可行路径优化与不可行路径优化的主要区别，在于何时强制满足过程可行性。在可行路径方法中，优化器改变控制曲线（例如回流比），并在每次迭代中对完整的间歇精馏 DAE/ODE 模型进行积分，因此每条被评估的轨迹都满足过程方程。在不可行路径方法中，优化器同时离散化控制曲线和动态过程方程，求解由此得到的代数优化问题，即使中间迭代点尚未满足模型方程也可以进行求解。
可行路径优化在整个搜索过程中都能提供物理一致的轨迹，但由于需要反复积分动态模型并计算梯度，计算成本可能较高。不可行路径优化通常能够更直接地计算代数梯度，并可能具有更好的计算性能，但只有在优化收敛时才恢复可行性。
为什么间歇精馏需要动态优化
过程状态持续变化
间歇精馏本质上是非稳态过程。随着批次进行，挥发性组分不断从再沸器和精馏塔中减少，导致液体持液量、温度、组成和分离行为随时间变化。
稳态优化模型无法充分描述这些瞬态效应。因此，中试装置需要通过常微分方程（ODE）或微分代数方程（DAE）来建立动态模型。
控制曲线决定分离路径
主要决策变量通常是随时间变化的回流比，尽管再沸器热负荷和终止阈值也可以进行优化。所选择的控制轨迹会影响产品纯度、回收率、馏出液体积、批次时间和能耗。
精馏的热力学图也会限制可达到的残液和馏出液组成。这意味着产品规格通常不能独立于回收率及其他强度操作量进行选择。
优化目标具有操作性
典型目标包括：
- 在满足纯度和回收率目标的同时，使批次时间最短。
- 在固定时间内最大化收集的纯化馏出液量。
- 通过平衡产品价值、公用工程成本、原料成本和周期性管理费用，使利润最大化。
优化还必须满足最高再沸器温度、最低产品纯度和最低再沸器液位等约束。
可行路径优化如何工作
仅直接离散化控制变量
在可行路径方法中，控制曲线通过时间区间、控制向量参数化或其他有限维表示方式进行参数化。例如，回流比可以由一系列分段常数或分段线性值定义。
对于每一条试验控制曲线，完整的动态模型都会沿时间方向进行积分。得到的状态轨迹提供组成、温度、持液量及其他变量，用于评估目标函数和约束。
每条被评估的轨迹都满足模型
由于 DAE 或 ODE 系统在每次迭代时都会进行积分，计算得到的轨迹与过程方程一致，但会受到数值积分精度的影响。因此，优化器搜索的是控制变量，而过程状态由模型生成。
这是可行路径方法的定义性特征：在优化搜索期间保持动态可行性。
梯度是主要计算成本
目标函数和约束的梯度必须描述回流、热负荷或切换时间的变化如何影响整个状态轨迹。在间歇精馏中，这类灵敏度计算可能占总计算时间的很大一部分。
常见方法包括：
- 有限差分：方法简单，但需要重复评估模型，并且对扰动幅度较为敏感。
- 伴随方程：先沿正向积分过程模型，再沿反向积分伴随系统；当控制变量数量相对于约束数量较多时，这种方法效率较高。
- 状态轨迹灵敏度：同时积分状态及其灵敏度，通过避免反向积分来提高数值稳定性。
不可行路径优化如何工作
状态和控制变量都是优化变量
不可行路径方法同时离散化动态方程和控制曲线。在选定的时间点上，过程状态值与回流比、热负荷或其他控制变量一起成为优化变量。
随后，通常通过直接转录或配点程序，将微分方程和代数方程转换为一组代数等式约束。
通过约束强制实现可行性
中间优化迭代点可能违反离散化后的过程方程。因此，这些迭代点被称为不可行路径：在搜索的早期阶段，所提出的状态和控制值不一定构成物理上有效的间歇精馏轨迹。
非线性规划求解器会逐步减小这些方程残差，直到最终解在规定容差范围内满足动态模型。
梯度来自代数形式
动态模型离散化后，可以直接根据所得代数方程及其导数计算梯度。与可行路径方法不同，优化器不一定需要在每次迭代中以相同方式单独积分完整的动态模型。
对于大型约束问题，这种形式具有吸引力，因为动态方程、路径约束、控制边界和终点规格可以在一个非线性规划问题中统一处理。
对中试装置优化的实际影响
可行路径强调有效轨迹
当需要在整个搜索过程中检查或评估物理一致的轨迹时，可行路径优化非常有用。每一次控制试验都会产生一条遵守积分模型的过程轨迹，从而简化结果解释，并支持基于仿真的验证。
当已有动态仿真器能够提供可靠的正向积分，且控制参数数量适中时，可行路径也是一种自然选择。
不可行路径强调统一优化
不可行路径优化将控制曲线和离散化状态轨迹作为一个统一的优化问题处理。这使得在特定时间点或整个批次过程中施加状态约束更加容易，包括温度限制、纯度边界、持液量限制和再沸器操作限制。
其代数结构还可以提供高效的导数计算，尤其是在结合解析微分或自动微分时。
两种方法都可以表示相同的控制问题
两者的区别并不在于动态优化和非动态优化。两种方法都可以求解由 DAE 或 ODE 控制的间歇精馏动态问题。
区别在于过程状态的数值处理方式：可行路径方法通过积分生成状态，而不可行路径方法则在动态方程约束下优化离散化状态。
理解其中的权衡
计算成本
可行路径方法可能需要大量正向积分和反复的灵敏度计算。有限差分梯度尤其耗费计算资源，因为每个受扰动的控制曲线都可能需要再次进行完整的批次模拟。
不可行路径方法不完全依赖反复的正向仿真，但可能生成包含大量状态变量和等式约束的大型非线性规划问题。由此产生的问题可能需要较大的内存以及功能强大的稀疏 NLP 求解器。
数值稳健性
可行路径优化的优势在于每条模拟轨迹都遵守模型动态。然而，尖锐的组成变化、相行为变化或接近奇异的 DAE 等困难区域，可能使积分和灵敏度计算变得具有挑战性。
不可行路径方法可以在动态不一致的中间状态之间移动。这种灵活性可能提高优化器找到解的能力，但不良的尺度设置、较弱的初始化或条件不良的离散化方程也可能导致收敛困难。
约束处理
可行路径方法可以沿积分轨迹评估状态约束，但要准确执行约束，需要合适的时间网格和事件处理。否则，评估点之间的重要约束违反可能会被遗漏。
不可行路径方法可以自然地将状态值和路径约束纳入 NLP。其精度仍取决于网格分辨率和离散化质量，因此必须根据原始连续时间模型检查已收敛的 NLP 解。
初始化和模型质量
可行路径方法通常需要一个初始控制曲线，但相应的状态轨迹由仿真器生成。当模型能够可靠积分时，这可以使初始化相对简单。
不可行路径方法可能需要同时为控制变量和状态变量提供初始猜测。动态一致的初始轨迹会有所帮助，但并非始终必需；求解器可以在优化过程中降低初始模型残差。
验证要求
无论采用哪种方法，都不能免除独立验证的需要。最终控制策略应使用原始高保真 DAE/ODE 模型进行仿真，检查其是否满足所有安全和产品约束，并在参数变化条件下进行测试。
对于中试装置而言，如果进料组成、热力学参数、传热条件或测量条件存在不确定性，可能导致纯度或温度限制被违反，那么仅满足标称条件下的可行性是不够的。
如何在两种方法之间进行选择
适合采用可行路径的情况
当中试装置已经拥有可信赖的正向仿真器、控制变量数量有限，并且具有物理有效的中间轨迹对于分析很有价值时，可行路径优化通常较为适合。
当稳健的轨迹灵敏度或在线灵敏度信息比在一个统一形式中求解超大型优化问题更重要时，这种方法也很有用。
适合采用不可行路径的情况
当问题包含大量状态约束和路径约束、多个控制区间、切换决策或紧密耦合的操作限制时，不可行路径优化通常更具优势。
当具备直接转录、配点、稀疏导数和非线性规划基础设施时，这种方法尤其具有吸引力。
混合工作流程也可能有效
两种方法可以结合使用。可以先通过可行仿真生成高质量的初始状态轨迹，然后使用不可行路径形式，在施加详细约束的同时进一步优化控制变量和状态变量。
反过来，不可行路径解也可以为高保真可行路径仿真及后续基于灵敏度的优化提供初始控制策略。
根据目标做出正确选择
最佳形式取决于装置模型、优化规模、约束结构以及可用的导数技术。
- 如果您的主要关注点是可靠的正向仿真和具有物理可解释性的轨迹：采用带有高效灵敏度方程或伴随梯度的可行路径方法，然后使用完整的中试装置模型验证最终的回流和热负荷曲线。
- 如果您的主要关注点是大规模约束优化：采用基于直接转录或配点的不可行路径形式、稀疏非线性规划，并对动态约束和操作约束进行仔细的尺度处理。
- 如果您的主要关注点是实时或快速重复优化：可以考虑使用简化的多项式模型或代理模型进行筛选，然后在应用操作策略前进行高保真动态验证。
- 如果您的主要关注点是稳健的中试装置运行：无论采用哪种形式，都应针对最不利的参数变化、温度限制、纯度要求、再沸器液位约束以及进料条件不确定性进行测试。
正确的选择应在计算成本、约束可靠性、导数质量以及优化策略在实际间歇精馏中试装置上保持安全和有效的信心之间取得平衡。
总结表：
| 方面 | 可行路径 | 不可行路径 |
|---|---|---|
| 状态处理 | 通过积分 ODE/DAE 模型生成状态。 | 状态和控制变量一起进行优化。 |
| 可行性 | 每条被评估的轨迹都满足过程模型。 | 通过动态方程约束恢复可行性。 |
| 主要优势 | 物理一致且易于解释的轨迹。 | 统一处理大规模约束。 |
| 主要挑战 | 反复仿真和灵敏度计算可能成本高昂。 | 大型非线性规划可能需要大量内存和仔细的尺度处理。 |
| 适用场景 | 可信赖的仿真器、适中的控制维度和轨迹分析。 | 大量状态约束、控制区间、切换决策或严格限制。 |
| 验证 | 使用原始高保真模型验证最终策略。 | 根据连续时间模型检查离散化解。 |
| 建议做法 | 尽可能使用灵敏度或伴随梯度。 | 使用带有稀疏导数的直接转录或配点方法。 |
充满信心地优化您的中试装置
需要为您的过程选择合适的优化方法吗？联系 LABPARK，讨论根据您需求定制的教育或职业培训单元操作中试装置。LABPARK 为化学工程、生物过程与生物技术以及环境与水处理应用提供中试装置。
我们的系统帮助大学、研究机构和企业评估动态过程行为、开发控制策略、培训操作人员，并在真实条件下验证优化后的操作策略。我们可以支持涉及回流控制、热负荷优化、纯度和回收率目标、温度限制、再沸器液位以及基于模型验证的间歇精馏研究。欢迎联系 LABPARK，以确定合适的配置、整合您的过程目标，并为研究、教学、放大和工业过程改进建立可靠的平台。
