朱礼涛，欧阳博，张希宝，罗正鸿

（上海交通大学化学化工学院化工系，金属基复合材料国家重点实验室，上海200240）

多相反应器广泛应用于催化裂化[1-3]、费托合成[4-5]、甲醇制烯烃[6-8]、聚合反应[9-10]等工艺过程，是化工过程的关键装备之一。其内部存在着复杂的多相流动、传递及反应行为，并且这些非稳态非线性行为在时空尺度上相互耦合、相互影响，极大增加了理解并准确预测这些多尺度特性的难度，对反应器设计、优化及放大提出了挑战。近些年来随着高性能计算机的快速发展，以机器学习为代表的人工智能技术逐渐应用于化学化工领域。目前已有较多文献系统介绍了机器学习在多相催化及催化剂设计、反应性能预测、反应动力学建模、化工过程智能控制与优化、物性估算、化学合成优化等方面的应用进展[11-17]。然而，本文作者调研文献后发现，目前较为全面地回顾及展望机器学习在多相反应器中的应用进展的综述较少见诸公开报道。本文旨在回顾并评述机器学习在多相流设备（尤其是多相反应器）中流动、传递及反应特性的研究现状，以促进其更好地应用于多相反应器的学术研究及工业应用发展。

1 机器学习简介

1.1 常用的机器学习方法

机器学习通常分为有监督、半监督及无监督学习，其算法可部署在Caffe、MXNet、TensorFlow 等开源平台上。这些平台框架里内嵌有多种可供用户选择的机器学习算法程序。常用的机器方法包括神经网络模型（例如深度神经网络[18]、卷积神经网络等[19]）、支持向量机模型[20]、树模型（例如随机森林模型[21]、梯度提升决策树模型[22]）、聚类算法[23]等，如图1所示。……