物理引导机器学习实现堆浸饱和度精准控制

堆浸采矿中，矿石床不同区域的水力学特性差异巨大，传统数值模拟虽精确却慢如蜗牛。一篇最新研究提出参数条件化的物理引导机器学习（PGML）代理模型，不仅将预测速度提升约70倍，还能在模拟环境中实现无超调的饱和度控制，同时比传统PI控制器节省约4%的灌溉用水。

为什么堆浸需要更快的预测模型

堆浸是一种从低品位矿石中提取金属的常用方法，通过将浸出液灌溉到矿石堆上，溶解并回收目标金属。然而，矿石床内部的水力学条件极不均匀——不同区域的孔隙度、渗透率、毛细压力等参数差异显著，导致饱和度分布随时间剧烈变化。

传统的 Richards 方程数值求解器能够准确模拟这些过程，但计算成本极高。若要实现大规模实时控制，比如根据当前饱和度动态调整灌溉速率，数值求解器几乎不可能在合理时间内完成成千上万次模拟。这就催生了对快速、可复用代理模型的需求。

Richards 方程是描述非饱和多孔介质中水分运动的核心偏微分方程，由 Lorenzo A. Richards 于 1931 年提出。它本质上是达西定律与质量守恒方程的结合：水流通量由毛细压力和重力的梯度驱动，而含水量的时间变化率等于通量的空间散度。该方程的非线性来源于两个关键的本构关系——水力传导率函数和水分特征曲线，二者都强烈依赖于局部饱和度。在堆浸场景中，矿石床的孔隙结构高度非均质，这些本构关系在空间上变化剧烈，导致 Richards 方程必须借助数值方法（如有限差分或有限元）在细密网格上逐步迭代求解。每次模拟可能需要数小时至数天，这正是实时控制面临的核心瓶颈。

PGML 代理模型的设计与训练

研究团队构建了一个参数条件化的物理引导机器学习代理模型。核心思路是让神经网络学习从当前饱和度剖面、灌溉速率以及四个水力参数到下一时刻饱和度剖面的映射。

训练数据集包含 4096 条 Richards 方程数值轨迹，按 2867/614/615 划分为训练集、验证集和评估集。网络在训练过程中引入了一个近似 Gardner 质量平衡惩罚项——这是一种“软约束”，引导模型遵守物理守恒规律，而不是纯粹依赖数据拟合。

这种物理引导的程度被刻意控制在“中等”水平。研究者发现，适度的物理约束能显著提升长期预测精度，但过度约束反而可能损害闭环控制性能。

参数条件化（parametric conditioning）是代理模型设计中的一种重要策略：不是为每一组水力参数单独训练一个模型，而是将参数本身作为网络的额外输入维度，使单一模型能够覆盖整个参数空间。在本研究中，网络接收的输入包括四个水力参数，这些参数刻画了不同矿石材料的持水与导水特性。这样一来，当现场矿石的粒径分布或压实度发生变化时，只需将新的参数值输入网络即可获得预测，无需重新训练。这种设计是模型具备跨材料复用潜力的关键原因。作为对比，非条件化模型只能处理训练时见过的固定参数组合，泛化能力极为有限，在实际工业场景中几乎不可用。

控制性能：与 PI 控制器的正面较量

在模拟的饱和度控制任务中，代理模型与每日预测控制器结合，在 24 小时预测时域内比较了 200 种恒定灌溉速率。评估结果显示：

• 全周期跟踪偏差中位数为 4.9%（相对于 0.70 的饱和度目标），与精心调参的比例-积分（PI）控制器持平。
• PGML 控制器在中位数意义上无超调地达到目标，而 PI 控制器则存在超调。
• PGML 控制器比 PI 控制器少用约 4% 的灌溉量。

这意味着在控制精度相当的情况下，PGML 方案更加节水，且动态响应更平稳。

物理引导的双刃剑效应

研究揭示了一个有趣的权衡：中等程度的物理引导将长期预测误差降低了约 30%（相对于纯数据驱动训练），同时减少了灌溉边界活动，但闭环跟踪性能却略有恶化。

这似乎矛盾——预测更准了，控制反而稍差？作者解释，物理约束可能使模型对某些极端控制动作的响应变得保守，从而在闭环中牺牲了一点跟踪精度。这提醒我们，代理模型的设计目标应与最终控制任务对齐，而非单纯追求预测误差最小化。

Gardner 模型是描述非饱和土壤水力特性的经典参数化方案之一，由 W.R. Gardner 于 1958 年提出。它用指数或幂函数形式刻画水力传导率与基质吸力（或毛细压力）之间的关系，形式简洁且参数少，便于在物理引导项中嵌入。在本研究中，质量平衡惩罚项基于 Gardner 关系构建，其作用是约束网络预测的饱和度剖面在时间推进中满足近似的水量守恒——即流入与流出的水量差应等于储量的变化。由于真实 Richards 方程涉及复杂的非线性本构关系，直接将其作为硬约束嵌入神经网络代价极高，因此研究者采用软约束方式，以惩罚项形式在损失函数中施加物理规律。这种做法的优势在于训练灵活、易于与数据拟合项加权平衡，但惩罚权重需要仔细调节：权重过小则物理约束形同虚设，权重过大则可能压制网络对真实数据的拟合能力。

计算效率：70倍加速与毫秒级批量评估

对于相同的预测工作量，PGML 代理模型比数值求解器快约 70 倍。更惊人的是，对于 5000 列的大规模场景，批量评估每列成本不到 2 毫秒。

这种速度使得在模拟环境中进行大规模、实时饱和度控制成为可能。研究者认为，该代理模型可复用于不同材料特性的堆浸场景，为工业级应用奠定了基础。

代理模型（surrogate model）是指用计算代价低廉的近似模型替代高保真数值模拟器的一类方法，在工程优化、实时控制和不确定性量化中被广泛采用。常见的代理模型包括响应面法、克里金插值、径向基函数以及近年兴起的神经网络代理。与传统代理模型不同，物理引导机器学习（PGML）在训练中融入物理方程约束，使其在数据稀疏区域也能给出符合物理规律的预测。在堆浸控制场景中，代理模型的价值不仅是加速单次预测，更在于支持模型预测控制（MPC）所需的滚动优化——MPC 在每个控制周期内需评估数百甚至数千种候选控制方案，若每次评估都调用数值求解器，计算量将不可承受。70 倍的加速和毫秒级批量评估使这种大规模在线优化从不可能变为可行。

局限与展望

目前成果完全基于模拟环境，尚未在真实堆浸现场验证。物理引导的强度需要针对具体控制目标调优，且模型对极端水力参数的泛化能力仍有待检验。此外，将代理模型与分布式传感器网络结合，实现真正闭环的现场控制，是下一步的关键挑战。

尽管如此，这项工作展示了物理引导机器学习在复杂工业过程中的巨大潜力——它不只是加速模拟，更在重塑控制策略的设计范式。