将装置建模为结构化线性系统。稳态单元操作试验装置中的多组分工艺物流通常可以表示为同时物料衡算方程，其形式为 (A\mathbf{x}=\mathbf{b})。未知向量 (\mathbf{x}) 包含物流流量、组分流量或反应进度；(A) 包含衡算和工艺约束系数；(\mathbf{b}) 包含已知进料数据及其他常数。当方程相互独立且系统定义适当时，数值求解器可以直接计算未知工艺变量。

最可靠的建模方式是将组分流量作为未知量，因为这样物料衡算可以保持线性。在进行数值求解前，应先检查矩阵秩和自由度，以便在冗余、缺失或不一致的方程产生误导性结果之前发现这些问题。

如何建立工艺模型

定义物流和组分

首先列出所有进入、离开、循环通过或旁路经过单元操作的物流。对于每股物流，确定其总流量以及每种组分的流量或组成。

对于包含组分 (A)、(B) 和 (C) 的物流，其组分流量可以写成

[ \mathbf{n}s = \begin{bmatrix} n{A,s}\ n_{B,s}\ n_{C,s} \end{bmatrix}. ]

与同时使用总流量和组成相比，这些组分流量通常更适合作为主要变量。

谨慎选择未知变量

物流总流量 (F_s) 和组分质量分数 (w_{i,s}) 之间的关系为

[ n_{i,s}=F_s w_{i,s}. ]

如果 (F_s) 和 (w_{i,s}) 都是未知量，这个乘积会引入非线性项。直接使用 (n_{i,s}) 可以避免这一问题，并且当工艺关系为线性时，使衡算方程保持线性。

为每种组分编写一个衡算方程

对于非反应稳态单元，组分 (i) 的衡算为

[ \sum_{\text{in}} n_{i,s}

\sum_{\text{out}} n_{i,s} =0. ]

对于反应单元，应加入反应项或反应进度：

[ \sum_{\text{in}} n_{i,s}

\sum_{\text{out}} n_{i,s} + \sum_r \nu_{i,r}\xi_r =0, ]

其中，(\nu_{i,r}) 是反应 (r) 中组分 (i) 的化学计量系数，(\xi_r) 是反应进度。

将衡算转换为矩阵代数

组装未知向量

将所有未知组分流量、物流流量和反应进度收集到一个向量中：

[ \mathbf{x}= \begin{bmatrix} n_{A,1} & n_{B,1} & n_{C,1} & n_{A,2} & \cdots & \xi_1 \end{bmatrix}^{T}. ]

变量的排列顺序可以任意，但在构造系数矩阵时必须保持一致。

构造系数矩阵

每个衡算方程构成 (A) 的一行。进入物流中的组分流量对应正系数，而离开物流中的组分流量对应负系数。

例如，如果组分 (A) 从物流 1 进入，并从物流 2 和 3 离开，则有

[ n_{A,1}-n_{A,2}-n_{A,3}=0. ]

(A) 中相应的一行会在这些变量对应的列中包含 (+1)、(-1) 和 (-1)。

工艺规格会生成额外的行。例如：

[ n_{B,2}=0.30n_{B,1}, ]

或

[ n_{A,3}=0.85n_{A,1}. ]

将每个方程重新整理为未知量位于左侧后，即可得到输入 (A) 的系数。

将已知量放入右端项

已知进料、测得的产品流量、固定组成和其他常数应放入 (\mathbf{b})。例如，

[ n_{A,1}-n_{A,2}=25 ]

当已知工艺数据已经重新整理为该形式时，右端项的值为 (25)。

最终模型为

[ A\mathbf{x}=\mathbf{b}. ]

这种表示方式将工艺结构 (A) 与操作数据 (\mathbf{b}) 分离开来，有利于进行模拟和重复计算。

检查模型是否可解

进行自由度分析

自由度计算如下：

[ \text{DOF}

\text{未知量数量}

\text{独立方程数量}。 ]

自由度为零的系统说明系统已被准确规定。正值表示需要额外的规格，而负值则表明模型可能规定过度或包含冗余方程。

仅计算方程数量是不够的，因为两个方程可能表达的是同一个物理约束。

检查系数矩阵的秩

对于方阵系统，唯一解要求

[ \operatorname{rank}(A)=n, ]

其中 (n) 是未知量的数量。如果矩阵为方阵且满秩，则其列相互独立，解是唯一的。

对于矩形系统，应比较 (A) 和增广矩阵 ([A\ \mathbf{b}]) 的秩。相容系统要求

[ \operatorname{rank}(A)

\operatorname{rank}([A\ \mathbf{b}])。 ]

如果这个公共秩等于未知量的数量，则解是唯一的。

区分冗余信息和缺失信息

矩阵秩亏可能是由于冗余衡算造成的，例如同时包含所有组分衡算以及一个实际上是这些组分衡算之和的总衡算。它也可能源于缺失的规格、重复的测量值或错误输入的工艺约束。

秩检验可以识别数学上的症状，但工程师必须检查物理方程以确定具体原因。

进行计算求解

使用直接线性求解器

首选的数值操作是直接求解系统，而不是显式计算 (A^{-1})。在 MATLAB 或 Octave 中，使用：

x = A \ b;

在使用 NumPy 的 Python 中，使用：

import numpy as np

x = np.linalg.solve(A, b)

这些程序使用基于分解的算法，通常比显式构造矩阵逆更稳定、更高效。

验证计算结果

求解后，计算残差：

[ \mathbf{r}=A\mathbf{x}-\mathbf{b}. ]

较小的残差表明计算所得的解在数值上满足这些方程。

在 Python 中：

residual = A @ x - b
residual_norm = np.linalg.norm(residual)

应结合问题的数量级和单位来解释残差。当工艺变量的数量级差异很大时，仅有较小的绝对残差可能并不充分。

处理测量数据和超定数据

试验装置通常会产生多于精确衡算模型所需数量的测量值。在这种情况下，系统可能是超定的，适合采用最小二乘解：

x, residuals, rank, singular_values = np.linalg.lstsq(A, b, rcond=None)

最小二乘估计可以支持数据协调，通过寻找最能满足衡算的工艺变量，同时考虑测量数据之间的不一致性。

还可以根据测量不确定度对测量值进行加权。可靠性更高的测量值应比噪声较大的测量值具有更大的影响。

将该方法应用于回流和分离单元

将回流物流作为未知量建模

回流物流会产生反馈关系，因为工艺某一部分的出口会成为另一部分的入口。其未知组分流量仍然可以包含在 (\mathbf{x}) 中。

对于如下线性回流关系：

[ \mathbf{n}_{R}

\alpha \mathbf{n}_{P}, ]

每种组分的关系都可以构成矩阵的一行。这样得到的系统可以同时求解，而不必通过反复手动代入来计算回流。

明确表示分离规格

萃取、蒸馏、吸收和膜模型通常包含回收率、分流比例或分配规格。线性分流关系可以写成

[ n_{i,\text{out},1}

\beta_i n_{i,\text{in}}, ]

剩余物料则分配到另一个出口。

如果分流比例是已知常数，这些关系可以保持线性。如果它们取决于未知的组成、温度、压力或平衡变量，则模型会变为非线性，需要采用不同的求解策略。

通过化学计量系数纳入反应

反应进度为纳入化学转化提供了一种紧凑方式。每个反应的化学计量贡献可以直接放入系数矩阵中。

对于多个反应，化学计量系数构成矩阵结构的一部分，而反应进度则成为 (\mathbf{x}) 中的额外条目。

了解其中的权衡

线性模型高效但存在局限

线性矩阵模型快速、透明，非常适合系数已知的稳态衡算。对于涉及固定分流、已知回收率、线性回流关系和测得物流流量的许多试验装置计算，它们都很有效。

但它们无法完整表示系数随未知解变化的关系。例如相平衡、依赖组成的传递性质、非线性反应动力学以及某些能量衡算。

奇异矩阵可能产生无效结果

诸如“矩阵在工作精度下为奇异矩阵”的警告表示，相对于所使用的数值精度，矩阵是奇异的或接近奇异。计算结果可能不是唯一的、对输入数据高度敏感，或者在数值上没有意义。

Inf 或 -Inf 等未定义输出是计算失败或问题设置不适定的症状，而不是有效的工艺预测。

病态性可能掩盖模型问题

矩阵可能满秩，但仍然是病态的。在这种情况下，微小的测量误差或舍入误差都可能导致计算所得物流流量发生较大变化。

将变量和方程缩放到相近的数值量级可以改善数值行为，但缩放无法修复物理上错误或规格不足的模型。

扩散矩阵需要额外注意

多组分扩散会引入耦合通量，例如可以写成矩阵形式：

[ -\mathbf{j}

\mathbf{D}\nabla\mathbf{c}, ]

其中 (\mathbf{D}) 的非对角元素表示组分之间的耦合。矩阵方法可以分析或变换该系统，但完整的试验装置模型可能仍然需要空间离散化，并求解微分方程或非线性方程。

该传递问题与矩阵代数有关，但不同于较简单的代数物流衡算问题 (A\mathbf{x}=\mathbf{b})。

常见建模错误

将未知流量和组成相乘

当同时将 (F_s w_{i,s}) 中的两个变量视为未知量时，会产生非线性方程。在适合采用线性建模的情况下，应使用组分流量变量替代该乘积。

包含相互依赖的衡算

总衡算可能是所有组分衡算之和。如果没有意识到这种依赖关系而同时包含两者，可能会降低矩阵秩并产生奇异系统。

遗漏工艺规格

含有未知出口流量、分流比例或组成的模型可能具有正自由度。数值求解器无法仅根据衡算方程推断缺失的物理信息。

将不一致的测量值视为精确值

由于传感器误差、未测量损失、瞬态运行或取样差异，试验装置测量数据可能无法精确满足每个衡算。对于这种情况，应使用残差分析和加权最小二乘，而不是强行求取精确解。

如何将其应用于您的项目

可靠的工作流程是：定义组分层面的未知量，编写相互独立的衡算和规格，组装 (A) 和 (\mathbf{b})，检查秩和自由度，使用直接数值程序求解，并检查残差及物理可行性。

如果您的主要重点是稳态物流计算：使用组分流量作为未知量，并通过 A \ b 或 numpy.linalg.solve 求解完整的衡算网络。
如果您的主要重点是回流或分离分析：只要系数已知，就将回流流量和分流关系纳入同一个联立系统。
如果您的主要重点是试验装置数据协调：使用超定或加权最小二乘形式，并根据测量不确定度评估残差。
如果您的主要重点是非线性反应或传递行为：在可能的情况下保留矩阵衡算结构，但对于依赖组成的关系，应使用非线性或微分方程求解器。

通过严格选择变量、检查方程独立性并验证残差，矩阵代数可以将复杂的多组分试验装置衡算转化为计算上易于处理的工艺模型。

总结表：

建模领域	推荐方法	关键检查
变量	使用组分流量和反应进度	避免未知流量与组成的乘积
方程	将组分衡算与工艺规格结合	确认方程相互独立
矩阵模型	将系统组装为 `A x = b`	保持变量顺序一致
可解性	检查自由度和矩阵秩	识别缺失或冗余约束
数值求解	使用 `A \\ b` 或 `numpy.linalg.solve` 等直接线性求解器	检查残差和物理可行性
测量数据	采用最小二乘或加权最小二乘方法	考虑测量不确定度
回流和分离	将回流流量和固定分流关系纳入矩阵	当系数依赖于未知量时使用非线性求解器