基于机器学习的人工渗透河床结构优化，用于实现水与沉积物的分离

《Powder Technology》：Machine learning-driven structural optimization of an artificial percolation riverbed for water-sediment separation

　　明阳|李志强|孙西焕|赵阳阳|李楠
太原理工大学航空宇航学院，中国太原030024

摘要
中国北方的水资源短缺问题日益严重，亟需高效开发和利用含沙河流中的水资源。在这项研究中，我们旨在特定的水-沙条件下，最大化新型人工渗透河床（APR）的泥沙分离效果和清水提取效率。为此，我们开发了一个综合了计算流体动力学（CFD）、高斯过程回归（GPR）和改进的遗传算法（IGA）的系统框架。通过正交实验设计，构建了25组结构参数组合。基于密集离散相模型的CFD模拟，获得了包括平均切向速度（Vt, avg）、涡管平均轴向速度（Vy, avg）以及水渗透率（Qs）在内的性能数据，涵盖了75种不同的工作条件。在比较了多种机器学习算法后，我们选择了经过超参数优化的GPR来构建高精度替代模型（测试集R2 > 0.91）。该模型能够准确地将结构参数与关键性能指标关联起来。IGA被用于多维参数空间内的全局自动优化，从而确定了特定水-沙条件下的最优结构参数组合。这种优化配置在不同单位流量（0.3–0.9 m2/s）下表现出优异的稳定性，确保了强大的泥沙输送能力的同时保持了经济效益。所确定的最佳参数集为APR的合理设计提供了直接的理论依据。这项技术提供了一种高效、经济且可靠的泥沙分离方案，为可持续的水资源管理奠定了基础。

引言
水资源短缺及其可持续管理是21世纪面临的重要全球性挑战，尤其是在干旱和半干旱地区。特别是那些河流含有大量泥沙的地区，它们是农业灌溉、工业生产和家庭供水的重要来源[1]。然而，从这些含沙河流中高效提取清水存在显著的工程和环境难题。传统的泥沙分离技术如沉淀池[2]、渗透进水口[3]、水力旋流器[4]、涡管泥沙提取器[5][6]和膜分离技术[7]一直在不断发展。例如，沉淀池已经从传统的水平流型发展为涡流沉淀池[8]和倾斜板沉淀器[9]等新型结构，提高了沉淀效率并减少了占地面积。Ochowiak等人[10]设计了多种涡流沉淀池配置，为这些水池在雨水处理中的设计、类型选择和工程应用提供了有价值的参考。带有新人工过滤层的渗透进水口技术被开发出来，增强了渗透结构的渗流能力和使用寿命。Solé-Torres等人[11]比较了不同排水结构的砂滤器的过滤性能，发现带有多孔介质排水层的过滤器性能更优。

尽管存在这些结构上的进步，现有技术在复杂环境中仍面临关键限制。虽然现代基于重力的处理方法（如砂室和倾斜板沉淀器）更加紧凑，但它们仍需要较大的物理占地面积和高昂的基础设施成本，限制了其在地形受限的河床中的应用。此外，虽然渗透进水口提供了优良的水质，但由于缺乏主动的泥沙冲洗机制，在高泥沙负荷下容易发生严重堵塞，导致提取效率迅速下降。此外，水力旋流器已经发展成多重锥形旋流器和动态水力旋流器。Liang等人[12]使用多重锥形旋流器优化了流动条件，显著提高了污染物絮凝效率，而E等人[13]提出了带有锥形进水口的旋流器，显著增强了内部切向速度和分离效率。涡管泥沙提取器的泥沙去除机制和适用性也得到了广泛研究。Atkinson[5][6]系统研究了涡管泥沙提取器的捕获效率和设计方法。Kumar等人[14]基于144组实验室物理测试数据开发了多种人工智能模型，包括随机树（RT）模型，该模型表现出最佳的预测性能，并准确预测了提取器的泥沙去除效率。此外，膜分离技术广泛应用于水处理工程，如常见的超滤膜净化技术[15]。

水力旋流器和传统的涡管提取器试图利用离心力来提高分离效率。然而，现有研究主要集中在封闭管道系统或工业分选上，忽略了自然河床中开放边界条件的复杂性。当前的涡流设计通常在高分离效率与低能量/水损失之间难以调和。维持足够的涡流强度通常需要较大的压力降，这在低水头、自然流动的河床提取场景中是不可持续的。而且，膜分离主要用于沉淀后水质净化而非原水处理，加上膜更换的高运营成本，也限制了其应用。因此，环境水力学和可持续水资源管理领域需要开发更高效、经济且可靠的泥沙分离进水口技术。我们之前提出了一种创新的人工渗透河床（APR）作为进水结构[16]。与传统方法不同，该APR直接铺设在河床上，利用涡管内的螺旋流动优先输送泥沙，同时允许清水通过管壁开口渗透。这种创新设计显著降低了能耗、物理占地面积和生态影响。与传统结构相比，APR在空间占用和运行效率方面具有明显优势。在空间上，其就地河床设计消除了大规模土地获取的需求，大大节省了成本。在运行上，它利用自然水头实现接近零能耗的分离，连续的水力驱动冲洗机制防止了河床严重淤积，显著延长了免维护寿命。

然而，APR的水力和泥沙分离性能受多种结构参数复杂相互作用的影响。这些参数决定了结构内部两相流的复杂动态，需要系统优化以扩展APR的工程应用。这些参数通常在清水条件下进行研究，未能捕捉到实际含沙流动条件下高度非线性和耦合的相互作用。目前缺乏在特定水-沙条件下优化APR结构配置的系统框架。这样的框架对于同时最大化关键性能指标至关重要：用于泥沙悬浮的切向速度Vt、用于泥沙输送的轴向速度Vy以及用于经济效率的水渗透率Qs。先进计算建模和机器学习（ML）技术的出现为解决这一复杂性提供了有力方案。为此，我们采用了一种基于欧拉-拉格朗日框架的两相流模型。这种方法准确捕捉了泥沙输送轨迹及其与涡管结构的相互作用。

常用的拉格朗日离散相方法包括离散相模型（DPM）[17]、密集DPM（DDPM）[18]、CFD-离散元素方法（DEM）耦合模型[19]和多相粒子-单元（MP-PIC）模型[20]。表1比较了这些方法的优点、缺点和应用。如表1所示，当研究目标涉及高浓度颗粒流（泥沙体积分数>10%）、需要了解单个颗粒轨迹、考虑颗粒间相互作用并重视计算效率时，DDPM模型是理想选择。它的优势在于同时考虑了模拟精度和计算成本，适用于工程优化、机制研究和实验验证，特别是在涉及瞬态行为、复杂颗粒属性或多物理场耦合的情景中。结合设计的数值实验，CFD可以高效生成覆盖各种参数组合的高质量数据。ML方法如回归树[25]、支持向量回归（SVR）[26]和高斯过程回归（GPR）[27]可以利用这些数据构建强大的替代模型，捕捉结构参数与系统性能之间的非线性关系，从而构建参数与性能之间的广泛数据库。例如，Yan等人[28]使用基于粒子群优化（PSO）和改进的GPR（IGPR）的混合算法，克服了传统人工神经网络（ANN）和SVR在三维位移反分析中的泛化能力和准确性不足的问题。此外，Kumar等人[29]利用ML算法构建了高效准确的压缩强度预测模型，预测了基于粉煤灰的聚合物改性可持续混凝土的压缩强度。

然而，预测模型必须与优化算法结合使用，以确定工程应用的最佳结构参数。例如，Putra等人[30]使用遗传算法（GA）优化了加固的船板（如甲板和底部结构），减少了重量并降低了碳排放。Wang等人[31]将ANN与改进的离散GA结合，优化了四个关键叶轮参数，并通过实验验证了替代模型，以减少离心泵中的不稳定压力波动。Peng等人[32]通过结合时空图卷积网络和非支配排序GA II优化了泵的调度，以节省能源并减少泄漏。这些例子展示了GA在多目标结构优化问题中的强大适用性，有效平衡了竞争目标并提供了合理的优化解决方案。传统上，优化水-沙分离结构依赖于耗时的“试错”方法，如物理实验或计算流体动力学（CFD）。然而，最近的研究强调，这种计算成本高的方法无法捕捉非线性参数协同效应，经常陷入局部最优解[33][34]，这凸显了系统全局优化框架的迫切需求[35][36]。为克服这些瓶颈，采用机器学习驱动的替代模型替代昂贵的物理求解器成为重要的发展趋势。基于这些考虑，我们建立了一个强大的数据驱动参数优化范式，使用CFD-GPR-IGA集成框架，适用于复杂流体系统的设计和优化。这一集成框架的独特性和不可或缺性在于它能够解决高保真度多相流解析与多目标物理约束之间的根本冲突。具体来说，虽然DDPM能够准确捕捉密集颗粒相互作用，但其高昂的计算成本阻碍了直接迭代优化。GPR作为一种强大的贝叶斯替代模型，有效地弥合了这一差距，能够在小规模计算数据集上抵抗过拟合，并量化预测不确定性。借助这些快速预测，IGA执行APR结构参数的优化分析，数学上解决了清水渗透与泥沙冲刷之间的物理竞争。此外，所提出的IGA通过优化核心进化操作符（包括种群初始化、个体选择和突变）提高了算法效率。本研究的具体目标有三个：

1. 数据生成：使用正交实验设计和高保真度两相DDPM模拟，研究结构参数组合对APR性能的影响。
2. 替代模型构建：开发并验证基于机器学习的预测模型（GPR），准确将结构参数与关键水力性能指标关联起来。
3. 全局优化：采用全局优化算法（IGA）结合加权和方法，确定最优结构组合，战略性地平衡和最大化泥沙分离和清水提取效率。

APR的工作原理
APR的工作原理是水以倾斜的切向角度进入渗透涡管，产生冲击动量，从而在管中心产生力矩，诱导管内旋转运动。这种旋转运动与管内的纵向流动结合，增强了水的携砂能力。渗透涡管是水-沙分离的主要设施，其壁设计对于分离效果至关重要。

数值模型
DDPM常用于水-沙动态模拟，特别适合模拟高浓度颗粒流的运动和相互作用[39]。它可以高效捕捉水和泥沙的复杂动态特性，实现高精度的水-沙流动模拟。因此，我们采用DDPM模型对APR渗透涡管中的两相水流场进行数值模拟。

回归模型开发
鉴于APR涉及多个结构参数组合和不同的流动条件，这些条件具有显著的复杂性和非线性，以及不同结构参数之间的明显相互作用，并且分析基于需要小样本泛化能力的正交实验数据，因此必须选择合适的多元回归模型。因此，我们比较了常用的多变量回归模型，如IGA。基于已建立的GPR模型，构建了一个优化框架，以在特定的水-沉积物条件下（沉积物浓度为15 kg/m3和中值粒径为0.039 mm）确定最佳的APR结构参数。改进的遗传算法（IGA）[48]被用来解决这个问题，利用GPR模型快速评估每个候选参数下的目标函数（即Vt、avg、Vy和Qs的综合性能）。

结论
在这项研究中，提出了一个集成了CFD、GPR和IGA的系统多目标优化框架，用于优化新型APR的结构设计。这种数据驱动的方法成功克服了求解密集多相流计算的瓶颈，得出了以下主要结论：
(1) 经过超参数优化的GPR模型在小样本情况下的预测性能显著优于传统的机器学习算法（如ANN和SVR）。

作者贡献声明
杨明：撰写——原始草稿、调查、正式分析、概念构思。
李志强：撰写——审阅与编辑、资源提供。
孙希欢：监督、项目管理和资金获取。
赵杨阳：软件开发、方法论制定、数据管理。
李楠：数据可视化、验证。

利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能会影响本文所报告的工作。

致谢
本工作得到了国家自然科学基金（项目编号：51179116）和山西省自然科学基金（项目编号：202303021211141）的支持。