【期刊】基于机器学习的气固流化床反应器中颗粒的声发射粒度分析技术

Acoustic emission and machine learning algorithms for particle size analysis in gas-solid fluidized bed reactors (Open Access)

Fria Hossein*, Matteo Errigo, Sibo Cheng, Massimiliano Materazzi, Paola Lettieri, Rossella Arcucci, Panagiota Angeli

Keywords: Acoustics; Particle size distribution; Fluidized bed; Inversion; Machine learning; Elastic wave

DOI: 10.1016/j.partic.2024.10.005

声发射技术作为一种非侵入式无损检测技术，通过检测颗粒碰撞和摩擦产生的弹性应力波，基于声发射信号的反演分析获得颗粒粒度、速度和相含率等参数，在两相流在线测量领域已获广泛关注。然而，声发射信号在气体介质中会大幅衰减，并且极易受到环境噪声等外部因素的干扰，尤其是在流化床中颗粒还存在严重的破碎与团聚现象等问题，这就导致气固流化床系统中运用声发射技术对颗粒实时监测仍面临巨大的挑战。

本文提出一种机器学习增强的在线声发射信号检测方法，以获得气固流化床反应器中颗粒的粒径分布。 具体的，气固系统中颗粒间以及颗粒与壁面之间的摩擦和碰撞会产生弹性应力，利用传感器检测应力波并输出声发射信号，通过分析采集到的声发射信号特征与颗粒粒径的关系，经反演获得流化床中颗粒粒径分布的实时变化信息。为此，建立了一种可用来表达气固流化床系统中声发射信号产生的理论模型，同时建立了一种从声发射能谱中获得颗粒尺寸分布的反演算法，并借力机器学习，不仅降低了模型建立和迭代反演过程的复杂性，还增强了算法精度。

本文以4种不同尺寸且粒度范围介于100–710 μm的玻璃珠为模型颗粒，在准二维流化床中进行实验，并以5 MHz的采样频率记录声发射信号。在机器学习过程中，将声发射频率和声发射能量作为输入，颗粒粒径分布作为输出，避免了对颗粒碰撞速度的依赖。数据集划分为训练集（60%）、交叉验证集（20%）和测试集（20%），分别采用随机森林（Random Forest）和梯度提升回归（Gradient Boosting Regressor）两种集成学习算法进行训练以及参数优化，并对接收到的原始声发射信号进行了去噪等预处理分析，最终模型预测的决定系数（R2）值均大于0.94。

基于本文提出的机器学习增强的气固流化床反应器中颗粒的声发射粒度分析方法，可实时传递反应器中床料以及流体动力学等相关信息，而且降低了信号后处理成本，将有效推动声发射技术在相关领域工业系统中的应用。

本文已OA，收录于专刊“Image is Everything”，客座编辑为来自英国伯明翰大学的Kit Windows-Yule博士、Jonathan Seville教授，荷兰埃因霍芬理工大学的Kay Buist、Giulia Finotello博士，以及德国斯图加特大学的Kia Taghizadeh博士。欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！

文章信息

Hossein, F., Errigo, M., Cheng, S., Materazzi, M., Lettieri, P., Arcucci, R., & Angeli, P. (2024). Acoustic emission and machine learning algorithms for particle size analysis in gas-solid fluidized bed reactors. Particuology. https://doi.org/10.1016/j.partic.2024.10.005