机器学习辅助的资源受限贝叶斯优化用于真空变压吸附
《Separation and Purification Technology》:Resource-constrained Bayesian optimization assisted by machine learning for vacuum pressure swing adsorption
【字体:
大
中
小
】
时间:2026年10月23日
来源:Separation and Purification Technology 9.1
编辑推荐:
# 摘要
从工业尾气中回收有价值组分的变压吸附(VPSA)工艺优化困难重重,原因在于众多操作变量之间存在非线性相互作用,且该过程具有循环特性。基于代理模型的优化方法能够有效降低计算成本,但其依赖于大量预生成的数据集,且忽视了实验成本的效率问题。我们提出了一种资源受限的优化框
# 摘要
从工业尾气中回收有价值组分的变压吸附(VPSA)工艺优化困难重重,原因在于众多操作变量之间存在非线性相互作用,且该过程具有循环特性。基于代理模型的优化方法能够有效降低计算成本,但其依赖于大量预生成的数据集,且忽视了实验成本的效率问题。我们提出了一种资源受限的优化框架,将预训练的代理模型与贝叶斯优化相结合。该代理模型基于高保真模拟构建,作为虚拟实验环境,可以在几乎零成本的条件下快速评估VPSA性能,使优化器能够顺序查询操作条件,而非依赖穷举实验设计。将纯度和生产率作为相互竞争的目标,所提出的方法以远少的评价次数恢复出与常规采样匹配或更优的帕累托解。归一化超体积分析表明,该方法以少一个数量级的评价次数即可达到参考帕累托前沿。优化过程中的变量搜索行为与已建立的VPSA领域知识一致,表明代理模型引导的探索是有效的。在基于经济性的单目标建模下,该方法收敛迅速,尤其当可行实验数量受到严格限制时展现了其实际应用价值。四目标扩展引入了回收率和比能耗,揭示了双目标搜索所遗漏的权衡关系,并且每个最优解均通过与独立高保真数据的比对进行验证。除效率之外,本文的主要贡献在于对搜索过程本身提供了可解释的说明:通过追踪高斯过程(GP)长度尺度的演化,其逐维收缩揭示了哪些操作变量驱动了从探索到开发的转变,从而将算法的搜索原理与VPSA过程工程联系起来。
## 引言
高炉煤气(BFG)是炼铁过程中大量产生的副产品,通常含有约20 vol%的一氧化碳(CO);其选择性回收在低热值副产品气增值利用和碳资源利用方面均具有吸引力[1, 2]。基于一氧化铜(CuCl)的吸附剂如CuCl/勃姆石利用CO的π配位作用,在CO/CO?和CO/N?混合物中表现出高选择性[3-6],采用此类吸附剂的变压实闪蒸吸附(VPSA)工艺的可行性已通过实验和动态模拟得到验证[3, 7, 8]。然而,VPSA工艺的纯度、回收率、生产率和能耗受多个操作变量的共同影响,即吸附和脱附压力以及进料和冲洗流量,这些变量在每个循环步骤重复至达到循环稳态(CSS)时存在非线性相互作用,使得改善某一指标的操作变化往往会降低另一指标[3]。因此,通过经验性试错或在宽设计空间上进行穷举枚举来识别有用的操作条件,将产生巨大的计算和实验成本。
过程系统工程长期以来使用第一性原理动态模型来解决此类问题,这些模型将质量、能量和动量平衡与吸附平衡及传质关系耦合在一起,传统的PSA/VPSA优化已将这些模型与确定性梯度法和演化多目标求解器相结合[9-16]。由于PSA/VPSA是由非线性偏微分方程描述的周期系统,且必须为每个候选条件验证CSS,在优化循环中反复调用高保真模型计算成本极高[9, 17]。为减轻此负担,已提出多种代理建模策略,包括降阶模型、克里金和人工神经网络代理模型、基于机器学习的多目标优化以及第一性原理/数据驱动的混合方案[18-22],以及将PSA单元嵌入更大过程网络的集成设计[23];与之密切相关的是,代理模型优化已被应用于具有滞后S形等温线的柔性金属-有机框架VPSA[24]。在我们先前的研究中,对经实验验证的gPROMS高保真模型的全因子实验设计生成了1560个模拟点,据此训练了一个Extra Trees回归代理模型,其CO纯度和回收率的预测R2>0.999[25]。此类代理模型通过用更廉价的近似替代重复的高保真调用,大幅降低了每次评价的成本。
然而,代理模型带来的单次评价成本降低并不保证有限的评估预算被高效使用。许多工作流程(包括我们自己的)首先在广泛的操作区域内生成训练数据,然后在固定代理模型上进行独立的大规模搜索[19, 25],这可能将大量预算花在对帕累托前沿或经济最优解优化贡献甚微的点上[17]。因此,一旦拥有经验证的代理模型,关于每次评价计算速度的问题便伴随另一个不同但相关的问题:固定数量的评价应如何在操作空间中分配?此处所讨论的资源约束并非用仅100个样本替代1560个训练样本的问题,而是在给定固定代理模型的情况下,如何最小化顺序探索期间所需的额外评价次数。因此,直接目标是评价预算(样本)效率,而物理实验成本的任何降低都视为后续应用框架于实际实验时的下游效益。
贝叶斯优化(BO)是一种顺序决策框架,旨在以少量评价优化昂贵的黑箱函数:它维护目标函数的概率模型,捕获其均值和不确定性,并通过平衡探索与开发的采集函数选择下一个采样点[26-29]。该范式已被越来越多地应用于吸附和化学过程领域。Ward和Pini证明BO可以以大约低一个数量级的成本,为工业规模的P/VSA CO?捕集过程恢复与遗传算法基本相同的约束帕累托解,并将该方法扩展至多吸附剂真空闪蒸吸附设计[30, 31]。BO还被应用于温度-真空闪蒸直接空气捕集[32, 33]、自适应搜索空间移动的冷却结晶[34]、混合膜/PSA氢气回收[35]、约束和多目标反应及反应器优化[36-38],以及物理模型校准和更广泛的材料与过程任务如等离子射流烧结和信息论GP采样[39-42]。BO还引导了吸附材料发现与顺序模拟[43-47]。综合而言,这些工作确立了BO非常适合吸附和化学过程中的昂贵优化,同时表明研究空白应通过明确目标过程、评价环境、对比预算和解释范围来界定,而非简单声称BO从未被应用于VPSA。特别是针对循环式CO回收VPSA工艺的样本高效且可解释的BO,仍然缺乏探索。
本研究提出了一种用于从BFG中通过VPSA回收CO的资源受限闭环优化框架,将先前经验证的Extra Trees代理模型(源自高保真模型,用作虚拟过程评价器)与基于Ax的BO相结合。固定的Extra Trees模型在给定操作条件下返回CO纯度、回收率和生产率,而Ax在每次迭代中拟合和更新的GP是一个独立的概率搜索模型,仅用于决定下一步在哪里评价;将这两种角色分离使本研究被定位为固定虚拟过程上的自适应实验设计问题,而非代理模型再训练问题。对于CO纯度和生产率的v多目标优化,我们采用q-对数噪声期望超体积改进(qLogNEHVI)采集函数;对于基于经济性的单目标优化,采用q-对数噪声期望改进(qLogNEI),从Sobol初始设计开始,通过每次虚拟评价顺序更新GP[48-52]。本文发展了一种基于标准高斯过程贝叶斯优化的VPSA设计样本高效工作流:(i) 整个多目标搜索在单一预训练代理模型上进行,该代理模型源自经实验验证的高保真模型;(ii) 作为副产品,搜索过程中学习的长度尺度复现了纯度和比能耗目标的完整Sobol敏感性排名;(iii) 每个优化操作点通过校准不确定性准则、来自留出残差的分布无关保形区间以及与独立训练的第二个代理模型的比对进行验证。需强调的是,这些评价次数针对的是对已构建代理模型的虚拟查询;因此结果不应解读为物理VPSA实验可减少三十倍的证据,而应视为固定虚拟过程环境中搜索效率的受控基准测试。
## VPSA工艺描述
本研究所考虑的VPSA工艺是从高炉煤气(BFG)中回收CO的四床循环吸附系统[1-3]。该工艺采用CuCl/勃姆石吸附剂,CO通过π配位作用被选择性吸附[4-6]。工艺按六步循环计划运行:吸附、冲洗、降压反吹、真空脱附、升压和回收[3, 25]。工艺性能由主要操作变量控制,即吸附和
## 采样策略的帕累托前沿对比
图3(a,b)对比了所提出的贝叶斯优化方法与参考采样策略的帕累托前沿。如左图所示,参考数据集(n=3000)广泛覆盖搜索空间,而所提出的方法(n=100)尽管使用的点数远少,却将其样本集中在高性能区域。放大图显示,所提出的方法在帕累托前沿上达到了与参考采样匹配或更优的解,尽管其使用的
## 结论
本研究将基于高保真模拟器的前向机器学习模型与贝叶斯优化相结合,在单一虚拟实验框架中连接了计算建模与物理实验。通过将实验成本效率定义为评价次数,我们将资源受限场景下的优化问题重新表述。主要发现包括:
- **集成虚拟实验**:将高保真模型与前向ML模型结合,构建虚拟
## CRediT作者贡献声明
Manwoo Son:撰写——初稿、实施、验证、方法学。Seok Goo Lee:撰写——初稿、文献综述与分析。Jinsu Kim:概念化、撰写——审阅与编辑、指导。
## 利益冲突声明
作者声明不存在已知的可能影响本文工作的竞争性经济利益或个人关系。
## 致谢
本研究得到大韩民国化学技术研究院(KRICT)和大韩民国国家研究基金会(NRF)资助(韩国政府MSIT, KCS)(RS-2025-25459203, Customslab2.0项目)的支持。本研究由全罗南道ANCHOR中心通过ANCHOR计划提供资助,该中心由大韩民国教育部(MOE)和全罗南道资助。作者感谢'Goo sung'提供的宝贵技术
Manwoo Son | Seok Goo Lee | Jinsu Kim
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号