使用可解释的贝叶斯-模糊模型对高重力环境下H2S去除过程进行建模与多目标优化

《Chinese Journal of Chemical Engineering》:Modeling and multi-objective optimization of high-gravity H2S removal using an interpretable Bayesian-fuzzy model

【字体: 大 中 小 】 时间:2026年04月10日 来源:Chinese Journal of Chemical Engineering 3.7

编辑推荐:

  高重力脱硫技术面临多参数耦合难题,本研究提出基于贝叶斯特征选择的分状态空间神经模糊模型(BFS-S-ANFIS),通过分解输入变量实现机理与数据的协同建模,工业验证显示其R2达0.974,RMSE为2.077 ppm,兼具高精度与可解释性,为优化控制提供新方法。

  
Xinhu Sun | Haoxiang Lu | Zhi Qian
中国科学院大学资源与环境学院,中国北京市玉泉路19号,100049

摘要

高重力脱硫技术是一种具有颠覆性的脱硫方法。然而,在高重力条件下,传质反应与多个变量高度耦合,这使得传统的传质机制模型难以准确描述这一过程。本文提出了一种基于状态自适应神经模糊推理系统(S-ANFIS)的建模方法,并通过贝叶斯特征选择(BFS)进行优化,以解决多参数耦合问题。该方法的核心创新在于其两阶段 approach:首先,利用贝叶斯概率框架自动识别和分类输入变量,将传统的单一输入空间划分为两个功能不同的子空间:状态变量(用于系统状态识别)和解释变量(用于输出预测)。然后,通过模糊建模构建IF-THEN规则,贝叶斯特征选择算法以数据驱动的方式自动确定最优的变量分类方案,避免了专家经验的主观性和局限性。在一家化工厂的高重力脱硫装置上进行工业验证表明,BFS-S-ANFIS方法的性能显著优于传统建模方法。模型结果与实验数据高度吻合,R2值达到0.974,RMSE为2.077 ppm。此外,由于模型的决策依赖于透明的模糊子规则,因此具有丰富的可解释性。这种高精度和高保真的替代模型有助于设计出优化和控制策略,这些策略也表现出优异的性能。

引言

旋转填充床(RPB)产生的离心力场比地球重力大几个数量级,从而强化了气液传质过程。与传统重力填充塔或喷射塔相比,RPB可以显著提高气液传质效率,使其成为H2S去除等气体净化领域的一种有前景的技术[1]、[2]、[3](详见文本S3)。然而,实现对它们的精确动态控制仍是一个关键瓶颈。RPB内部强烈的复杂流体力学环境导致关键操作变量(如旋转速度、气液流量、温度)与传质性能[6]、[7]、[8]之间存在高度非线性且深度耦合的关系[4]、[5]。这种复杂性使得传统的机理模型和标准数据驱动模型难以准确捕捉其动态行为,严重限制了该技术的最佳控制和高效应用。
近年来,数据驱动方法,特别是人工神经网络(ANN)和长短期记忆(LSTM)模型,由于其非线性映射能力,在建模此类复杂过程中表现出强大的能力。然而,这些连接主义模型主要作为黑箱运行,其内部决策逻辑不透明。在安全关键应用中,理解预测背后的推理与准确性同样重要。标准数据驱动模型通常将所有操作变量视为同质特征,忽略了内在的物理层次结构。例如,在RPB脱硫过程中,旋转速度和气液比例主要决定了反应器内的宏观流体力学状态[9]、[10],从而为传质和反应建立了基本框架。其他参数(如温度和入口浓度)则可以在此特定状态下微调局部传质动力学。忽略这种内在的层次结构不仅会导致模型结构冗余且难以解释,还会严重削弱其在不同操作条件下的泛化能力和预测准确性[11]。
模糊神经网络(FNN)结合了神经网络的自适应学习能力和模糊逻辑系统处理不确定信息及语言规则的优势。它们固有的“IF-THEN”规则结构为区分各种变量的作用以及模拟人类专家的逐步推理过程提供了自然框架[12]、[13]、[14]。基于这一思想,Gregor和Dietmar提出了状态自适应神经模糊推理系统(S-ANFIS)[15],该系统允许研究人员根据先验知识将输入变量划分为状态变量和解释变量。尽管这种方法很有启发性,但其性能高度依赖于专家经验的准确性。在像RPB这样复杂且高度耦合的系统中,手动指定的变量划分方案往往无法实现最优性,从而限制了模型的最终性能。
本研究提出了一种基于贝叶斯特征选择的状态自适应神经模糊推理系统(BFS-S-ANFIS),用于模拟高重力条件下的H2S去除过程。通过“解耦–划分–建模”策略,该方法将数据驱动学习与物理知识深度结合。它利用贝叶斯优化从高维输入中识别“状态变量”和“解释变量”。前者用于将操作空间划分为物理意义上的局部区域,后者则在每个子空间内支持模糊建模,以创建高精度的局部预测模型。与传统方法相比,该模型在预测准确性和泛化能力方面都有所提高,同时建立了清晰、可解释的结构。这一框架为揭示RPB中的传质机制和实现稳健的过程控制提供了理论基础。

部分摘录

状态自适应神经模糊推理系统

ANFIS是一种处理复杂回归问题的有效算法[16]。然而,在处理高维、高度非线性系统时,它通常面临规则数量呈指数级增加、模型可解释性降低以及计算负担过重的固有局限性。为了克服传统ANFIS的这些挑战(见图1(a)),并增强模型对变量和规则的结构化解耦能力,提出了S-ANFIS作为其通用改进版本

实验

本研究以用于氧化铝生产过程的热源——生产气体为研究对象,其中H2S是主要污染物。实验装置的工艺流程如图2所示。实验过程中,气体的入口H2S浓度控制在1200×10?6至1500×10?6范围内。在操作过程中,生产气体和基于单宁的脱硫溶液同时被引入RPB(详见表S1)。在强离心力的作用下

原始数据集的描述性统计

为了深入揭示原始数据集的内在模式,本研究首先对每个输入变量进行了描述性统计和相关性分析(见图3)。图3a-f直观展示了核心工艺参数的数据分布特征。随后,通过相关性分析进一步研究了输入变量之间的线性关系及其与高重力脱硫后出口H2S浓度的相关强度

结论

本研究开发并验证了一种创新的BFS-S-ANFIS混合建模框架,该框架结合了贝叶斯优化的自适应搜索能力和神经模糊系统的固有结构,实现了工业规模高重力脱硫过程中多个耦合变量的有效解耦和精确建模。使用工业现场数据的验证结果表明,该模型具有出色的预测准确性和高保真度(R2 =

CRediT作者贡献声明

Xinhu Sun:撰写 – 审稿与编辑,撰写 – 原稿,软件开发,项目管理,概念构思。Haoxiang Lu:撰写 – 审稿与编辑,可视化,验证,概念构思。Zhi Qian:资金获取,概念构思

数据可用性

数据可应要求提供。

注释

作者声明没有竞争性财务利益。

利益声明

? 作者声明他们没有已知的竞争性财务利益或可能影响本文工作的个人关系。

致谢

本工作得到了国家自然科学基金(编号22578448)、国家重点研发计划(编号2024YFC3907903)、中央高校基本科研业务费(编号2023000540)以及魏桥-中科院低碳技术开发专项(编号GYY-NYHJ-2023-WT-003)的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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