基于图像分析与随机森林的二氧化硅颗粒聚集过程定量表征与建模研究

《Powder Technology》：Stochastic modeling of particle structures in spray fluidized bed agglomeration using methods from machine learning

本文推荐一篇发表于《Powder Technology》的研究，针对二氧化硅颗粒在悬浮液中的聚集动力学难以实时定量表征的问题，研究人员通过动态图像分析结合随机森林分类器，对初级颗粒、链状和覆盆子状聚集体进行了自动分类，并建立了其尺寸-形状分布的参数化演化模型。该研究揭示了聚集路径的时间依赖性，为工业过程中聚集体结构的精准调控提供了新方法。

　　

在化工、材料及制药等领域，胶体颗粒的聚集行为直接影响最终产品的性能。二氧化硅颗粒在悬浮液中的聚集过程尤为复杂，会形成链状或覆盆子状等不同形态的聚集体。传统上，对这些聚集体的表征多依赖离线采样和电子显微镜，难以实现动态过程的实时监测，且缺乏对聚集体形态演化的定量描述。因此，开发一种能够自动识别、分类并量化聚集体结构随时间变化的方法，对理解聚集机制、优化工艺条件具有重要意义。

发表于《Powder Technology》的这项研究，通过动态图像分析技术结合机器学习方法，实现了对二氧化硅颗粒聚集过程的在线监测与定量分析。研究人员设计了两组实验（实验A和E），在不同搅拌速率下记录颗粒悬浮液的动态图像，并提取了每个颗粒/聚集体的22个几何和纹理描述符。利用随机森林分类器，他们将颗粒自动分为初级颗粒、链状聚集体和覆盆子状聚集体三类。进一步地，通过参数化概率密度模型（如Copula函数）对各类聚集体的尺寸（面积当量直径）和形状（固体度）联合分布进行建模，并建立了这些分布参数随时间变化的回归模型，从而实现了对聚集动力学的完整描述。

为开展研究，作者主要应用了以下关键技术：动态图像分析系统（获取时间序列图像）、图像预处理（非局部均值去噪与分水岭分割）、几何描述符提取（包括面积当量直径、固体度、偏心距等22个特征）、随机森林分类（实现颗粒类别自动识别）、参数化概率建模（基于Copula的二元分布拟合）以及时间序列回归分析（描述参数演化）。实验样本为搅拌反应器中的二氧化硅悬浮液，在120分钟内每隔10分钟采样。

图像预处理与特征提取

研究首先对采集的颗粒图像进行预处理，包括非局部均值滤波去除噪声，再采用分水岭算法进行图像分割，以准确识别单个颗粒或聚集体。从每个分割对象中提取了22个几何与纹理描述符，如面积当量直径d、固体度s、偏心距e等，这些描述符共同构成了后续分类与建模的基础特征集。

基于随机森林的颗粒分类

研究人员采用随机森林算法对颗粒进行自动分类。通过网格搜索优化超参数（决策树数量、最大深度等），训练得到的分类器能够以高准确率将颗粒划分为初级颗粒、链状聚集体和覆盆子状聚集体三类。特征重要性分析显示，面积当量直径、固体度等描述符对分类贡献最大，验证了几何特征在区分聚集体形态中的有效性。

类别尺寸分数的时间演化

对两类实验（A和E）中三类颗粒的面积加权分数随时间变化进行建模。结果表明，实验A中初级颗粒分数随时间的增加呈指数衰减，而覆盆子状聚集体分数则相应增加，链状聚集体作为中间态其分数先增后减。实验E因搅拌速率更高，链状聚集体向覆盆子状转变的速率更快，表明流体剪切力促进了聚集体的结构重组。

尺寸-形状分布的参数化建模

研究进一步对每类颗粒在每一时间点的尺寸（d）和形状（s）的联合分布进行参数化建模。通过拟合边缘分布（如正态、对数正态、Gamma分布）和连接函数（Copula），得到了描述二元分布的五参数模型。对这些参数进行时间序列回归发现，实验E中分布参数的演变速率更快，再次证实了搅拌强度对聚集动力学的显著影响。

研究结论与意义

本研究建立了一套结合动态图像分析与机器学习的颗粒聚集过程定量表征方法，实现了对聚集体类别与形态演化的在线、自动分析。通过参数化建模，首次揭示了二氧化硅颗粒聚集过程中尺寸与形状分布的协同演化规律，并量化了搅拌强度对聚集路径的影响。该方法的建立为工业颗粒合成过程中的实时监控与精准调控提供了新工具，对理解胶体聚集机制、优化产品性能具有重要理论价值与应用前景。