SDD-PINN：求解单液滴干燥(Single Droplet Drying, SDD)问题的物理信息神经网络(Physics-Informed Neural Network, PINN)

《Digital Chemical Engineering》：SDD-PINN: Physics-informed neural network for single droplet drying

　　

摘要：单液滴干燥(Single Droplet Drying, SDD)作为喷雾干燥的基础过程，是一个具有挑战性的非线性移动边界扩散问题，由收缩球形域内的抛物型偏微分方程(Partial Differential Equation, PDE)及Robin质量传递边界条件描述。尽管物理信息神经网络(Physics-Informed Neural Network, PINN)近期广泛应用于求解PDE，但标准Vanilla PINN在处理含时移动边界输运问题时往往表现不佳。本研究开发了SDD-PINN——一种紧凑且可复现的PINN框架，能在此类演化域上保持可靠性。为将训练与域收缩解耦，研究人员首先通过半径变换ξ=r/a(t)将原问题映射至固定单位域，得到保留质量守恒的非线性对流-扩散PDE（基线PINN）。在此基础上提出紧凑的物理启发PINN方案，包括：(i)初始条件(Initial Condition, IC)的硬约束(hard enforcement)；(ii)采用平方变换半径ξ2作为与球心对称性一致的坐标输入以促进球心正则性；(iii)无量纲时间τ至对数时间重参数化θ；(iv)智能配点采样(smart collocation sampling)；(v)Adam与L-BFGS结合的优化调度。研究人员在参考工况下进行了25全因子实验设计（软vs硬IC、ξ vs ξ2、τ vs θ、均匀vs智能采样、Adam vs Adam+L-BFGS）以确定渐进增强路径。选定配置SDD-PINN（硬IC、ξ2特征、θ作为输入、均匀采样、Adam+L-BFGS优化）相对传统Crank–Nicolson(CN)参考解的平均相对L2误差为0.021±0.010。在涵盖收缩强度、扩散系数及粒径的多工况多种子重复验证中，相对CN参考的统一方案平均相对L2误差介于2.69×10?3至3.30×10?2。结果为单液滴干燥提供了可复现的PINN求解方案。

论文解读：SDD-PINN——面向单液滴干燥移动边界扩散问题的物理信息神经网络框架

一、研究背景与立题依据

喷雾干燥是食品、制药及化工领域制备粉末的关键工业过程，而单液滴干燥（Single Droplet Drying, SDD）是在受控条件下模拟喷雾干燥、理解温度与湿度历史、液滴收缩及形貌演化的基础实验与建模对象。SDD模型分为集总（全局平均）模型和空间分布（分率求解）模型，后者能显式计算内部浓度场、近表面溶质富集及结壳（锁定点），对预测结壳向第二阶段过渡及空心或密实颗粒形貌至关重要。经典空间分布模型将第一干燥阶段描述为收缩球形域内Fick扩散偏微分方程（PDE），表面为Robin型边界条件（BC），属典型的移动边界（Moving Boundary / Stefan）问题。

传统数值解法（有限体积/有限差分）虽精确但需网格划分、界面特殊处理及对每个工况重复求解，且逆问题求解困难。物理信息神经网络（Physics-Informed Neural Network, PINN）通过将PDE及初边值条件嵌入损失函数，可无网格求解正逆问题并生成光滑可微代理模型，一旦训练完成可快速预测。然而"Vanilla PINN"在含时输运及多尺度 regime 中存在典型失效模式：损失不平衡（Loss Imbalance，PDE残差与IC/BC梯度量级差异导致优化偏向易满足约束）、谱偏差（Spectral Bias，难以学习时空锐变特征如近表面浓度梯度）、时序因果传播失败（Causality Violation），移动边界进一步引入几何耦合与非线性相互作用，球形坐标奇点（r=0正则性）及随时间缩小表面使训练更不稳定。现有文献缺乏在单一明确定义的移动边界输运问题上系统性量化各改进措施组合效果的基准研究。本文以SDD为试金石，通过全因子筛选给出可复现的PINN配方。

二、关键技术方法概述

研究人员选取含水挥发性溶剂与非挥发性溶质的球形液滴第一干燥阶段（结壳前），液滴半径按d²-law收缩，内部为Fick扩散，通过前固定变换（Front-fixing Method）ξ=r/a(t)将移动域r∈[0,a(t)]映射至固定域ξ∈[0,1]，导出带对流漂移项的非线性对流-扩散PDE并无量纲化。PINN采用5隐层（128神经元）全连接MLP，tanh激活，输入为无量纲时间τ（或对数重参数化θ=?ln(1+ατ)）及空间特征ξ或ξ²，输出为溶质质量分数Y_i(τ,ξ)。改进措施包括：(1)硬约束IC——网络输出构造Y(τ,ξ)=Y₂₀(ξ)+τ·N(τ,ξ)消除IC损失项；(2)ξ²作空间输入引入球对称归纳偏置；(3)对数时间重参数化θ消除原方程中G/(1+ατ)时变刚度放大因子；(4)均匀或智能配点采样并周期性重采样；(5)Adam（学习率衰减）预训练后切换至L-BFGS精细优化，切换时机由精度门槛、经济性及非退化校验准则确定。以高精度隐式Crank–Nicolson(CN)解为基准，通过平均相对L₂误差（mean relL2）评估，并在六组干燥工况（变收缩速率?、扩散系数D、初半径a₀）进行多种子验证；逆问题演示以稀疏含噪合成观测联合辨识D与?。

三、研究结果

2. Spatially-resolved modeling of single droplet drying（单液滴干燥空间分辨建模）

研究人员给出原始移动域球形扩散方程?Y_i/?t = D/r²·?/?r(r²?Y_i/?r)，表面Robin BC（?D?Y_i/?r?da/dt·Y_i=?_i/(Aρ_l)），中心正则?Y_i/?r|_r=0=0，IC为Y_i(t=0,r)=Y_i0(r)。通过ξ=r/a(t)变换得固定域PDE：a²?Y_i/?t = da²/dt·ξ/2·?Y_i/?ξ + D/ξ²·?/?ξ(ξ²?Y_i/?ξ)，对应无量纲形式及表面BC（非挥发溶质?₂=0时??Y₂/?ξ=α/(2G)·Y₂|ξ=1）、中心正则?Y/?ξ|_ξ=0=0、多项式IC Y₂₀(ξ)=c₀+c_nξⁿ（n=5，系数由体积平均分与BC确定）。CN法（401空间点，900时间步）提供基准解。物系为NaCl水溶液，参考工况?=?0.46×10^?9m²/s，D=1.61×10^?9m²/s，a₀=0.734 mm，Y￣₂₀=0.06。另设六组验证工况覆盖Pe数（Pe=??/(2D)）变化。

3. Physics-informed neural networks（物理信息神经网络）

基线PINN损失函数为PDE残差、中心正则、表面BC及IC四项MSE之和。网络架构为6层MLP（5×128隐层，tanh），Xavier初始化，N_PDE=16000配点，NIC=Ncenter=1200，Nsurface=3600，Adam(lr=0.001)训练2000轮每600轮重采样。

3.1. Progressive enhancement path（渐进增强路径）

提出五项改进：(i)硬IC；(ii)ξ²空间输入；(iii)θ=?ln(1+ατ)对数时间输入（原方程G/(1+ατ)因子变为常数?G/α）；(iv)智能配点（残差大区增密+刷新）；(v)Adam+L-BFGS。通过2⁵全因子设计筛选，最终SDD-PINN取硬IC+ξ²+θ+均匀采样+Adam+L-BFGS。

3.2. Optimizer selection and switching criteria（优化器选择及切换准则）

Adam预训练每500轮存快照，对各快照短时L-BFGS评估，选取满足三条件最早快照：mean relL2≤0.025、下一锁点改善<3%（经济性）、相对前一点不退化>10%。经多种子确认取Epoch 2000为切换点。

4.1. The failure of the baseline PINN（基线PINN的失效）

基线PINN在参考工况mean relL2=0.463±0.059，极高压缩/高Pe工况达0.961±0.001，且跨所有工况失效。误差随时间增长（初期尚可，后期失准）。诊断显示PDE梯度主导IC/BC梯度致损失不平衡，PDE残差最难压降，τ形式中G/(1+ατ)随τ增大放大算子刚度。失效源于梯度失衡、残差难收敛及时变刚度——证实需针对性改进。

4.2. Progressive enhancement path for selected drying conditions（渐进增强效果）

Step 0（基线）→Step 1（硬IC）：mean relL2降至≈0.298±0.015，去除IC竞争但未解决PDE主导失衡；Step 2（硬IC+ξ²+Adam+L-BFGS）：mean relL2≈0.140±0.026（较Step 1降约53%），ξ²改善球心表示，L-BFGS压低残差；Step 3（硬IC+ξ²+θ+Adam+L-BFGS，即SDD-PINN）：mean relL2=0.021±0.010（较Step 2降约85%，较基线降约96%），θ消除时变刚度放大使算子尺度均匀，显著抑制后期误差增长，剖面对齐CN参考。交互热图显示ξ²×L-BFGS及θ×L-BFGS具正协同效应，智能采样在此未额外增益。SDD-PINN亦与Brenn(2004)解析解吻合。

4.3. Optimal epoch for optimizer switch（优化器切换最佳轮次）

按3.2节准则，Adam仅与Adam+L-BFGS对比显示联合优化全面更优，最早满足准则为Epoch 2000，采纳为切换点，损失曲线显示L-BFGS阶段进一步压降。

4.4. Validation under different drying conditions and extreme cases（多干燥工况验证）

六组工况（High/Mid/Very High/Small a₀/Slow diff/Fast diff）多种子重复，regime平均mean relL2介于2.69×10^?3~3.30×10^?2，各工况误差全程无失控放大，剖面对CN参考紧密吻合，证明SDD-PINN鲁棒性。

4.5. Chemical-engineering relevance and practical implications（化工意义）

SDD-PINN解析演化内浓度场、径向梯度及近表面浓度历史，可供喷雾干燥CFD中液滴子模型闭合参考，亦可逆推有效输运参数，限于第一干燥阶段结壳前。

4.6. In silico demonstration of SDD-PINN for parameter estimation（参数估计逆问题演示）

以CN生成含噪合成观测（半径史、体均浓度、表面浓度），将D与?作为可训练参数（指数重参数保符号），联合物理残差与数据失配最小化。自扰动初值(D=9×10^?10, ?=?3×10^?10)收敛得D相对误差3.56%、?相对误差1.17%，重建浓度场mean relL2=3.77×10^?2，证明显式框架可做正解与逆参数辨识及状态重构。

四、讨论与结论翻译

讨论：本研究表明经审慎选择的通用PINN实践（前固定域变换+硬IC+ξ²特征+对数时间重参数化+Adam+L-BFGS）可以较低实现成本对缩球域扩散问题给出稳定精确解，为更复杂SDD模型及相关多物理场系统提供强基准。研究限定扩散主导+几何收缩，延伸至耦合传热传质、结壳形成及基于实验观测的逆辨识为自然延伸。

结论：研究人员开发了一种针对带Robin BC缩球域扩散之单液滴干燥问题的紧凑可复现PINN方案——SDD-PINN。关键要素含IC硬约束、对称一致输入ξ²、对数时间重参数化θ、结构化配点及Adam+L-BFGS调度，有效缓解Vanilla PINN的IC粘滞、球心奇点伪影及晚期漂移等失效。参考工况mean relL2误差0.021±0.010（vs CN）；跨收缩强度、扩散率及粒径多工况regime平均mean relL2介于2.69×10^?3~3.30×10^?2。该配方各改进易添加、无需特殊架构或复杂损失加权，渐进引入呈稳步增益，为缩域扩散类问题提供可靠PINN基准。