A continual learning surrogate network for field prediction of fluidized beds with evolving internals
刘廷廷，姜勇，潘明，罗正鸿*，陈锡忠*
Keywords: Surrogate model; Reactor simulation; Continual learning; Fluidized bed
DOI: 10.1016/j.partic.2026.07.001
气固流化床中合理的内构件能够调控颗粒流动形式、改善传热传质与抑制沟流，但其几何形态的微小变化往往会显著改变近壁区域的流场分布。传统CFD–DEM可提供高保真解析，却难以支撑多构型、快速迭代的工业设计需求。本文提出持续学习代理网络CLBedNet，融合显式点云几何特征与隐式符号距离函数（SDF）表征，并通过壁面邻近感知门控机制自适应分配两类特征权重；同时引入知识蒸馏、回放缓冲与在线弹性权重固化以缓解演化几何输入下的灾难性遗忘。结果表明，该模型可高精度预测含复杂内构件流化床中的空隙率和轴向气速分布，为反应器数字孪生与高通量内构件设计提供高效的计算方式。
相关研究成果发表于PARTICUOLOGY（Volume 116），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. 面向含演化内构件的气固流化床，构建基于CFD–DEM数据的流场代理预测框架，实现空隙率与轴向气速全场快速重构。
2. 提出CLBedNet双分支结构，联合点云几何分支与SDF隐式场分支，兼顾复杂内构件形状表达与空间距离信息。
3. 设计壁面邻近感知动态门控机制，使模型在近壁区域更依赖几何特征，在主体流区更侧重SDF特征，从而提升近壁梯度捕捉能力。
4. 引入知识蒸馏、回放缓冲与在线EWC的持续学习策略，降低新几何任务引入时对旧构型预测能力的遗忘。
5. 在未知几何姿态测试中，模型对空隙率与轴向气速场的相对误差控制在较低水平，并实现相对CFD–DEM的显著推理加速。
研究背景
流化床广泛应用于能源转化、催化反应与颗粒加工过程，其宏观性能受到气固相互作用、颗粒混合与内构件诱导流动结构的共同影响。工业装置常通过环形挡板、浸没管、旋涡稳定器等内构件调控气固流动，但内构件几何、尺寸和空间姿态的变化会重塑局部绕流、尾流与近壁剪切区域。因此，内构件设计不仅需要高保真数值模拟支撑，也需要能够在多几何构型间快速迁移的机器学习模型。现有代理模型通常缺少明确的壁面距离感知，对内构件附近尖锐流场梯度的预测不足；同时，当模型连续接收新几何任务时，旧构型预测能力容易退化。本文围绕“复杂几何表达→近壁流场预测→持续学习强化”三个关键问题展开。
图1 三维空间中几何体构型的分布演化图
要点精读
1. CFD–DEM数据生成与超二次内构件参数化
本文采用MFIX开源平台开展CFD–DEM模拟，生成含不同内构件几何的气固流化床数据集。模拟输出的空隙率（φ）与轴向气速（Uy）作为代理模型训练标签；每个构型取20个瞬时快照进行时间平均，以得到代表性流场样本。内构件采用超二次/超环面几何表达，通过少量形状参数即可连续描述圆形、椭圆形及偏方形截面，从而形成适合机器学习探索的低维设计空间。
图2 数据预处理流程：(a)几何点云标准化；(b)SDF特征构造；(c)标签处理
2. 双分支CLBedNet：显式几何与隐式距离的协同表达
CLBedNet由几何分支和SDF分支组成。几何分支以标准化点云为输入，利用动态图卷积网络提取局部和全局形状特征；SDF分支将归一化网格坐标与符号距离值拼接，并通过图注意力网络捕获流场单元与内构件之间的空间关联。这种设计避免了单一几何编码难以兼顾形状细节和距离场信息的问题，使模型能够同时理解“内构件是什么形状”以及“当前流场点距离内构件有多近”。
图3 CLBedNet双分支网络结构：(a)几何分支；(b)SDF分支；(c)特征融合预测框架
3. 壁面邻近感知门控与持续学习训练
针对内构件近壁区域流场梯度陡峭、常规代理模型难以分辨的问题，本文设计了基于|SDFnorm|的动态门控机制。模型在靠近几何表面时提高几何分支权重，在远离界面的主体区域提高SDF分支权重，并通过软门控方式保留端到端学习能力。此外，为适应内构件几何和姿态的连续演化，训练中加入知识蒸馏、历史样本回放与在线弹性权重固化，既学习新任务，又减少对旧几何构型的灾难性遗忘。
图4 CLBedNet的持续学习训练流程
4. 预测性能、局部剖面与可解释性分析
在三个未知几何构型测试中，CLBedNet对空隙率与轴向气速分布均表现出良好一致性，能够重构床层底部密相区、上部稀相区、内构件绕流加速区与尾流低速区等关键结构。局部剖面结果进一步表明，模型可较准确捕捉近壁空隙率变化和不同高度处的径向气速分布。门控权重分析显示，几何分支在内构件附近占优，而SDF分支在远离壁面的主体区域占优，说明模型学习到了具有物理合理性的近壁—主体流区分工。
图5 三个未知构型中轴向气速场的CFD–DEM结果和CLBedNet预测结果
图6 CLBedNet（持续学习代理网络）与BedNet（无持续学习代理网络）对孔隙率分布的预测效果对比图
主要结论与展望
1. 本文提出CLBedNet，用双分支结构融合点云几何和SDF隐式距离信息，实现含复杂内构件流化床空隙率与轴向气速的快速预测。
2. 壁面邻近感知门控机制能够自适应区分近壁区域与主体流区，有助于重构内构件附近的高梯度流场特征。
3. 持续学习模块通过知识蒸馏、回放缓冲和在线EWC缓解新几何任务引入时的灾难性遗忘，提升模型在演化构型下的稳定性。
4. 与CFD–DEM相比，CLBedNet具备显著推理效率优势，可用于内构件快速筛选及参数空间探索。
5. 未来可进一步拓展至瞬态流场、多尺度颗粒体系、反应流动以及更复杂工业内构件组合，以增强模型在真实装置中的泛化能力。
作者简介
刘廷廷，上海交通大学化学工程与技术专业博士研究生。主要研究方向为基于多尺度物理模型和机器学习的典型化工过程模拟与反应装备优化。目前以第一/共一作者发表论文7篇。
陈锡忠，上海交通大学长聘教轨副教授，国家海外高层次青年人才，获欧盟居里学者计划于爱丁堡及剑桥大学从事博士后科研，回国前担任爱尔兰国立大学礼来制药冠名讲师及谢菲尔德大学助理教授。主持国家自然科学基金委面上及联合基金课题, 国家科技重大专项课题及子课题，上海市教委人工智能跃升计划专项, 华为“AI+化工”教育部产学协同育人项目。与跨国化工公司、制药巨头、国家能源集团等开展了广泛深入的生产研发项目合作。近期主要从事嵌入物理机制的机器学习建模及其工业应用，近三年在AI赋能反应器设计优化领域发表文章30余篇。
罗正鸿，上海交通大学特聘教授、“十四五”国家能源领域重点专项专家组成员、中国化工学会会士、国家杰青、长江特聘教授、万人领军人才。长期从事聚合反应工程及多相流反应器工程方面的研究。较为系统地研究了气-固、气-液、液-液及气-液-固等多相反应器中多尺度流体动力学特征，归纳出各尺度模型耦合的“关键信息传递”方法，实现了不同尺度模型实质性耦合，建立了描述流体动力学特征的多尺度计算流体力学模型。
供稿：原文作者
排版：《颗粒学报》编辑部
文章信息
Liu, T., Jiang, Y., Pan, M., Luo, Z.-H., & Chen, X. (2026). A continual learning surrogate network for field prediction of fluidized beds with evolving internals. Particuology, 116, 355-368. https://doi.org/10.1016/j.partic.2026.07.001