日前，淮阴工学院矿盐中心联合上海交通大学在国际化工领域三大顶级期刊之一《AIChE Journal》（美国化学工程师协会会刊）在线发表题为“A differentiable deep learning approach for inverse optimization of hopper flows in particulate manufacturing”的创新性研究成果。该研究突破性构建了基于深度学习的化工颗粒系统智能优化新范式，为化工智能优化提供了创新解决策略。我校研究生刘程博为论文第一作者，矿盐中心（化工学院）洪坤教授和上海交通大学陈锡忠教授为论文通讯作者。

针对化工颗粒料斗结构设计与流量调控的核心难题，研究团队创新性提出了“逆向智能优化”新范式。区别于传统依赖数值模拟的正向设计方法，团队开发的可微分图神经网络（DifferentiableGraph Neural Network）构建了“数据驱动建模-智能正向预测-可微分反向设计”的闭环优化体系，为工业级颗粒流体系统的智能调控与装备创新提供了全新解决方案。该模型通过建立颗粒系统多物理场的动态关联，实现了料斗几何参数的逆向解析与流动特性的精准反演。相关数值模拟验证与应用研究表明，新方法在保证设计精度的同时，将优化效率提升达24倍，成功应用于工业级颗粒混合装置的智能调控过程。

近年来，矿盐中心科研团队在化工三大顶级期刊《AIChE Journal》《Chemical Engineering Science》《Industrial & Engineering Chemistry Research》实现高水平成果全覆盖，有力提升了化工学科的国际影响力，也为我校化工博士点培育提供了重要的支撑。