基于人工神经网络的自催化反应热安全过程条件识别新准则

《ACS Chemical Health & Safety》:A New Artificial Neural Network Criterion for Identifying the Inherent Safety Process Conditions of Typical Autocatalytic Reactions

【字体: 大 中 小 】 时间:2026年04月27日 来源:ACS Chemical Health & Safety 3.4

编辑推荐:

  针对自催化反应在精细化工中易引发热失控的问题,研究人员构建了适用于非均相液?液自催化反应的无量纲数学模型,并融合目标温度准则、发散准则、Mas准则、θMTSR准则中的七个特征,结合贝叶斯正则化与粒子群优化算法,建立了人工神经网络(ANN)热行为识别准则。该准则在训练集、验证集和测试集上的准确率均超过99%,且通过真实自催化反应案例验证了其有效性,为快速、精准识别自催化反应热安全操作条件提供了创新策略。

  
论文解读
在当代化学工业中,随着生产系统的高度集成与工艺复杂化,安全事故时有发生。尤其精细化工领域广泛采用的间歇与半间歇操作模式,在涉及具有潜在危险的反应体系时,一旦失控便可能导致反应器温度与压力飙升,引发爆炸事故。其中,自催化反应(autocatalytic reactions)因其产物可进一步催化反应进程的特性而备受关注。与常见的n级反应不同,自催化反应通常存在较长的诱导期,此期间反应体系无明显化学变化或放热,反应速率较慢,难以提前预警;而反应后期催化剂的积累常导致反应速率骤增与温度急剧升高,因而更易诱发热失控(thermal runaway)。为在高效生产与安全运行之间取得平衡,开发能够准确、快速识别自催化反应热行为的安全准则,成为化工安全领域亟待解决的关键问题。
目前,针对半间歇反应器(SBRs)中等温操作的反应,已提出了多种热行为识别准则,如基于动力学的目标温度准则、灵敏度准则、发散准则、Mas准则、θMTSR准则,以及不依赖动力学的Ψ数准则、Guo准则等。这些准则将热行为划分为固有安全(IS, Inherently Safety)、无着火(NI, No Ignition)、热失控(TR, Thermal Runaway)和快速引发?公平转化?平稳温度(QFS, Quick onset, fair conversion, and smooth temperature)四种类型,为制定安全且不过于保守的工艺提供了技术支持。然而,由于自催化体系的复杂性,针对非自催化反应开发的机制性准则往往不适用于自催化反应,导致该领域的研究相对匮乏。现有研究多基于边界图(BDs, boundary diagrams)等单一特征进行热行为判别,但模型参数对BDs构建影响显著,为确保识别准确性需预先针对大量不同操作参数建立BDs,且待判反应参数需与BDs中的参数一致,过程繁琐,实用性受限。
为此,本研究旨在建立一种能够综合多特征、实现快速精准识别的自催化反应热行为人工神经网络(ANN, artificial neural network)准则。研究人员首先构建了适用于非均相液?液自催化反应的、具有普适性的无量纲数学模型。随后,从目标温度准则、发散准则、Mas准则、θMTSR准则中提炼出七个代表性特征(包括冷却失效最高温度对应时间θMTSR、峰值与目标温度差τmax-τta|τ=τmax、最大发散值max(div)、累积度下降时最小温变化率min(dτ/dθ)等),构建了包含NI、TR、QFS三类样本的数据集。为提升模型性能,研究采用贝叶斯正则化(Bayesian regularization)算法训练ANN以防止过拟合,并利用粒子群优化(PSO, particle swarm optimization)算法确定网络初始权值与阈值。经评估,最终确定的ANN结构为7?7?7?3的四层网络,其在训练集、验证集、测试集上的准确率均超过99%,TR召回率在测试集上达99.6%,QFS精确率达98.0%,表现出优异的分类性能与泛化能力。最后,以硝酸氧化2?辛醇这一典型自催化反应为例进行验证,ANN准则的识别结果与传统准则高度一致,证实了其在实际应用中的可靠性与有效性。
本研究提出的ANN准则,仅需输入当前夹套温度下的反应特征即可快速判定反应热行为,为自催化反应的安全、高效操作条件识别提供了一种新颖、智能且便捷的策略,对预防化工过程热失控事故具有重要实践意义。
主要关键技术方法
本研究主要采用了以下关键技术方法:1. 构建了适用于非均相液?液自催化反应的无量纲数学模型,该模型基于简化反应机理与一系列基本假设,建立了包含质量与能量平衡的常微分方程组。2. 综合四种传统热行为识别准则(目标温度准则、发散准则、Mas准则、θMTSR准则),提取了七个关键反应特征,并通过求解无量纲模型在宽参数范围内生成了包含NI、TR、QFS三类样本的数据集。3. 建立了基于人工神经网络的热行为识别模型,网络结构通过经验公式与枚举法优化确定为7?7?7?3的四层结构。4. 在模型训练中,创新性地结合了贝叶斯正则化算法与粒子群优化算法,前者用于防止过拟合、提升泛化能力,后者用于优化网络的初始权值与阈值,从而显著提升了ANN准则的识别性能与可靠性。
研究结果
1. 无量纲数学模型的建立
研究人员针对典型的A+B→2B+C自催化反应方案,在系列基本假设下,推导出了适用于半间歇反应器的非均相自催化反应无量纲数学模型,包括加料期与加料结束后的质量平衡方程与热量平衡方程,为后续特征提取与数据集构建奠定了基础。
2. 自催化反应热行为ANN准则的构建
  • •
    数据集构建:基于建立的无量纲数学模型,在覆盖实际操作条件的宽参数范围内进行数值模拟,结合四种传统准则对样本进行热行为粗标注与交叉验证,最终构建了包含30000个样本(NI、TR、QFS各10000)的均衡数据集,并按6:2:2划分为训练集、验证集和测试集。
  • •
    ANN结构确定:采用两层隐藏层结构,输入与输出节点数分别对应7个特征与3类热行为。通过枚举法评估不同隐藏节点数下模型的SBRerror指标,确定7-7-7-3的网络结构具有最佳性能。
  • •
    模型训练与优化:将PSO算法与贝叶斯正则化算法结合,以SBRerror为适应度函数优化ANN初始参数,获得了性能优异的ANN准则,其SBRerror仅为0.0074。
3. ANN准则的评价
  • •
    训练集性能:ANN准则在训练集上的总准确率达到99.1%,混淆矩阵显示其对各类热行为均具有极高的识别精度。
  • •
    验证集与测试集性能:在验证集上,TR召回率、QFS精确率和总准确率分别为99.9%、98.4%和99.3%;在测试集上,相应指标分别为99.6%、98.0%和99.1%,证明了模型出色的泛化能力与可靠性。
4. ANN准则的应用案例验证
以硝酸氧化2?辛醇这一真实自催化反应为例,根据文献中的反应配方、热力学参数与反应器信息,计算了不同操作条件(夹套温度、加料时间)下的模型参数。将得到的七个特征输入训练好的ANN准则进行预测,并将结果与四种传统准则(目标温度、发散、Mas、θMTSR准则)的判别结果进行对比。结果显示,在五个不同工况下,ANN准则的识别结果与传统准则高度一致,尤其在所关注的热失控工况上判别一致,有效验证了该准则在实际反应案例中的适用性与可靠性。
研究结论与意义
本研究成功构建了一个用于半间歇反应器中非均相自催化反应热行为识别的综合框架。通过建立无量纲数学模型与融合多特征的人工神经网络准则,有效解决了以往研究中自催化反应热行为识别不完整、依赖单一特征且过程繁琐的问题。创新性地结合贝叶斯正则化与粒子群优化算法,显著提升了ANN准则的泛化性能与识别准确性。所开发的ANN准则在训练、验证及测试集上均达到超过99%的高准确率,且TR召回率接近100%,表明其能精准捕捉自催化反应热行为规律。在实际应用层面,该准则仅需基于当前夹套温度下的反应特征即可快速、智能地识别反应热行为,相较于传统的边界图方法更为便捷高效,为自催化反应工艺的安全优化与热失控预防提供了强有力的新工具。通过真实案例验证,该准则的判别结果与传统方法高度吻合,进一步证实了其在实际化工生产中的可靠性与重要应用价值。本研究发表于《ACS Chemical Health 》期刊,为化工过程安全,特别是自催化反应的风险评估与安全操作边界确定,贡献了创新性的智能解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

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