基于改进灰狼算法的液滴碰撞扩散动态行为预测研究

doi:10.3969/j.issn.1004-132X.2026.06.012

摘要/Abstract

摘要：

为探究液滴撞击与铺展动力学行为，提高液滴铺展工艺参数设计效率，基于有限元模型建立了智能优化算法的数据集，并提出了一种基于改进灰狼优化算法的极限学习机（ELM-IGWO）预测模型。以液滴初始直径、速度、高度以及材料的接触角作为输入，液滴最大铺展直径和中心厚度为输出，对液滴撞击与铺展的动力学行为进行了预测。通过与反向传播神经网络、遗传算法优化反向传播神经网络、极限学习机以及传统的灰狼优化极限学习机模型进行比较，发现所提算法在预测液滴撞击和扩散的动态行为方面具有更高的准确性。此外，利用基于人工神经网络的改进型多目标非支配排序遗传算法对液滴撞击与铺展的工艺参数进行优化，实验结果表明，预测的最大铺展直径与实验数据的平均相对误差为3.54%，中心厚度的预测误差为5.71%。

关键词: 液滴铺展, 有限元模型, 智能优化算法, 预测模型

Abstract:

To explore the dynamic behaviors of droplet impact and spreading and to further improve the efficiency of designing process parameters for droplet spreading， a dataset for an intelligent optimization algorithm was established based on a finite element model， and a prediction model based on extreme learning machine optimized by improved grey wolf optimizer（ELM-IGWO） was proposed. Using the initial droplet diameters， velocities， heights， and material contact angles as inputs， and maximum spreading diameters and central thicknesses of droplets as outputs， the dynamic behaviors of droplet impact and spreading were predicted. By comparing with the back propagation neural network（BP）， back propagation neural network optimized by genetic algorithm（BP-GA）， extreme learning machine（ELM）， and extreme learning machine optimized by grey wolf optimizer（ELM-GWO）models， it is found that the proposed algorithm has the greater accuracy in predicting the dynamic behaviors of droplet impact and spreading. In addition， the processing parameters of droplet impact and spreading were optimized by using an improved multi-objective non-dominant sorting genetic algorithm based on artificial neural networks（ANN-IMNSGA-Ⅱ），the experimental results show that the average relative error between the predicted maximum spreading diameters and the experimental data is as 3.54%， and the prediction error for the central thicknesses is as 5.71%.

Key words: droplet impact, finite element model, intelligent optimization algorithm, prediction model

中图分类号:

TS801

于智勇, 李昕, 王正茂. 基于改进灰狼算法的液滴碰撞扩散动态行为预测研究[J]. 中国机械工程, 2026, 37(6): 1393-1401.

YU Zhiyong, LI Xin, WANG Zhengmao. Research on Dynamic Behavior Prediction of Droplet Collision and Diffusion Based on Improved Grey Wolf Algorithm[J]. China Mechanical Engineering, 2026, 37(6): 1393-1401.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.06.012

https://www.cmemo.org.cn/CN/Y2026/V37/I6/1393

图/表 22

图1 压电喷射装置实验示意图

Fig.1 Schematic diagram of the piezoelectric jet device experiment

图2 液滴撞击仿真系统

Fig.2 Piezoelectric inkjet printing system

表1 液滴材料参数

Tab.1 Droplet material parameters

参数

动力学黏度

$μ$ /（Pa·s）

密度

$ρ$ /（g·cm $- 3$ ）

表面张力

$σ$ /（N·m $- 1$ ）

表1 液滴材料参数

Tab.1 Droplet material parameters

参数

动力学黏度

$μ$ /（Pa·s）

密度

$ρ$ /（g·cm $- 3$ ）

表面张力

$σ$ /（N·m $- 1$ ）

大小

0.02

1.45

0.05

图3 材料及其微观结构

Fig.3 Microstructure of material

图4 铺展直径和中心厚度随时间的动态变化

Fig.4 The dynamic change of spreading diameter and center thickness with time

图5 液滴撞击固体壁面时液滴形态演化的实验结果与有限元仿真结果的比较

Fig.5 Comparison between experimental results and simulation results of droplet morphology evolution during droplet impact on solid wall

表2 最大铺展直径和中心厚度仿真结果

Tab.2 Simulation results of maximum spreading diameter and center thickness

实验组数	参数				最大铺展直径/mm	最大中心厚度/mm
实验组数	初始直径/mm	高度/mm	初始速度/ （m · s $- 1$ ）	接触角/（°）	最大铺展直径/mm	最大中心厚度/mm
1	0.5	5	1	30	0.685 85	0.225 87
2	0.5	10	2	60	0.506 39	0.285 51
3	0.5	15	3	90	0.402 63	0.311 88
4	0.5	20	4	120	0.541 62	0.167 17
5	0.5	25	5	150	0.835 52	0.115 71
6	0.75	5	2	150	0.722 75	0.285 92
7	0.75	10	3	30	1.193 24	0.210 06
8	0.75	15	4	60	1.362 04	0.147 76
9	0.75	20	5	90	1.537 21	0.136 59
10	0.75	25	1	120	0.368 69	0.620 09
11	1.00	5	3	120	1.686 99	0.188 81
12	1.00	10	4	150	1.672 91	0.179 76
13	1.00	15	5	30	2.358 47	0.174 90
14	1.00	20	1	60	1.030 57	0.509 18
15	1.00	25	2	90	0.873 81	0.552 03
16	1.25	5	4	90	2.525 63	0.218 06
17	1.25	10	5	120	2.736 03	0.185 06
18	1.25	15	1	150	0.797 58	0.823 26
19	1.25	20	2	30	1.718 99	0.540 78
20	1.25	25	3	60	1.958 00	0.315 79
21	1.50	5	5	60	3.883 28	0.229 41
22	1.50	10	1	90	1.448 82	0.673 35
23	1.50	15	2	120	1.859 81	0.395 11
24	1.50	20	3	150	2.203 99	0.259 42
25	1.50	25	4	30	3.494 61	0.282 29

表2 最大铺展直径和中心厚度仿真结果

Tab.2 Simulation results of maximum spreading diameter and center thickness

实验组数	参数				最大铺展直径/mm	最大中心厚度/mm
实验组数	初始直径/mm	高度/mm	初始速度/ （m · s $- 1$ ）	接触角/（°）	最大铺展直径/mm	最大中心厚度/mm
1	0.5	5	1	30	0.685 85	0.225 87
2	0.5	10	2	60	0.506 39	0.285 51
3	0.5	15	3	90	0.402 63	0.311 88
4	0.5	20	4	120	0.541 62	0.167 17
5	0.5	25	5	150	0.835 52	0.115 71
6	0.75	5	2	150	0.722 75	0.285 92
7	0.75	10	3	30	1.193 24	0.210 06
8	0.75	15	4	60	1.362 04	0.147 76
9	0.75	20	5	90	1.537 21	0.136 59
10	0.75	25	1	120	0.368 69	0.620 09
11	1.00	5	3	120	1.686 99	0.188 81
12	1.00	10	4	150	1.672 91	0.179 76
13	1.00	15	5	30	2.358 47	0.174 90
14	1.00	20	1	60	1.030 57	0.509 18
15	1.00	25	2	90	0.873 81	0.552 03
16	1.25	5	4	90	2.525 63	0.218 06
17	1.25	10	5	120	2.736 03	0.185 06
18	1.25	15	1	150	0.797 58	0.823 26
19	1.25	20	2	30	1.718 99	0.540 78
20	1.25	25	3	60	1.958 00	0.315 79
21	1.50	5	5	60	3.883 28	0.229 41
22	1.50	10	1	90	1.448 82	0.673 35
23	1.50	15	2	120	1.859 81	0.395 11
24	1.50	20	3	150	2.203 99	0.259 42
25	1.50	25	4	30	3.494 61	0.282 29

图6 25组案例最大铺展直径时的体积分数云图

Fig.6 Volume fraction cloud images of 25 cases at maximum spread diameter

图7 原始和改进后的收敛因子μ变化图

Fig.7 Variation of the original and improved convergence factor μ

图8 ELM-IGWO算法流程

Fig.8 IELM-IGWO algorithm flow

图9 不同算法获得的适应度值

Fig.9 Fitness values obtained by different algorithms

表3 神经网络测试集

Tab.3 Neural network test sets

试验组数	参数				最大铺展直径/mm	中心厚度/mm
试验组数	初始液滴直径/mm	喷射高度/ mm	液滴速度/ （m·s $- 1$ ）	接触角/ （°）	最大铺展直径/mm	中心厚度/mm
26	0.5	5	1	150	0.329 99	0.269 82
27	0.75	20	2	90	0.754 82	0.308 35
28	1	10	3	30	1.149 62	0.213 28
29	1.25	25	4	120	2.456 85	0.191 17
30	1.5	15	5	60	3.972 16	0.241 14

表3 神经网络测试集

Tab.3 Neural network test sets

试验组数	参数				最大铺展直径/mm	中心厚度/mm
试验组数	初始液滴直径/mm	喷射高度/ mm	液滴速度/ （m·s $- 1$ ）	接触角/ （°）	最大铺展直径/mm	中心厚度/mm
26	0.5	5	1	150	0.329 99	0.269 82
27	0.75	20	2	90	0.754 82	0.308 35
28	1	10	3	30	1.149 62	0.213 28
29	1.25	25	4	120	2.456 85	0.191 17
30	1.5	15	5	60	3.972 16	0.241 14

图10 最大铺展直径预测模型结果对比

Fig.10 Comparison of results of maximum spread diameter prediction models

表4 不同算法性能评估结果

Tab.4 Performance evaluation of different algorithms

机器学习模型	最大铺展直径			中心厚度
机器学习模型	$σ M A E$	$R 2$	$σ R M S E$	$σ M A E$	$R 2$	$σ R M S E$
BP	0.309 78	0.8881	1.9831	0.0511	0.9152	0.326 80
BP-GA	0.197 11	0.9423	1.3859	0.0354	0.9386	0.248 71
ELM	0.189 59	0.9380	1.4851	0.0317	0.9205	0.247 90
ELM-GWO	0.116 24	0.9821	0.7726	0.0249	0.9574	0.165 70
ELM-IGWO	0.054 32	0.9957	0.3686	0.0052	0.9957	0.035 30

表4 不同算法性能评估结果

Tab.4 Performance evaluation of different algorithms

机器学习模型	最大铺展直径			中心厚度
机器学习模型	$σ M A E$	$R 2$	$σ R M S E$	$σ M A E$	$R 2$	$σ R M S E$
BP	0.309 78	0.8881	1.9831	0.0511	0.9152	0.326 80
BP-GA	0.197 11	0.9423	1.3859	0.0354	0.9386	0.248 71
ELM	0.189 59	0.9380	1.4851	0.0317	0.9205	0.247 90
ELM-GWO	0.116 24	0.9821	0.7726	0.0249	0.9574	0.165 70
ELM-IGWO	0.054 32	0.9957	0.3686	0.0052	0.9957	0.035 30

图11 中心厚度预测模型结果对比

Fig.11 Comparison of center thickness prediction model results

图12 基于有限元模拟的ANN-IMNSGA-Ⅱ算法的流程

Fig.12 The flow of ANN-NSGA Ⅱ algorithm based on finite element simulation

图13 两种算法pareto最优解集结果对比

Fig.13 Comparison of the pareto optimal solution set results of the two algorithms

图14 Pareto最优解集结果

Fig.14 Pareto results of optimal solution set

表5 Pareto前沿曲线上点的数值

Tab.5 Values of points on the Pareto front curve

名称	最大铺展直径D/mm	中心厚度d/mm
极点A	0.254 83	0.780 23
极点B	1.262 87	0.089 26
中间点	0.583 31	0.181 30

图15 系统实验平台与液滴撞击和铺展监测系统

Fig.15 Working interface of the system experimental platform and the droplet impact and spread monitoring system

表6 最大铺展直径与中心厚度的实验结果

Tab.6 Experimental results of maximum spreading diameter and center thickness

序号	最大铺展直径D/mm	中心厚度d/mm
1	0.619	0.184
2	0.606	0.199
3	0.607	0.206
4	0.623	0.208
5	0.597	0.197
平均值	0.6104	0.1988

图16 第二组喷射打印实验中打印点的结果

Fig.16 The results of the printing points in the second set of jet printing experiments

参考文献 18

[1]	SHYAM S， BANERJEE U， MONDAL P K， et al. Impact Dynamics of Ferrofluid Droplet on a PDMS Substrate under the Influence of Magnetic Field［J］. Colloids and Surfaces A： Physicochemical and Engineering Aspects， 2023， 661： 130911.
[2]	张金阳，熊平，江启峰，等. 液滴撞击不同润湿性加热表面的数值模拟［J］. 科学技术与工程， 2025， 25（14）： 5730-5736.
	ZHANG Jinyang， XIONG Ping， JIANG Qifeng， et al. Numerical Simulation of Droplet Impact on Heated Surface with Different Wettability［J］. Science Technology and Engineering， 2025， 25（14）： 5730-5736.
[3]	向宇豪，朱恂，王宏，等. 熔融高炉渣液滴撞击壁面动态行为及相变换热特性的数值模拟［J］. 工程热物理学报， 2022， 43（5）： 1337-1344.
	XIANG Yuhao， ZHU Xun， WANG Hong， et al. Numerical Study on Phase Change Cooling and Crystallization of a Molten Blast Furnace Slag Droplet Impacting the Wall［J］. Journal of Engineering Thermophysics， 2022， 43（5）： 1337-1344.
[4]	ABOLGHASEMIBIZAKI M， MOHAMMADI R. Droplet Impact on Superhydrophobic Surfaces Fully Decorated with Cylindrical Macrotextures［J］. Journal of Colloid and Interface Science， 2018， 509： 422-431.
[5]	GUIMARÃES B， SILVA J， FERNANDES C M， et al. Understanding Drop Spreading Behaviour on WC-10wt%Co Cutting Tools – an Experimental and Numerical Study［J］. Colloids and Surfaces A： Physicochemical and Engineering Aspects， 2022， 637： 128268.
[6]	WILKINSON N J， SMITH M A A， KAY R W， et al. A Review of Aerosol Jet Printing—a Non-traditional Hybrid Process for Micro-manufacturing［J］. The International Journal of Advanced Manufacturing Technology， 2019， 105（11）： 4599-4619.
[7]	MENON A， PÓCZOS B， FEINBERG A W， et al. Optimization of Silicone 3D Printing with Hierarchical Machine Learning［J］. 3D Printing and Additive Manufacturing， 2019， 6（4）： 181-189.
[8]	HUANG Jida， SEGURA L J， WANG Tianjiao， et al. Unsupervised Learning for the Droplet Evolution Prediction and Process Dynamics Understanding in Inkjet Printing［J］. Additive Manufacturing， 2020， 35： 101197.
[9]	WANG Fei， BAO Weijie， WANG Yiwei， et al. Ejection State Prediction for a Pneumatic Micro-droplet Generator by BP Neural Networks［J］. Journal of Advanced Mechanical Design， Systems， and Manufacturing， 2020， 14（1）： JAMDSM0001.
[10]	ZHANG He， QI Houjun， WENG Lingtao， et al. A Closed-loop Framework for Performance-oriented Design of Superhydrophobic Surfaces［J］. Journal of Materials Science， 2025， 60（44）： 22121-22142.
[11]	GOLSHAN S， RABIEE R， SHAMS A， et al. On the Volume of Fluid Simulation Details and Droplet Size Distribution Inside Rotating Packed Beds［J］. Industrial & Engineering Chemistry Research， 2021， 60（24）： 8888-8900.
[12]	LEGENDRE D， MAGLIO M. Numerical Simulation of Spreading Drops［J］. Colloids and Surfaces A： Physicochemical and Engineering Aspects， 2013， 432： 29-37.
[13]	王喜印，周三平. 基于神经网络和正交实验设计的CO₂柱塞泵容积效率的数值模拟分析［J］. 化工技术与开发， 2024， 53（12）： 70-76.
	WANG Xiyin， ZHOU Sanping. Numerical Simulation Analysis of Volumetric Efficiency of CO₂ Plunger Pump Based on Neural Network and Orthogonal Experimental Design［J］. Technology & Development of Chemical Industry， 2024， 53（12）： 70-76.
[14]	伍星，陈小勇，伍鹏飞，等. 基于WOA-BP神经网络的液滴铺展预测［J］. 包装工程， 2023， 44（13）： 181-187.
	WU Xing， CHEN Xiaoyong， WU Pengfei， et al. Droplet Spreading Prediction Based on WOA-BP Neural Network［J］. Packaging Engineering， 2023， 44（13）： 181-187.
[15]	刘春艳，凌建春，寇林元，等. GA-BP神经网络与BP神经网络性能比较［J］. 中国卫生统计， 2013， 30（2）： 173-176.
	LIU Chunyan， LING Jianchun， KOU Linyuan， et al. Performance Comparison between GA-BP Neural Network and BP Neural Network［J］. Chinese Journal of Health Statistics， 2013， 30（2）： 173-176.
[16]	XUE Xiuyun， TIAN Yu， YANG Zhenyu， et al. Research on a UAV Spray System Combined with Grid Atomized Droplets［J］. Frontiers in Plant Science， 2024， 14： 1286332.
[17]	ADNAN R M， MOSTAFA R R， KISI O， et al. Improving Streamflow Prediction Using a New Hybrid ELM Model Combined with Hybrid Particle Swarm Optimization and Grey Wolf Optimization［J］. Knowledge-Based Systems， 2021， 230： 107379.
[18]	BARDHAN A， SAMUI P， GHOSH K， et al. ELM-based Adaptive Neuro Swarm Intelligence Techniques for Predicting the California Bearing Ratio of Soils in Soaked Conditions［J］. Applied Soft Computing， 2021， 110： 107595.