研究方向
智能多尺度过程工程Intelligent Multiscale Process Engineering
融合微观模拟、多尺度模型与人工智能,研究材料界面机理、模型可信赖性及流化过程精细识别,支持工艺优化、过程监测与强化。
方向介绍
智能多尺度过程工程方向由 Donovan Chaffart 博士与袁月博士共同开展,聚焦人工智能与化学工程的交叉研究。我们关注材料与界面的微观变化如何影响反应器和制造过程的宏观表现,以及如何利用实验数据和工程需求反向指导材料设计与过程优化。为此,方向融合第一性原理计算、分子模拟、多尺度模型与机器学习,发展能够在不同尺度之间交换信息的混合建模方法,兼顾预测效率、物理化学意义与实际工况下的适用性。
研究主要围绕智能互通多尺度建模、可信赖人工智能和流化过程精细识别三个主题展开。前者连接微观机理与宏观过程,可信赖人工智能研究解释模型如何形成预测以及预测依据,流化过程研究则将复杂实验信号转化为可用于过程监测的结构信息。工程数据预处理与知识约束贯穿各项研究。相关方法面向薄膜沉积、功能性界面、能源材料与颗粒流化体系,支持机理解析、工艺优化和过程强化。
主要研究内容
1. 智能互通多尺度建模与材料界面过程
材料与制造过程常涉及跨度较大的时间和空间尺度。微观模拟能够描述表面反应、分子迁移和界面演化,却难以直接覆盖工程过程;宏观模型计算效率较高,但容易丢失决定材料性能的微观信息。我们通过智能互通多尺度建模连接这些描述,使微观机理与宏观操作条件能够相互反馈,并结合数据驱动算法提高计算效率。
研究方法包括密度泛函理论、分子模拟、动力学蒙特卡罗、物理信息神经网络及混合模型。袁月侧重非理想环境下的材料与反应机理建模,Donovan 侧重移动界面算法、功能性表面以及多尺度模型的优化与控制。研究对象涵盖薄膜生长、表面液滴铺展、化学链燃烧载氧体等,并进一步面向能源材料与先进制造中的界面问题。
在已发表的随机薄膜沉积研究中,多尺度物理信息神经网络将气相传质与微观表面演化纳入同一模型。在论文验证算例中,训练后的模型相对 SPDE 多尺度模型和 kMC 多尺度模型分别实现约 2 个和 4 个数量级的计算加速,为工艺参数优化提供了更高效的求解方式。
2. 可信赖人工智能与工程数据建模
化工过程对安全性、预测可靠性和机理理解均有较高要求。我们研究人工智能如何在提供预测的同时,说明其形成预测的依据,并检验模型学到的关系是否与工程知识相符。围绕这一问题,团队从可解释性、信息性和因果性三个维度建立化工人工智能应用的透明度分析框架。
可解释性关注模型内部的运算逻辑和信息传递;信息性关注物理化学机理、领域知识与数据之间的结合;因果性关注输入与输出之间的关系及其作用依据。具体研究包括多项式神经网络的数学表达提取、知识约束模型构建,以及工程数据预处理与多源数据整合,重点应对数据量有限、测量错位和数据质量不一致等实际问题。
已发表研究利用多项式神经网络提取连续、闭合的代数表达,分析网络各层和各特征对输出的贡献,并在流化床反应器案例中检验方法的适用性。我们希望使模型既能服务工程预测,也能帮助识别模型偏差、理解过程规律,并为模型改进提供依据。
3. 流化过程精细识别与智能监测控制
气固流化床广泛用于反应、分离和颗粒处理,其内部气泡、颗粒聚团及局部浓度变化共同影响传递效率与反应性能。传统平均参数难以充分描述这些快速变化的非均匀结构。我们结合压力、光纤等测量信号与数值模型,研究瞬时流动行为及流型转变,为过程强化提供更细致的描述。
研究重点包括波动信号特征提取、基于无监督学习的流动行为标定、多尺度流动模型与物理信息神经网络耦合,以及流化床放大中的流动和反应性能预测。袁月侧重从实验信号中识别精细流化行为,Donovan 侧重智能算法与混合模型开发;两者共同推进数据、理论与实验之间的互证。
在已有研究条件下,我们已实现低维信号对内部瞬时状态的还原,正在开展基于还原状态的精细控制测试。进一步结合多尺度机制模型与主动学习,研究气量、温度、进料等操作条件的受约束调节,在换料、产品切换或工况变化后更新模型与参数建议,推进状态感知、工艺优化与执行反馈的衔接。
应用面向电子级球形 SiO₂、SiC 细粉处理及颗粒包覆等高附加值精细颗粒材料,重点关联反应器流态、局部非均匀结构和颗粒经历与粒径分布、表面状态及品质一致性。通过物料适配、反应器放大与在线联调,探索支持连续稳定生产的工艺包,具体性能与适用范围需在目标物料和装置上联合验证。