近年来，钢铁行业已成为全球能源消耗和碳排放的关键领域[1],[2]。它约占全国总能源消耗的11%和全国碳排放的15%以上[3],[4]，凸显了钢铁行业在能源浪费和污染物排放方面的问题日益严重。过量的一氧化碳排放会导致一系列问题，如光化学污染、臭氧层破坏和全球变暖[5],[6]，因此其控制逐渐成为钢铁行业关注的重点。烧结过程是一氧化碳的主要来源，占总CO排放量的46.43%[7]，未燃烧的一氧化碳所损失的能量相当于2.016至2.419亿吨标准煤[8]，造成了严重的能源浪费。用于烧结烟气处理的催化氧化技术具有高效去除一氧化碳和回收废热的双重优势，引起了广泛关注[9],[10],[11],[12],[13]。烧结烟气的温度相对较低，通常在120至160°C之间[14],[15]。最近，在开发能够在如此低温条件下实现高CO氧化效率的催化剂方面取得了显著进展[16],[17],[18]。一氧化碳氧化反应释放的热量可以使烟气温度升高40至80°C，有效满足选择性催化还原（SCR）脱氮过程的温度要求，并显著降低加热所需的能量。然而，由于催化反应器内各种物理现象的耦合性，准确描述和调节这一过程面临相当大的挑战。
近年来，数值模拟技术的快速发展为复杂反应系统和催化反应过程的机理研究和参数优化提供了新的方法[19],[20]。例如计算流体动力学（CFD）能够有效分析反应器内的流动特性和质量传递行为[21],[22]。Sun等人[23]利用CFD系统分析了不同通道旋转角度对蜂窝状整体催化剂内CO催化过程的影响，揭示了内部流速、CO摩尔分数和压力分布的特点。Ye等人[24]使用CFD和响应面方法分析了催化剂入口速度、反应温度和NH?/NO摩尔比对SCR脱氮效率的影响，并优化了流动引导结构，从而显著提高了脱氮效率。然而，在工程实践中，对大规模、复杂反应器区域进行高精度建模以模拟流体湍流和催化反应面临巨大的计算资源挑战[25]。
随着人工智能，特别是深度学习在CFD领域的应用，数据驱动的方法大大提高了物理场预测的效率。Portal等人[26]证明卷积神经网络（CNN）能够准确预测翼型流动控制设备周围的流动特性和空气动力系数，与CFD模拟相比计算时间减少了四个数量级。Laubscher等人[27]提出了一种结合变分自动编码器（VAE）和深度神经网络（DNN）的集成方法，能够高精度预测湍流射流扩散火焰中的温度、速度和物种浓度场。Achermann等人[28]开发了Wind Seer，这是一种实时深度学习模型，利用稀疏测量数据和基于CFD的训练来预测复杂地形上的风场，显著减少了计算时间。作为最成功的深度学习模型之一，CNN在物理场预测方面表现出色[29],[30],[31],[32],[33]。然而，由于其卷积操作和权重共享特性[34]，CNN主要适用于结构化的笛卡尔网格[35],[36]。除了DNN之外，传统的替代模型如克里金过程回归、支持向量回归和基于POD的降阶模型也被广泛用于替代CFD求解器[37],[38]。这些方法同样能够通过学习操作条件与系数或节点值之间的映射来重构物理场。然而，这些方法通常在与特定网格和几何形状相关的低维潜在空间中运行，其中空间相邻元素之间的相关性通常是隐式表示的。因此，当应用于非结构化网格或变化较大的几何形状时，它们通常需要重新定义基函数或重新网格划分，这限制了它们的可扩展性和泛化能力。相比之下，图神经网络（GNN）将网格显式表示为图，并在其上进行消息传递[39],[40]。最近的研究表明，基于网格的GNN替代模型可以在不规则和多分辨率网格上准确模拟CFD结果，同时显著加速了模拟过程[41],[42],[43],[44]。
本研究旨在快速预测在复杂非结构化网格上离散化的CO催化反应器中的二维温度和CO浓度场，采用基于网格的GNN作为替代模型来处理高维场数据并降低相对于CFD模拟的计算成本。因此，本文提出了一种结合CFD和GNN的方法，用于快速预测CO催化反应器中的物理场分布。本研究的主要贡献如下：（1）选择性地催化还原（SCR）反应器被用作烧结烟气中CO催化氧化的反应装置，并建立了相应的数学模型来研究烟气温度、CO浓度、流速和催化剂层数量对低温CO催化的影响。（2）通过将CFD模拟与GNN集成，设计了一种新的预测框架，其中使用CFD提供的非结构化数据来训练GNN模型。计算CO浓度梯度和温度梯度，并使用自动编码器进行降维。采用贝叶斯优化来优化网络架构。（3）基于优化后的网络结构，在不同操作条件下快速预测和评估SCR反应器。通过将结果与传统CFD模拟进行比较，验证了所提出的框架在显著降低计算成本和时间的同时确保了预测精度，为快速评估反应器性能和优化操作参数提供了可靠的技术支持。
