机器学习辅助元启发式优化在可持续分离合成中的应用研究

为解决化工分离过程中能耗高、碳排放大的问题，研究人员开发了一种基于机器学习(ML)和遗传算法(GA)的自动化压力摆动蒸馏(PSD)优化框架。该研究通过k均值聚类实现三元相图可行性验证，结合热集成技术，使最优热集成PSD(OHIP)较传统工艺降低能耗31.68%–35.80%、年成本26.75%–31.06%，并将碳捕集利用(CCU)与碳信用纳入经济评估，为化工行业碳中和提供创新解决方案。

　　

在全球碳中和背景下，化工行业面临严峻的减排压力。作为化工生产核心环节，蒸馏过程贡献了工业能耗的40%，其中共沸物分离更是能源黑洞。传统压力摆动蒸馏(PSD)虽能分离压力敏感型共沸物，但其多塔操作模式导致能耗居高不下，伴随大量CO₂、NO_x和SO_x排放。更棘手的是，现有PSD设计高度依赖专家经验，面对复杂的三元共沸体系时，人工评估效率低下且主观性强。如何实现共沸分离过程的智能化设计与节能优化，成为化工领域亟待突破的瓶颈问题。

针对这一挑战，韩国国立研究基金会支持的研究团队在《Journal of Cleaner Production》发表创新成果。研究团队开发了融合机器学习与元启发式算法的自动化框架，通过k均值聚类自动识别三元相图中的可行分离序列，结合遗传算法优化操作压力与热集成参数。技术路线包含三大关键方法：(1)基于图像识别的k均值聚类算法自动验证共沸分离可行性；(2)多目标遗传算法(NSGA-II/III)同步优化过程参数与压力；(3)引入温差驱动的外部热集成技术，通过温度-热量(T-Q)图分析能效提升机制。研究选用Aspen Plus? V11平台，对具有不同拓扑特性的三种三元共沸体系进行严格模拟验证。

Methodology部分
提出的自动化框架实现三大创新：PSD过程合成阶段采用无监督学习识别蒸馏区域；优化阶段通过GA确定最佳压力与循环流股；热集成阶段引入夹点压力概念。系统整合几何热力学洞察与算法优化，将传统需数周的人工评估缩短至数小时。

Optimal separation synthesis results
三个典型案例研究显示：对于丁醇/己醇/乙酸体系，OHIP工艺使能耗降低35.8%；甲醇/乙腈/苯体系通过k均值聚类识别出最优循环流股配置；含三元共沸物的乙腈/水/IPA体系证明该方法能突破传统蒸馏边界限制。所有案例中OHIP的TAC降幅达26.75%-31.06%，且碳信用机制可进一步扩大经济效益。

Heat exchange analysis
T-Q图揭示能效提升机理：Case 1中HP塔冷凝器与LP塔再沸器间温差最小化实现热量梯级利用；Case 3通过压力优化使热集成温差从12.3°C降至4.7°C，年节能达5.2×10⁶ kJ。与常规热集成PSD(HIP)相比，OHIP因同步优化压力与热集成参数，额外获得2.97%-6.37%的能效提升。

Conclusions部分
该研究开创性地将机器学习与化工过程工程深度融合，建立的自动化框架具有三大里程碑意义：(1)首次实现基于几何热力学的共沸分离序列自动生成，突破专家经验依赖；(2)创新性地将碳成本(CCU)与碳信用纳入PSD经济评价体系，推动环境-经济双目标优化；(3)通过OHIP工艺实证，为化工行业提供可降低41.22%年成本的碳中和解决方案。研究团队特别指出，该方法可扩展至反应精馏等复杂分离系统，为《巴黎协定》2050净零目标提供关键技术支撑。

Yongbeom Shin等学者在CRediT贡献声明中强调，该研究的核心突破在于开发了"几何洞察-算法优化-能效验证"的全链条自动化方法。韩国环境产业技术院(KEITI)的资助表明，该成果已被列为国家层面碳中和重点技术。随着全球碳定价机制完善，这种融合机器学习与热力学分析的智能优化范式，有望成为化工过程设计的标准方法。