液-液分离中密实区高度的估计：一种物理信息神经网络方法

在重力沉降器中分离液-液分散体对于化工、制药和回收过程至关重要。密实区高度是一个重要的性能与安全指标，但由于光学限制，对其进行测量通常昂贵且不切实际。我们提出了一种将 PINN 模型与易得的体积流量测量相结合的框架来估计相高度，且在部署期间无需相高度测量。为此，首先在合成数据和源自低保真度（近似）机理模型的物理方程上预训练物理信息神经网络 (PINN)，以减少对大量实验数据的需求。虽然使用机理模型生成合成训练数据，但在 PINN 中仅使用体积平衡方程，因为引入液滴聚结和沉降子模型在计算上是不可行的。然后，使用稀缺的实验相高度和流量数据微调预训练的 PINN，以捕捉分离器的实际动态。随后，我们将可微分的 PINN 作为预测模型部署在受 Extended Kalman Filter 启发的状态估计框架中，从而实现仅使用流量测量来跟踪和更新相高度。我们首先通过从已知初始状态进行前向模拟，针对机理模型和非预训练的 PINN 测试了两阶段训练的 PINN。然后我们评估了带有滤波器的相高度估计性能，将两阶段训练的 PINN 与两阶段训练的纯数据驱动神经网络进行了比较。所有模型类型均使用集成进行训练和评估，以考虑模型参数的不确定性。在所有评估中，两阶段训练的 PINN 给出了最准确的相高度估计。