混合建模将简化的动态塔模型与学习模型系统误差的神经网络相结合。 第一性原理部分描述质量平衡、能量平衡、持液量动态和汽液平衡，而神经网络则表示诸如塔板效率变化、热损失和非理想汽液平衡等难以建模的效应。由此产生的模型能够足够快速地预测塔的行为，从而在强制执行产品纯度和回收率约束的同时，优化随时间变化的回流或热输入策略。
一个实用的混合模型应保留中试塔的物理结构，并有选择地使用神经网络来纠正动态偏差。这种组合既提供了优化所需的速度，又没有丢弃第一性原理建模的可解释性和约束处理能力。
为什么混合建模在间歇蒸馏中很有用
操作难题
间歇蒸馏本质上是动态的：再沸器组成、液体持液量、蒸汽流量和馏出物组成在整个批次过程中都会发生变化。
因此，固定的回流比很少是最佳的。动态优化旨在寻求一种随时间变化的策略，在满足产品规格的同时，最小化批次时间、最大化馏出物产量或提高经济生产率。
纯物理模型的局限性
严谨的第一性原理模型可以包含每个塔板、再沸器、冷凝器和接收器的动态质量和能量平衡。它还可以包括代数平衡关系，从而产生一个微分代数方程组。
然而，中试规模的行为往往难以准确表示。关于恒定相对挥发度、蒸汽流量、塔板效率或热损失的简化假设可能会产生过程模型失配，特别是对于非理想或共沸混合物。
纯神经网络的局限性
神经网络可以快速逼近塔的动态，但未经约束的网络可能会产生物理上不可信的预测。
例如，它可能预测出负的持液量、超出有效范围的组成，或违反组分平衡的行为。当操作条件与训练数据中的条件不同时，其表现也可能很差。
如何构建混合模型
从动态物理模型开始
基础模型应通过以下方程表示主要的过程结构：
- 组分和总质量平衡
- 再沸器和塔板液体持液量动态
- 能量平衡和热输入
- 汽液平衡关系
- 冷凝器、回流和馏出物平衡
- 操作和设备约束
模型最初不需要捕捉每一个工厂细节。其作用是提供物理上有意义的状态转换，并暴露神经网络必须学习的残差行为。
将神经网络用作修正项
神经网络可以被训练来预测测量到的中试工厂行为与物理模型预测之间的差异。
对于过程输出 (y)，混合预测在概念上可以表示为：
[ \hat{y}{hybrid} = \hat{y}{physical} + \hat{y}_{NN,residual} ]
修正项可以针对馏出物组成、累积馏出物组成、馏出物收率、持液量或其他测量的动态变量。
这种残差学习结构使神经网络专注于未建模的效应，而不是要求它从数据中重新发现整个蒸馏过程。
选择动态输入和输出
有用的网络输入包括当前时间、初始持液量和组成、回流比或再沸比、馏出物速率、塔底物料速率以及相关的物理模型状态。
网络应预测直接影响优化的瞬态变量，包括馏出物组成、馏出物持液量、再沸器持液量和再沸器组成。再沸器组成通常值得特别关注，因为那里的预测误差会影响整个批次的轨迹。
使用中试工厂数据进行训练
训练数据应涵盖多种回流策略、操作持续时间、初始组成和相关的热输入条件。
输入和输出在训练前应进行一致的缩放。对于某些中试应用，带有隐藏层的前馈网络可能就足够了，并使用反向传播、动量、自适应学习率和严格的停止准则来提高收敛性。
如何将模型与动态优化集成
定义决策变量
主要的决策变量通常是回流比轨迹 (R(t))。当装置支持时，热输入、再沸速率、溶剂进料、切换时间和收集周期持续时间也可以进行优化。
实际实现通常将轨迹表示为分段常数或分段平滑的区间。这与控制向量参数化 (Control Vector Parameterisation) 兼容，其中每个区间值都成为一个优化变量。
定义目标
优化目标应反映实际的操作目标。
最小时间公式旨在最小化达到指定纯度和回收率目标所需的时间。最大馏出物公式旨在最大化在固定持续时间内收集的纯化产品，而生产率或利润公式则平衡产品价值与公用事业和循环成本。
强制执行过程约束
优化器应强制执行以下约束：
- 产品纯度和回收率
- 最大和最小回流比
- 再沸器或冷凝器容量
- 温度和压力限制
- 可用的批次持续时间
- 可行的持液量和组成值
- 设备特定的操作限制
物理模型在这里特别有价值，因为它提供了一种透明的方式来制定平衡和硬约束。
求解优化问题
混合模型被嵌入到动态优化循环中。对于每个候选回流策略，它预测塔的轨迹，计算目标和约束，并将此信息返回给非线性规划求解器。
使用快速代理修正减少了重复模拟塔的计算成本。这使得为中试工厂实验或近实时决策支持计算操作策略变得更加实用。
针对不同的批次周期使用不同的目标
批次活动可以分为具有不同目标的操作周期。
初始馏出物收集可以被视为最大生产率问题，因为收率和收集时间直接影响性能。当目标纯度或溶剂回收规格固定时，后续的分离周期可以被视为最小时间问题。
在中试塔上应用该方法
针对实验运行进行校准
首先从受控的中试运行中收集动态测量值。这些应包括操作输入和输出，其时间分辨率足以捕捉回流、组成、持液量和馏出物速率的变化。
首先使用已知的设备和热力学信息校准物理模型。然后，神经网络应从实验数据中学习剩余的残差。
在优化前进行验证
验证应使用未包含在网络训练中的操作轨迹。
将混合模型与确定性模型和测量的中试数据进行比较。不仅要检查馏出物纯度，还要检查再沸器组成、持液量、回收率以及重要转换的时间点。
验证优化策略
优化的轨迹应首先在模拟中进行测试，然后与严谨的模型或物理中试运行进行比较。
这一步至关重要，因为策略在预测误差下可能看起来是最佳的，但在实际塔中却可能违反纯度、回收率或设备约束。
保守地实施策略
中试实施应包括针对测量温度、组成、压力和流速的边界、速率限制和监控逻辑。
神经网络应支持操作策略，而不是覆盖基本的安全和可行性检查。当测量值与预测值出现重大偏差时，应重新评估该策略或退回到经过验证的备用策略。
理解权衡
精度取决于训练领域
混合模型仅在其训练数据所代表的条件范围内是可靠的。
在一个狭窄的回流计划集上训练的网络，当暴露于不同的初始组成、热输入或操作约束时可能会失败。因此，实验设计必须覆盖将要进行优化的区域。
速度可能会降低透明度
第一性原理模型解释了塔为何表现出这种行为，而神经网络修正的可解释性较差。
这使得残差诊断变得很重要。大而结构化的残差可能表明缺失了物理效应、测量结果不佳或操作超出了模型的有效范围。
预测误差会扭曲最优解
小的轨迹误差可能会对优化策略产生巨大影响，特别是在接近纯度或回收率约束时。
再沸器组成误差尤为重要，因为它们会影响后续的汽液行为和未来的馏出物组成。训练和验证应对控制可行性的变量应用足够严格的误差容限。
简化仍需谨慎
简化模型可以提高计算效率，但诸如恒定挥发度或恒定蒸汽流量等假设对于强非理想混合物可能仍然不足。
神经网络仅在现有数据支持该修正时才应纠正已知的失配。它不应被用来掩盖基本的热力学或设备模型缺陷。
优化可能会利用模型误差
优化器会根据模型积极寻找最佳结果。如果混合模型包含误差，优化器可能会选择一种策略，故意在误差最有利的区域内运行。
因此，稳健的验证、操作边界和定期重新训练是该方法的一部分，而不是可选的附加项。
为您的目标做出正确的选择
实施方案应与中试工厂的测量值、可用计算资源和操作目标相匹配。
- 如果您的主要重点是最小化批次时间： 使用混合模型来优化有边界的、随时间变化的回流轨迹，同时在最终收集点强制执行纯度和回收率约束。
- 如果您的主要重点是最大化纯化馏出物： 制定一个固定持续时间的优化方案，在约束组成和设备容量的同时，最大化可接受的馏出物收率。
- 如果您的主要重点是实时优化： 倾向于使用具有快速评估、经过验证的操作边界和针对域外条件的备用策略的紧凑型残差网络。
- 如果您的主要重点是模型保真度： 在测量的中试轨迹残差上训练网络，并分别评估组成、持液量、回收率和批次时间误差。
- 如果您的主要重点是教育或研究验证： 使用混合模型比较固定和动态回流策略，然后通过确定性模拟和中试实验验证预测的最优解。
一个设计良好的混合模型可以将物理理解和中试数据转化为更快、更可靠的动态优化，而不会牺牲使间歇蒸馏可行的约束条件。
总结表：
| 组件 | 在动态优化中的作用 |
|---|---|
| 第一性原理模型 | 表示质量和能量平衡、持液量、汽液平衡和设备约束 |
| 神经网络 | 学习来自塔板效率低下、热损失和非理想汽液平衡等效应的残差误差 |
| 决策变量 | 随时间变化的回流、热输入、再沸速率、切换时间或收集周期 |
| 优化目标 | 最小化批次时间、最大化纯化馏出物或提高生产率和利润 |
| 关键约束 | 产品纯度、回收率、回流限制、容量、温度、压力、持液量和组成 |
| 验证要求 | 将预测与未见过的中试数据、严谨的模拟和物理中试运行进行比较 |
| 实施保障 | 应用操作边界、速率限制、监控、备用策略和定期重新训练 |
正在规划中试规模的蒸馏或过程优化项目？联系 LABPARK，讨论用于化学工程、生物过程和生物技术、环境和水处理应用的教育和职业单元操作中试工厂。LABPARK 帮助大学、研究机构和企业构建用于教学、研究、过程验证和操作员培训的实用中试系统。我们的解决方案可以通过可靠的设备和以应用为中心的指导，支持动态建模、回流策略实验、产品纯度研究和混合模型验证。
