基于大语言模型的真空瓦斯油加氢处理多目标建模框架

为解决传统机理建模方法对加氢处理过程理解要求高、数据驱动建模需跨学科专业知识的问题，研究人员开发了基于GPT-4的AI辅助框架，通过精心设计的提示词（DHSD/DHMC/DHE）指导构建多目标神经网络模型（BP/LSTM/CNN），预测精制柴油（RD）和精制瓦斯油（RGO）的关键性质，并优化VGO进料速率。该研究为化学工程领域提供了低门槛的AI建模新范式。

　　

随着环保法规日益严格，炼油工业中的加氢处理技术成为生产清洁燃料的关键环节。该工艺通过去除硫、氮等杂质提升油品质量，但传统机理建模需要深厚的专业知识，而数据驱动方法又受限于编程与数据科学门槛。如何让缺乏跨学科背景的研究者高效建立精准模型，成为制约加氢处理工艺优化的瓶颈。

针对这一挑战，中国某高校研究团队在《Chinese Journal of Chemical Engineering》发表论文，创新性地将大语言模型（LLM）GPT-4引入化学工程建模领域。通过设计三类结构化提示词——数据驱动加氢处理阶段划分器（DHSD）、方法选择器（DHMC）和执行器（DHE），指导研究者完成从数据预处理到模型优化的全流程。研究采用中国炼油厂的日常操作数据，涵盖反应温度、压力、原料及循环氢组成等变量，以精制柴油和精制瓦斯油的密度、馏程范围等为预测目标。

关键技术方法包括：1）基于提示工程构建GPT-4交互框架；2）采用反向传播神经网络（BP）、长短期记忆网络（LSTM）和卷积神经网络（CNN）三类模型；3）应用梯度加权类激活映射（Grad-CAM）解析特征重要性；4）结合多目标优化算法调整VGO进料速率。

Prompt engineering
研究团队开发的分阶段提示系统显著降低了建模复杂度。DHSD将流程划分为数据预处理、模型构建等阶段，DHMC为每个阶段推荐方法（如标准化处理或LSTM结构），DHE则生成可执行的Python/MATLAB代码。这种模块化设计使非专业人士能高效推进建模。

Prompt engineering and GPT-4-generated results
实际应用显示，GPT-4生成的CNN模型表现最优，其预测结果与工业数据吻合良好。通过Grad-CAM分析发现，反应温度和原料密度是对输出影响最显著的特征，这为工艺调控提供了明确方向。优化后的VGO进料方案在保证产品质量的同时提升了处理效率。

Conclusions
该研究实现了三大突破：1）验证了LLM在降低化学工程建模门槛方面的可行性；2）建立了可迁移至其他复杂过程的提示词体系；3）为工业数据驱动建模提供了自动化解决方案。团队特别指出，精心设计的提示词是成功关键，其包含的领域知识引导GPT-4输出符合工程逻辑的结果。

这项工作的意义不仅在于加氢处理模型的精准度提升，更开创了"AI指导AI建模"的新范式。通过将LLM作为"跨学科翻译器"，有效弥合了化学工程与数据科学之间的鸿沟。未来，该框架有望拓展至催化裂化、聚合反应等更多化工场景，加速工业智能化的进程。