通过实验验证的混合神经网络预测了CO?/N?在CMS（碳分子筛）和SG（硅胶）上的吸附过程中所表现出的完整动态突破行为

《Separation and Purification Technology》：Full dynamic breakthrough behaviors of CO 2/N 2 adsorptions on CMS and SG predicted by an experimentally validated hybrid neural network

本研究提出基于注意力机制的LSTM-MSoS混合神经网络模型，可预测CO2/N2在CMS和SG吸附床中的动态浓度分布及温度场演化。通过贝叶斯算法优化模型结构，实现与实验数据R2>0.99的高精度匹配。参数研究表明，降低进料流速和初始温度、提高吸附压力可延长突破时间，为PSA工艺设计提供直接指导。CMS相较于SG展现出更优的CO2捕获性能，并在六步真空PSA循环中证实其显著的经济优势。

　　近年来，随着全球对碳捕集、利用与封存（CCUS）技术的重视，碳捕集领域迎来了快速发展。二氧化碳（CO?）作为主要的温室气体之一，其浓度在2023年已达到420 ppm，对全球气候系统产生了深远影响。面对这一挑战，研究人员不断探索高效、经济的捕集方法，其中压力切换吸附（PSA）技术因其低投资成本、设备简单以及操作灵活等特点，被广泛应用于工业领域。然而，PSA技术的性能在很大程度上依赖于吸附剂的选择和工艺设计，因此如何高效筛选适合的吸附剂成为关键问题。

传统上，吸附剂的筛选主要基于静态指标，如CO?的吸附选择性和容量。然而，这些指标无法全面反映吸附剂在动态PSA过程中的真实性能。近年来，研究者发现，通过分析混合气体在吸附床中的穿透行为，可以更准确地评估吸附剂的动态吸附能力。穿透曲线不仅揭示了吸附剂在实际操作条件下的性能表现，还为吸附床尺寸、工艺周期和再生频率的设计提供了依据。其中，穿透时间是设定PSA吸附步骤持续时间的重要基础，因此研究干烟气在吸附床中的穿透行为具有重要意义。

为了应对传统机器学习模型在预测穿透曲线方面存在的局限性，本研究提出了一种混合神经架构模型——AttentiveLSTM-MSoS（基于注意力机制的长短期记忆网络用于多通道时空序列建模）。该模型能够预测干烟气在固定床中CO?/N?气体与固体浓度的时空演变，以及吸附剂的温度变化。与传统模型不同，AttentiveLSTM-MSoS不仅关注特定的穿透点（如5% CO?出口浓度），还能够预测完整的穿透曲线，从而提供更全面的吸附剂性能评估。这种模型的引入，使得吸附剂的筛选过程更加高效，同时也为PSA工艺的优化提供了新的思路。

在模型设计方面，本研究采用了基于一维平流模型的吸附床模拟方法。为了降低计算成本并确保模拟结果的可靠性，模型对吸附床进行了20个节点的离散化处理。同时，模型假设吸附床中的压力降遵循Ergun方程，气体与吸附剂之间的质量传递则通过线性驱动模型进行描述。这些假设为模型的构建提供了理论基础，并有助于提高模拟的准确性和效率。

为了验证模型的准确性，本研究在确定AttentiveLSTM-MSoS的结构后，采用贝叶斯优化算法对模型的超参数进行了系统优化。通过100次独立的优化实验，模型的预测误差被有效降低。同时，研究引入了早期停止机制，以确保计算效率并防止模型过拟合。最终，模型在预测精度和计算速度方面均表现出色，能够准确反映吸附剂在不同操作条件下的动态行为。

此外，本研究还通过参数分析探讨了进料流速、初始温度和吸附压力等因素对CO?穿透时间、质量传递区时间长度、平衡点、无量纲时间和饱和前沿速度的影响。这些动态指标不仅揭示了吸附剂的性能差异，还为吸附剂的选择提供了定量依据。通过对比不同吸附剂的动态行为，研究发现，碳分子筛（CMS）在相同条件下表现出更长的无量纲穿透时间，表明其在CO?捕集方面具有更优的性能。而硅胶（SG）虽然在某些条件下表现稳定，但其在动态性能上略逊于CMS。

为了进一步验证模型的泛化能力，本研究采用拉丁超立方采样（LHS）方法生成了多种操作条件组合，并通过DM模型（详细模型）生成了CO?/N?气体与固体浓度以及吸附剂温度的时空数据。这些数据用于训练AttentiveLSTM-MSoS模型，并通过贝叶斯优化算法确定了最优的模型架构。最终，模型在预测精度、泛化能力和预测速度方面均表现出色，能够准确预测干烟气在不同吸附剂上的动态穿透行为。

在实验验证方面，本研究对一个两床六步的真空PSA（VPSA）循环进行了实验和模拟。实验结果表明，CMS在CO?捕集过程中表现出显著的经济优势。相较于SG，CMS不仅在捕集效率上更优，还能在不同操作条件下提供更长的穿透时间，从而减少吸附剂的再生频率，降低运行成本。这些结果进一步验证了AttentiveLSTM-MSoS模型的有效性，并为实际工程应用提供了理论支持。

通过本研究的探索，可以发现，传统的吸附剂筛选方法存在诸多不足，尤其是在面对新型吸附材料快速涌现的情况下，静态指标已无法满足实际需求。而动态指标，如穿透曲线的形状和关键时间点，能够更全面地反映吸附剂的性能。因此，建立能够预测完整动态穿透行为的模型，成为优化吸附剂筛选和PSA工艺设计的关键。AttentiveLSTM-MSoS模型的提出，不仅解决了传统模型在预测精度和计算效率上的问题，还为吸附剂的选择提供了新的工具和方法。

在实际应用中，研究人员可以通过AttentiveLSTM-MSoS模型快速评估不同吸附剂在多种操作条件下的动态性能，从而优化吸附剂的选择和工艺设计。这不仅提高了吸附剂筛选的效率，还降低了实验成本和计算负担。此外，该模型能够揭示穿透曲线的形成机制，为吸附剂的性能改进提供了理论依据。例如，通过分析饱和前沿速度，可以了解吸附剂在不同操作条件下的吸附能力变化，从而指导吸附床的设计和操作优化。

总之，本研究通过提出一种新的混合神经架构模型，为PSA技术在CO?捕集中的应用提供了新的思路和工具。该模型不仅能够准确预测吸附剂的动态行为，还能够在多种操作条件下快速筛选出性能最优的吸附材料。随着人工智能（AI）技术的不断发展，其在吸附剂筛选和工艺优化中的应用前景广阔。未来的研究可以进一步探索模型在不同应用场景下的适用性，以及如何结合实验数据和理论模型，提高吸附剂筛选的准确性和效率。