通过混合深度学习框架中的形状-时间尺度分解方法，对突破曲线的扩展预测进行建模

《Chemical Engineering Journal》：Scale-up prediction of breakthrough curves via shape–timescale decomposition in a hybrid deep learning framework

　　

• •
  该混合框架将突破曲线分解为形状和时间尺度两个组成部分
• •
  时间尺度的分离解决了传统比特币预测中的不准确性问题
• •
  仅使用实验室规模的训练数据就实现了准确的比特币预测
• •
  与端到端模型相比，预测误差减少了3-5倍
• •
  这种分解方法使得预测在不同条件下的扩展性更加强大且具有可迁移性

引言

突破曲线（BTCs）被广泛用于评估固定床吸附系统的性能 [1]。准确预测BTCs对于吸附过程的设计和放大至关重要，因为没有BTC信息就无法合理确定柱子的性能 [2], [3], [4]。尽管进行了大量研究，但由于流动状态、柱子几何形状和操作条件的变化会影响质量传递和吸附动态 [5], [6]，因此将实验室规模系统的预测性能可靠地转移到更大规模的操作中仍然具有挑战性。

传统上，BTC预测依赖于经验模型或半经验模型，如Thomas、Yoon–Nelson、Bohart–Adams和Clark模型，以及将BTCs视为静态输入-输出关系的传统机器学习方法 [1], [7], [8], [9], [10], [11], [12]。这些方法能够在特定实验条件下有效地描述突破行为 [13], [14], [15]，并通过相似性准则和机制建模框架扩展到试验规模和更大规模的系统 [16], [17]。

然而，BTCs本质上是动态过程，受吸附动力学、质量传递和流体动力学相互作用的影响 [1]。随着操作条件的变化，BTC行为的时间演变和特征时间尺度可能会发生显著变化。因此，在固定或有限条件下开发的模型在应用于超出其开发条件的情况时，往往表现出较低的预测一致性 [12]。在放大场景中，这种局限性尤为明显，尽管采用了传统的缩放策略，实验室规模和试验规模系统之间的差异仍会导致较大的预测误差 [5], [16]。

深度学习的最新进展，特别是长短期记忆（LSTM）网络及其双向变体（BiLSTM），在捕捉长距离时间依赖性方面表现出强大的能力 [18]。BiLSTM模型结合了正向和反向的上下文信息，在各种时间序列应用中提高了预测性能 [19], [20]。基于序列的深度学习模型在吸附柱系统中的应用也逐渐兴起 [21]。

虽然这些方法显示出良好的预测能力，但它们通常将BTCs视为统一的目标，而没有明确考虑控制其行为的不同物理和操作因素。同样，传统的机器学习方法（如多层感知器（MLP）也被用来从BTC数据中预测柱子性能指标 [11], [22]，但它们以简化形式表示BTC行为，无法完全捕捉其时间演变，从而限制了其在不同操作条件下的泛化能力。

最近的研究在机制和数据驱动方向上进一步扩展了BTC建模。对分析性突破模型和现象学或轴向分散框架的重新评估改进了BTC参数的解释，并将基于模型的预测扩展到放大应用 [23], [24], [25]。同时，深度神经网络和物理信息神经网络已被应用于完整的BTC预测和固定床吸附动态 [26], [27]。尽管取得了这些进展，但这些方法中的BTC预测通常被构想为统一的曲线预测或机制仿真任务，而将标准化曲线形状与条件依赖的时间尺度明确分离以进行跨尺度预测的研究却受到了有限的关注。

对于像BiLSTM这样的序列模型来说，这个问题尤为重要，因为它们设计用于学习有序序列中的时间依赖性 [18]，当底层时间结构在不同样本中发生变化时可能会受到影响。在吸附系统中，特征时间尺度会随着操作条件的变化而显著变化 [5], [15]，这可能限制单个模型在不同条件下的泛化能力。

为了解决这一限制，本研究引入了一种替代的建模视角。不是将BTCs表示为单一的不可分割的输出，而是将其分解为两个耦合但可区分的组成部分：（i）一个标准化形状，用于捕捉吸附和质量传递过程的时间演变；（ii）一个特征时间尺度，反映了流量、柱子几何形状和进料浓度等操作条件的影响。如果没有这种分离，操作条件的变化会同时影响时间进程和缩放行为，使得单一模型难以在不同条件下进行泛化。这种分解使得系统内在动态和条件依赖的缩放效应之间有更清晰的区别，为模型开发提供了结构化的基础。

基于这种视角，提出了一种混合建模框架，在该框架中，使用与各自特性相匹配的模型架构分别预测标准化BTC形状和特征时间尺度。标准化形状使用BiLSTM网络建模，以捕捉无量纲时间域中的序列依赖性，而特征突破时间则使用MLP预测，代表操作条件与系统响应之间的非线性映射。这种划分使得BTC行为的表示更加高效且符合物理规律。

通过明确区分形状和时间尺度，并利用针对各自角色定制的模型结构，本研究解决了吸附柱系统放大预测的长期挑战。特别是，它研究了仅在实验室规模数据上训练的模型是否能够可靠地预测试验规模的突破行为，为数据高效和可泛化的吸附过程建模提供了一条途径。

本研究的主要贡献总结如下：

• •
  开发了一种混合建模框架，明确将BTC预测分解为标准化形状和特征时间尺度两个组成部分，提供了吸附动态的结构化表示。
• •
  采用基于BiLSTM的序列模型来学习标准化BTC形状，而使用单独的MLP来预测特征突破时间，使模型结构符合每个组成部分的固有特性。
• •
  采用了一组最小化的具有物理意义的输入变量，以减少冗余性，同时保留关键的几何和流体动力学信息，从而提高跨尺度的可迁移性。
• •
  所提出的框架在实验室规模和未见过的试验规模BTC数据集上进行了验证，证明了其在无需重新训练的情况下进行放大预测的能力。

章节摘录

BTC数据集

本研究使用的BTC数据集来自我们之前工作中报道的Cu(II)在功能化纤维素基吸附剂上的吸附实验 [22]。这些先前报告的实验数据集使用本研究开发的形状-时间尺度分解和混合建模框架进行了重新处理和分析。在系统变化的操作条件下生成了总共17条BTC曲线，如表1所示。

与端到端模型的比较

为了评估所提出的形状-时间尺度分解是否具有结构优势，将其预测性能与一系列直接以端到端方式预测BTCs的基准模型进行了比较，包括线性回归、MLP、GRU、LSTM和BiLSTM（图2）。

如图2(a–e)所示，所有基准模型在与基准线相比时都表现出明显的偏差，尤其是在试验规模数据集等未见过的条件下。这些模型中的一个显著特征是...

结论

本研究通过明确将BTC行为分解为标准化形状和特征时间尺度组件，开发了一种混合深度学习框架用于BTC预测。传统模型难以在不同操作条件下进行泛化，因为特征时间尺度的变化会导致类似的BTC模式在时间轴上的移动，从而在学习过程中无法保持一致的对齐。通过将内在的吸附动态与时间尺度分离，所提出的框架解决了这一问题...

CRediT作者贡献声明

Seung-Chan Lee：撰写——原始草稿、方法论、研究。Chang-Gu Lee：软件、数据整理。Song-Bae Kim：撰写——审稿与编辑、项目管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报道工作的竞争性财务利益或个人关系。

Seung-Chan Lee|Chang-Gu Lee|Song-Bae Kim