基于CFD-ML耦合框架的正丁烷部分氧化反应器多目标优化研究：产率与热点温度的权衡分析

本文创新性地将计算流体力学（CFD）与机器学习（ML）相结合，针对正丁烷（n-butane）部分氧化制顺酐（MA）过程建立反应器-催化剂颗粒耦合模型。通过621组工况数据训练发现高斯过程回归（GPR）模型预测性能最优，结合遗传算法识别出Pareto前沿上的关键拐点：当顺酐产率从35.0%提升至37.6%时，反应器热点温度骤升42K，为工业过程热失控风险预警提供量化依据。

　　

Highlight

本研究通过CFD-ML（计算流体力学-机器学习）集成框架实现了正丁烷部分氧化制顺酐（MA, C₄H₂O₃）反应器的多目标优化。采用直径21mm、高6m的单管反应器，装载具有0.825mm蛋壳型催化剂层的圆柱形颗粒（5.5mm×5.5mm），建立的耦合模型揭示：入口温度是主导反应器性能的关键参数，能使MA产率从35.0%提升至37.6%，但同时导致热点温度急剧上升42K。

Mathematical modeling

反应器数学模型基于直径21mm、高度6m的单管反应器结构，装载具有0.825mm蛋壳型催化剂层的圆柱形颗粒（5.5mm×5.5mm）。该催化剂厚度选自前期研究[17]，在相同操作条件下可产生最高的C₄H₂O₃产率和较低的热点温度。采用稳态...

Evaluation of operating conditions using reactor-pellet coupled model

在参考工况（入口压力100kPa、温度673K、C₄H₁₀摩尔分数1.6%、气时空速GHSV 2000h^-1）下，图3(a)显示反应器前端催化剂颗粒内出现显著的C₄H₁₀浓度梯度，表明剧烈反应导致反应器中心温度快速上升...

Conclusions

本研究建立的CFD-ML集成框架成功解决了正丁烷制MA过程中产率与热点温度的权衡问题。通过反应器-颗粒耦合模型分析四个关键操作参数的影响，基于621组工况数据训练发现GPR（高斯过程回归）模型预测性能最优。该模型与遗传算法联用识别出Pareto前沿上的关键拐点特征：超过该临界点后，MA产率的微小提升将引发热点温度急剧上升，显著增加热失控风险。