基于长短期记忆网络的活性炭柱烃类吸附-解吸动态预测及其在智能减排系统中的应用

《Engineering Applications of Artificial Intelligence》：Prediction of hydrocarbon adsorption–desorption dynamics in activated carbon columns using long short-term memory networks for intelligent removal systems

本研究针对石化行业烃类(HC)排放控制难题，开发了长短期记忆(LSTM)神经网络模型预测活性炭吸附柱的动态行为。通过对比单变量与多变量LSTM模型，发现多变量模型在解吸阶段HC浓度预测达到R2=0.9336，而单变量模型更擅长吸附阶段预测(R2=0.7451)。该智能模型为工业排放系统的实时优化提供了新方案，有望实现更精准的吸附-解吸循环控制。

　　

在石化工业快速发展的今天，烃类(Hydrocarbon, HC)化合物的排放控制已成为环境保护的重要课题。这些挥发性有机物不仅是细颗粒物的前体物质，部分组分还具有致癌风险，对人类健康构成严重威胁。随着环保法规日益严格，传统的吸附控制技术面临新的挑战——活性炭(Activated Carbon, AC)吸附柱的吸附-解吸过程具有高度动态特性，受入口浓度、流速等多因素影响，常规静态模型难以实现精准预测。

为突破这一技术瓶颈，Mita Nurhayati等研究者在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将长短期记忆(Long Short-Term Memory, LSTM)神经网络引入烃类吸附-解吸系统建模。该研究通过系统比较单变量与多变量LSTM模型的预测性能，为工业排放控制提供了智能化的解决方案。

关键技术方法主要包括：构建实验系统采集不同浓度(100-1000 ppm)烃类气体的吸附-解吸动态数据；设计并优化LSTM神经网络架构，分别训练单变量（仅使用HC浓度）和多变量（同时使用HC浓度和流速）预测模型；采用混淆矩阵评估模型的循环识别能力；最后将优化模型应用于平行吸附-解吸系统的实时控制验证。

系统性能分析

通过分析不同浓度下的吸附持续时间发现，100 ppm时吸附周期最长（22-23分钟），而1000 ppm时最短（13-15分钟），证实了浓度与吸附速率的负相关关系。解吸阶段则呈现典型的三阶段特征：快速解吸、缓慢解吸和稳定状态，其中高浓度条件下的解吸更完全。

模型预测性能比较

多变量LSTM模型在系统整体动态预测中表现卓越，解吸阶段HC浓度预测R²达0.9336，流速预测R²>0.96。单变量模型在吸附阶段HC浓度预测更优(R²=0.7451)，显示其在单一参数预测中的独特优势。混淆矩阵分析表明两种模型的循环识别准确率均超过99%，其中多变量模型的误分类率更低。

实际应用验证

将LSTM模型集成到平行吸附-解吸系统后，成功实现了吸附柱切换时机和循环周期的动态优化。该智能系统能够根据实时预测结果调整操作参数，并提前检测性能衰减，为工业现场的持续优化提供了技术支撑。

该研究证实了LSTM神经网络在复杂工业过程建模中的巨大潜力。多变量模型适用于需要全面监控的场景，而单变量模型则在特定参数预测中更具优势。这种基于实际应用需求和计算资源约束的模型选择策略，为智能制造时代的工业排放管理提供了新范式。通过动态优化吸附-解吸循环，不仅能够提高减排效率，还能显著降低运营成本，推动石化行业向更智能、高效、可持续的方向发展。