距离来评估这些网络架构的性能 conclusins：有望降低过程开发成本，节省了开发时间，用于自动过程开发