利用人工神经网络（ANN）与遗传算法（GA）的混合算法，通过仿真驱动的多尺度优化方法，开发适用于液态有机氢存储（LOHC）脱氢过程的微波响应型催化剂

《International Journal of Hydrogen Energy》：Simulation-driven multiscale optimization of microwave-responsive catalysts for LOHC dehydrogenation using ANN–GA hybrid algorithms

液态有机氢载体（LOHC）技术通过微波加热固定床反应器优化MCH脱氢工艺，构建了电磁场-热质传递-表面反应的多物理场耦合模型，结合ANN-GA框架实现多目标协同优化，显著提升转化率（12%）和能源效率（65%），有效抑制局部热点。

　　

Jianchen Sun|Jiaming Zhang|Keying Li|Yifei Liao|Hui Shang

中国石油大学重油加工国家重点实验室，北京，102249，中华人民共和国

摘要

液态有机氢载体（LOHC）为大规模氢储存和运输提供了一种安全且与现有基础设施兼容的解决方案。然而，传统的甲基环己烷（MCH）在固定床反应器中的脱氢过程伴随着高能耗和低热传递效率。尽管微波增强技术作为一种有前景的替代方案出现，但仍然存在热热点和能源利用效率不高的问题。为了解决这些问题，本研究利用COMSOL Multiphysics开发了一个三维多物理场模型，用于模拟微波加热固定床反应器中的MCH脱氢过程。该模型将电磁场分布、热质传递和表面反应动力学耦合在一起，系统地研究了催化剂相对介电常数、介电损耗因子、颗粒大小和床层孔隙率等因素的影响。基于仿真结果，提出了一种新的催化剂设计策略，以克服微波加热LOHC系统中的固有局限性。通过调整催化剂的介电和结构特性，可以改善电磁耦合效果并提高催化床层的温度均匀性，从而提高转化率和能源利用率。为了进一步优化系统，构建了一个高精度的人工神经网络（ANN）替代模型，并将其与遗传算法（GA）结合，以实现多目标优化。优化后的配置使得MCH转化率提高了12%，能源效率提高了65%，温度变异系数降低到了0.003，有效抑制了局部热点现象。这种集成的仿真-AI框架为微波加热反应器在MCH/甲苯（TOL）系统中的应用提供了定量设计指导，也有潜力扩展到其他LOHC系统。这些发现为未来的放大实验和验证提供了理论基础。

引言

随着社会对能源需求的持续增长，化石燃料的广泛使用加剧了全球气候恶化，并导致了日益严重的环境污染。为此，《巴黎协定》中提出的减排和能源转型目标得到了广泛认可[[1], [2], [3]]。在这一背景下，氢能作为一种有前景的清洁能源载体脱颖而出，因其具有较高的比能量密度和零碳排放特性。它为减少对化石燃料的依赖并缓解相关环境挑战提供了可行的途径[4,5]。

然而，氢能的实际应用受到其低分子量、沸点以及显著的泄漏或爆炸风险的限制，这使得储存成为了一个关键瓶颈[[6], [7], [8]]。在现有的解决方案中，液态有机氢载体（LOHC）在安全性、能量密度和与现有运输基础设施的兼容性方面具有明显优势[[9], [10], [11]]。特别是甲基环己烷（MCH）-甲苯（TOL）系统因其高储存容量、低毒性和良好的化学稳定性而受到关注[[12], [13], [14], [15], [16], [17], [18]]。然而，MCH脱氢反应是高度吸热的，通常需要350–400°C的温度才能达到最佳活性[19,20]。在传统的固定床反应器中，这一过程受到热传递阻力的限制，导致温度分布不均匀和热效率低下[12,21]。

微波加热通过体积性和瞬时加热方式克服了这些限制，绕过了传统的热传递介质，从而提高了温度均匀性和能源利用率[[22], [23], [24], [25]]。先前的研究表明，微波强化显著提高了氢产量和MCH转化率，同时有效消除了热催化中常见的“冷区”[22,26,27]。然而，当前技术仍存在一些挑战和困难。具体来说，微波加热过程中形成的热点可能对催化剂产生不利影响，导致催化剂失活和寿命缩短[[28], [29], [30], [31]]。此外，尽管微波加热在能源利用效率方面优于传统加热方法，但输入能量与实际用于反应的能量之间的比率仍有进一步优化的空间[[32], [33], [34]]。

为了解决这些限制，研究人员探索了反应器配置优化和材料设计策略。通过调整腔体几何形状、填充颗粒的孔隙率和反应器尺寸，改善了系统内的电磁场分布和热均匀性[[35], [36], [37]]。同时，调整催化剂材料的介电特性也被证明是提高微波吸收和加热特性的有效方法。Yang等人[38]通过调整介电常数（范围10-80）实现了高达90%的能源利用效率，使加热效率提高了25%。Chen等人[39]通过研究介电常数（5-35）和损耗因子（0.1–0.6）的耦合效应，进一步改善了温度分布的均匀性。总体而言，这些研究表明，几何修改和材料属性工程可以显著提高微波加热反应系统的温度分布均匀性和整体能源效率[[40], [41], [42]]。

然而，现有的研究往往将电磁、热和动力学现象视为孤立的过程，缺乏能够实现多目标协同优化的统一预测框架。尽管引入机器学习方法（如人工神经网络（ANN）可以显著提高优化效率——例如，Xie等人[43]基于文献数据构建了ANN，协同优化了催化剂性能和操作参数，确定了各种系统的最佳工艺条件——但为复杂的多物理场耦合任务构建高精度数据库仍然需要大量的样本数据。这在传统实验范式下是一个重大挑战。

为了突破这一瓶颈，研究人员开发了一种“CFD驱动的数据生成和AI加速计算”的综合策略。这种策略大大提高了处理大量数据集的效率和准确性，显著降低了复杂多目标优化的计算成本[44,45]。例如，在反应器设计领域，Xia等人[46]利用CFD和机器学习对丙烷脱氢反应器进行了数据驱动的优化，计算时间减少了约96.87%，同时提高了反应物的利用率。Sirat等人[47]结合CFD和ANN构建了一个多输入单输出模型，实现了碱性水电解器性能的快速预测和放大设计。Hu等人[48]使用可靠的CFD生成数据训练了ANN模型，实现了氢爆炸负荷的即时预测，为结构安全评估提供了有效的工具。在重整过程优化方面，Jafarizadeh[49]将深度神经网络（DNN）与随机搜索算法结合，不仅降低了计算成本，还实现了蒸汽甲烷重整中氢产量和反应器尺寸的多目标优化，预测准确率超过99%。总之，通过结合训练有素的ANN和智能优化算法（如遗传算法（GA）引入数据驱动的分析策略，可以大大提高处理大规模多物理场数据集的能力，为复杂能源系统的设计和优化提供了坚实的理论支持。

在此背景下，本研究开发了一个用于固定床反应器中MCH微波辅助脱氢的三维多物理场耦合模型。该模型全面整合了电磁场、热质传递和反应动力学。通过关联从颗粒级别（如介电特性、反应动力学）到床层级别（如电磁场分布、流体流动和热传递）的多尺度现象，准确捕捉了过程的多尺度特性，实现了从催化剂表面到反应器出口的全面表征。在此基础上，当前研究通过系统地调整催化剂介电特性、颗粒大小和床层孔隙率，量化了关键设计参数的敏感性。此外，采用混合ANN-GA框架进行了物理信息驱动的多目标优化[[50], [51], [52], [53], [54], [55]]，旨在协同提高MCH转化率、床层温度均匀性和微波能源效率。这种集成的建模和优化框架不仅为下一代微波加热催化反应器的设计和优化提供了强大的分析工具，也为开发高效微波响应催化剂奠定了基础。因此，它有望加速LOHC技术的实际工业化。

实验部分

实验

微波固定床反应器的实验装置如图1(a)所示。反应在一个实验室设计的垂直高温微波反应器中进行，外部尺寸为600毫米×550毫米×1100毫米。使用的微波频率为2.45 GHz，功率可调范围为0.1至1.4千瓦。磁控管产生的微波通过标准BJ26波导（86毫米×43毫米）传输到反应器腔体中。

单变量分析

为了优化微波催化反应系统的性能，系统研究了关键参数（包括相对介电常数（实部）、介电损耗因子、颗粒大小和床层孔隙率）对温度均匀性、MCH转化率和能源利用效率的单独影响，相应结果如图3(a)–(d)所示。图3(e)–(f)提供了仿真结果的代表性快照。

结论

本研究表明，通过策略性地调整催化剂的介电和结构参数，可以解决微波增强MCH脱氢过程中的核心挑战。研究揭示了关键目标（转化率、能源利用效率和温度均匀性（温度变异系数）之间的复杂非线性权衡。为此，开发了一个集成优化框架，该框架被证明非常有效

局限性与未来工作

虽然本研究中的简化假设对于建立可行的概念验证模型是必要的，但它们本质上限制了结论的普遍性。具体来说，该模型可能高估了长期转化率，因为它没有考虑典型的工业现象，如催化剂失活（例如积碳）和质量传递限制。此外，该研究仅关注热增强效果，忽略了可能改变传统行为的潜在非热微波效应。

作者贡献声明

Jianchen Sun：撰写——原始草案、软件开发、方法论设计、概念构思。Jiaming Zhang：项目管理。Keying Li：数据整理。Yifei Liao：数据分析。Hui Shang：撰写——审稿与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了山东石油化工研究院碳中和研究所基金（CNIF20240102）的财政支持。作者对此表示感谢。