MAP-Net: A multi-layer attention physics-informed network for accurate prediction of cyclone separation efficiency
杨栗昕，纪沛霄，陈建义*
Keywords: Cyclone separator; Separation efficiency; Neural network; Physics constraint; Attention mechanism
DOI: 10.1016/j.partic.2026.04.003
针对旋风分离器效率预测中传统经验模型精度低，以及纯数据驱动模型在小样本条件下泛化能力差且易违背物理机制等问题，本文提出一种融合物理先验与注意力机制的神经网络学习模型——多层注意力物理网络（MAP-Net），用于准确预测旋风分离器的分离效率。MAP-Net以多层感知机（MLP）为主干架构，基于旋风分离器内气固两相分离机制构建物理约束损失函数并嵌入模型训练过程。在实验数据库的检验中展现出较高精度与物理可解释性，为旋风分离器的快速设计与分离预测提供相应的指导与支持。
相关研究成果发表于PARTICUOLOGY（114），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！
亮点
1. 通过将旋风分离器内气固两相分离的物理机制转化为可微约束损失函数，实现物理驱动与数据驱动的耦合，改善了纯数据驱动模型在小样本下泛化能力差且易违背物理机制的局限。
2. 与普通MLP相比，MAP-Net的R2从0.7230提升至0.9688，提高约34%；MAE从1.4773降至0.4965，降低约66%，精度得到提升。测试集与训练集性能差异较小，未见明显过拟合。
3. 由个体条件期望（ICE）分析显示，模型能够反映筒体直径、温度的单调影响，也能再现入口气速的转折点和细颗粒的“鱼钩效应”，保持了与已有物理趋势的一致性。
4. 训练完成后的模型预测时间为秒级，相较于传统CFD模拟具有显著的优势。
研究背景
旋风分离器是气固分离的常用设备，其分离效率的准确预测对工艺优化和节能降耗具有重要意义。传统经验模型适用范围较窄，CFD数值模拟计算成本高。近年来，神经网络被尝试用于性能预测，但现有研究多集中于压降和分割粒径等方面的研究，且纯数据驱动方法在小样本、非理想分布数据下泛化能力有限，而且还会出现违背物理机制的预测结果。因此，有必要在模型构建中合理嵌入分离过程的物理知识。
要点精读
输入参数：选取筒体直径D、进口面积比KA、排气管直径dr；入口气速Vin、入口浓度Cin、颗粒密度ρp、颗粒粒径dp、温度T，共8个参数。
网络结构：以三层全连接网络（每层1024神经元）为主干，嵌入多层特征注意力模块，并采用批归一化、Dropout等正则化策略。
物理约束：基于全局单调趋势（如温度升高效率下降）和局部区间特性（如气速存在最佳值、粒径的鱼钩效应）构造物理损失项，与数据MSE损失加权训练（α=10）。
训练策略：使用Adam优化器、学习率动态衰减、梯度裁剪和早停机制。
数据来源：约90%来自公开文献实验数据，10%为作者实验室实测数据。
1. 物理损失函数：MAP-Net将气固两相分离的物理机制转化为可微分的约束正则项，嵌入损失函数中。具体而言，根据关键操作参数的影响机制，将物理约束分为两类：全局单调性参数（如颗粒密度、入口浓度呈全局正相关；筒体直径、温度呈全局负相关）和局部区间参数（如入口气速存在临界转折点，颗粒粒径存在"鱼钩效应"）。通过在反向传播过程中对违背物理机制的梯度更新施加惩罚，迫使模型在从数据中学习规律的同时保持与物理机制的一致性。结果表明，引入物理约束后，决定系数R2从0.7230跃升至0.9688，相对提升约34%；平均绝对误差从1.4773骤降至0.4965，误差降幅超过66%。
图1 数据集的统计特征与基础模型（多层感知机）的性能(a) 数据集的直方图分布；(b)、(c)、(d) 多层感知机在训练集、验证集、测试集上应用时分离效率预测值与实测值的对比
图2 MAP-Net的整体网络拓扑结构与架构细节
图3 MAP-Net在 (a)训练集、(b)验证集与(c)测试数据集上分离效率预测值与实测值的对比
图4 基线MLP与带物理约束的MAP-Net在测试集上的预测性能对比(a) 预测分离效率与实测分离效率的对比； (b) 无约束MLP的逐样本残差分布；(c) 带物理约束的MAP-Net的逐样本残差分布
2. 物理一致性ICE分析：通过个体条件期望（ICE）曲线系统验证了MAP-Net对各输入参数的响应特性。在全局单调性参数方面，模型保持与物理定律的一致性：筒体直径和温度呈现清晰的负相关趋势，反映了离心加速度衰减和气体黏度增加对效率的抑制作用；颗粒密度和入口浓度则呈现全局正相关，符合惯性增强和团聚效应改善捕集率的物理机制。在局部区间参数方面，模型同样展现了良好的非线性特征捕捉能力。以入口气速为例，模型复现了"先升后降"的规律，并成功捕捉到高气速下湍流扩散和二次夹带等导致分离效率下降的转折点。尤其值得关注的是，在颗粒粒径的分析中，尽管未施加微观尺度的物理约束，模型仍通过数据驱动学习成功捕捉到了小粒径区间（≲5μm）的经典"鱼钩效应"。这表明MAP-Net在以物理硬约束确保宏观规律正确性的同时，保留了神经网络挖掘数据背后复杂非线性动态的灵活性。
图5 分离效率对几何参数与操作参数响应机制的个体条件期望（ICE）图
主要结论与展望
本文构建了融合注意力与物理约束的多层注意力物理网络（MAP-Net），实现了在有限样本条件下对旋风分离效率的有效预测。该模型预测精度优于传统MLP，R2达到0.9688，MAE为0.4965，且训练与测试集表现稳定；而且，模型预测趋势与主流物理规律相符，具备一定的物理可解释性。当前模型性能仍受限于数据集的规模和分布。后续可进一步扩展数据库、引入更丰富的物理约束形式，并探索数据增强方法，以提升模型在更宽参数范围内的适用性。
作者简介
陈建义，中国石油大学（北京）教授，博士生导师。主要研究方向为多相流分离技术与装备，重点面向石油化工、煤的清洁高效利用、海洋油气开采等领域开展科学研究。主持、参与多项国家级项目，先后获国家科技进步二等奖1项、教育部自然科学一等奖1项、省部级科技进步一等奖2项、二等奖4项。已发表论文60余篇，出版学术专著1本。
供稿：原文作者
排版：《颗粒学报》编辑部
文章信息
Yang, L., Ji, P., & Chen, J. (2026). MAP-Net: A multi-layer attention physics-informed network for accurate prediction of cyclone separation efficiency. Particuology, 114, 130-140. https://doi.org/10.1016/j.partic.2026.04.003