基于模型的AI分析及动态连续搅拌罐反应器系统的优化:用于通过木质素生物油升级生产生物燃料

《Journal of Cleaner Production》:Model-driven AI analysis and optimization of a dynamic continuous stirring tank reactor system for biofuel production by lignin bio-oil upgrading

【字体: 大 中 小 】 时间:2026年05月02日 来源:Journal of Cleaner Production 10

编辑推荐:

  阿里·巴赫塔里亚里 | 郑吉尔·徐 汉阳大学化学工程系,首尔,04763,韩国 **摘要** 本研究开发了一个集成的机械数据驱动的AI框架,用于模拟通过将木质素衍生的生物油与异丁香酚(I-HDO)的加氢脱氧反应来生产生物燃料的过程。该框架利用实验支持的动力学建立了一

  阿里·巴赫塔里亚里 | 郑吉尔·徐
汉阳大学化学工程系,首尔,04763,韩国

**摘要**
本研究开发了一个集成的机械数据驱动的AI框架,用于模拟通过将木质素衍生的生物油与异丁香酚(I-HDO)的加氢脱氧反应来生产生物燃料的过程。该框架利用实验支持的动力学建立了一个瞬态连续搅拌罐反应器(CSTR)模型,并以此生成了一个庞大的数据库。评估了多种人工神经网络以识别反应器行为,其中使用Broyden-Fletcher-Goldfarb-Shanno算法(DLCFF-trainbfg)训练的双层级联前馈方案具有最高的准确性(平均绝对相对偏差为1.04%),同时没有违反物理约束。统计误差分析进一步证实了该模型的可靠性,随后利用该模型进行了过程敏感性分析。敏感性分析揭示了进料温度、流速和浓度以及催化剂负荷对稳态建立、反应机理和产物分布、产物产量、生物燃料质量和氢气需求的主要影响。然后,将DLCFF-trainbfg模型与遗传算法结合,以确定能够实现最高丙基环己烯和丙基环己烷产率以及最低氢气消耗的最佳操作条件。优化后的条件使得系统迅速达到稳态(3.58小时),并产生了一种高能量密度(48.66 MJ/kg)的生物燃料流,其中丙基环己烯和丙基环己烷的产率为66.23%(重量百分比),同时最小化了含氧产物的产率(1.63%)和氢气消耗量(1.272 m3/h)。结果表明,这种混合AI辅助方法能够准确描述I-HDO的行为,提供计算效率高的优化方案,并为木质素衍生生物燃料的生产设计和强化提供了可扩展的途径。

**引言**
人工智能(AI)目前为开发能够进行类似人类决策和问题解决的系统提供了总体框架。机器学习(ML)是AI的一个子类,它使这些系统能够从现有数据中学习模式并预测未来的行为(Mondal等人,2023年)。基于这种能力,ML可以通过揭示大型、复杂和多维过程数据集中的非线性关系来运行化学过程设计、建模、优化和控制(Dogru等人,2024年;Jordan和Mitchell,2015年)。ML算法通过两阶段程序运行:首先在训练阶段,模型从历史数据中识别并学习系统的关键模式;随后通过模型对独立未见数据集的预测性能来评估学习阶段,这一阶段通常称为测试或验证,旨在评估训练有素的ML算法超越训练样本的能力(Lee等人,2018年)。在各种ML方法中,人工神经网络(ANNs)已成为建模非线性问题的特别强大的工具。ANNs受到真实生物系统的启发,用于表示输入和输出空间之间的复杂映射。ANNs由相互连接的处理单元或神经元组成,这些单元组织成层次结构(输入层、隐藏层和输出层)。通过迭代训练,这些网络能够学习复杂的输入-输出关系,并高保真地再现底层数据库的行为(Abiodun等人,2018a;Mahesh,2020年)。关于ML框架及其在化学工程问题中的应用的详细概述在文献中有大量记录(Lee等人,2018年;?zdemir和Y?ld?r?m,2025年)。

通过利用数据驱动的过程建模,ML算法可以识别过程变量之间的复杂非线性关系,从而无需进行计算密集型的模拟即可快速评估不同的操作方案。这是通过开发基于物理的ML模型来实现的,ML利用由可靠数学模型生成的数值数据(López-Guajardo等人,2021年)。这种数据驱动的ML建模方法已在多种过程中取得成功,例如甲醇制备(Vo等人,2025a,2025b)、甲烷化反应的动力学分析(Peterson等人,2024年)、固体氧化物燃料电池性能的预测(Xu等人,2022年)、从空气中生产氧气(Makarem等人,2019年)、碳捕获和利用(Vo等人,2025c;Zhang等人,2024年)、从混合尾气流中提纯氢气和捕获碳(Vo等人,2020年)、结合低温蒸馏和压力摆动吸附进行碳捕获和氢气生产(Ko等人,2025年)、用于氨捕获的温度摆动吸附过程(Vo等人,2023年)、通过生物甲醇的催化脱水合成二甲醚(Bakhtyari等人,2023年)、通过生物醇的重整生成合成气(Bakhtyari等人,2022年)、使用传统蒸汽重整进行商业规模氢气生产(Vo等人,2019年)、吸附增强重整(Vo等人,2022年)以及甲烷的流化床热解(Bakhtyari等人,2025年)和通过乙烯的氧化脱氢优化乙烯产量(Bakhtyari和Seo,2026年)。ML方法也已应用于多种生物质转化过程,如热化学转化(热解和气化)(Hamad等人,2025年)、木质纤维素的水热碳化(Kardani等人,2022年)、热解动力学(Liu等人,2023年)和水热液化(Shafizadeh等人,2022年)。最近的综述研究还探讨了ML方法在生物精炼和生物能源转化中的更广泛应用(khan等人,2023年;Wang等人,2024年;Wang等人,2022年)。最近的一项研究还讨论了生物质制氢循环的数据驱动ML建模和优化(Li等人,2025年),其中一种由模拟工具和ML模型组成的混合模型分析了氢气生成。尽管在这些领域取得了进展,但基于ML的替代框架在木质素生物油升级为生物燃料方面的应用仍然是一个活跃且高度相关的研究方向。本研究致力于这一领域,具体应用和评估了一种基于数据驱动的ML方法,用于木质素衍生生物油生物燃料生产的敏感性分析和优化。

**木质素衍生的生物油**
从木质素中提取的生物油含有许多含氧芳香族化合物,如丁香酚、愈创木酚、丁香酚和茴香酚(Jiang等人,2010年;Letourneau和Volmer,2021年;Mullen和Boateng,2010年),这些化合物导致其高氧含量(OC≈0.32?0.46),从而降低了燃料质量(Azadi等人,2013年)。加氢脱氧(HDO)是一种在氢气存在下的催化升级过程,其中含氧化合物通过加氢和氢解反应转化为无氧的燃料级稳定烃类(HCs)(Ambursa等人,2021年;He等人,2024年)。高效的HDO需要选择合适的催化剂和严格控制操作条件,这些条件强烈影响目标燃料范围产物的选择性。ML辅助的过程建模可以捕捉这些受控操作条件如何影响反应行为,从而实现更快速和更精确的系统优化。因此,ML可以通过识别升级过程中最具影响力的操作变量并在最佳条件下建模复杂分子(如丁香酚)的转化,显著加速木质素HDO过程的发展。

**异丁香酚**
异丁香酚是木质素衍生生物油中一种重要的含氧芳香族化合物,含有两个关键的含氧官能团:酚基/羟基(-OH)和甲氧基(-OCH3)。这两个官能团不仅导致异丁香酚的低热值,还增加了该化合物的高反应性(Tieuli等人,2019年)。在氢气和选择性催化剂的存在下,异丁香酚在去除含氧基团和通过氢解和加氢反应实现环饱和的过程中会发生显著的结构变化,这些反应通常通过丙基酚或环烷基物种等中间体进行(Bjeli?等人,2018年;Dhanwani和Yadav,2025年)。随着脱氧的进行,芳香环可能部分或完全饱和,最终产生适合掺入汽油和喷气燃料混合物的烃类产物,如烷基苯和环烷烃(Bjeli?等人,2018年;Bomont等人,2018年;Martínez-Klimov等人,2021年)。尽管针对异丁香酚HDO(I-HDO)的催化剂开发进行了大量实验研究(Gundekari等人,2025年),但理论和建模研究对于开发大规模智能过程仍然是必要的。这样的模型应能够阐明反应性能并有效优化操作条件,从而加速合理的过程设计。

**I-HDO的商业化**
I-HDO尚未实现商业化,主要是因为研究工作仍在完善催化剂设计和反应器性能。此外,特别是AI驱动的战略在这一领域尚未得到充分重视。考虑到木质素衍生生物燃料的开发对未来生物精炼厂和低碳能源基础设施的重要性(Liu等人,2025年),因此有很强的动机使用基于AI的建模来识别其大规模生产的最佳过程条件。关于催化剂开发,实验研究表明,用于高质量生物燃料生产的催化I-HDO有可能扩展到工厂规模。根据Tieuli等人(2019年)的研究,Ni/SBA-15催化剂是通过I-HDO过程将异丁香酚升级为生物燃料的有希望的选择;然而,这种催化剂倾向于产生不需要的副产物(含氧化合物),需要通过适当的操作条件来控制。鉴于此,基于ML的建模和优化可以探索该过程的最佳性能,从而获得最佳质量的生物燃料产品,同时减少过程负担(适中的温度和压力以及低氢气消耗)。本研究试图回答一个未解决的问题:数据驱动的ML模型是否能够有效分析配备连续搅拌罐反应器(CSTR)的大规模I-HDO过程在广泛操作条件下的性能,并探索最佳操作方式。

**综合建模框架**
鉴于异丁香酚的沸点较高(正常沸点为266°C),液相反应系统具有优势。在CSTR系统中进行的液相反应提供了几个操作和动力学优势,使得这种配置特别适合工业多相催化过程,如I-HDO。CSTR内的强烈搅拌确保了气态反应物(本例中为氢气)在液相中的均匀分散,从而实现I-HDO反应。

**I-HDO过程的化学和动力学**
本节讨论了Ni/SBA-15催化剂上I-HDO过程的化学和动力学。异丁香酚在高压氢气存在下在Ni/SBA-15催化剂上的转化主要通过金属Ni位点控制的顺序反应网络进行(图2)。异丁香酚立即转化为二氢丁香酚,包括异丁香酚丙烯基链中的碳-碳双键的加氢反应,同时保持酚基-OH。

**基于模型的AI驱动**
本节概述了在动态CSTR系统中基于物理的ML建模和I-HDO过程的优化。详细讨论了数学模型(控制方程和数值解)、数据库生成和评估、ML模型以及ML辅助的GA优化。

**结果与讨论**
本节讨论了动态CSTR中I-HDO过程的动力学建模结果以及ANN辅助的分析和优化。首先评估了更新参数后的KRM。接下来介绍了最佳训练的ANN方案并进行了统计分析。随后讨论了使用最佳ANN模型识别的系统最佳性能。

**结论**
为了开发木质素衍生生物燃料的生产过程,本研究开发并评估了一个集成的计算框架,用于对连续搅拌罐反应器(CSTR)中异丁香酚(I-HDO)的加氢脱氧过程进行建模、分析和优化。构建了一个动态反应器模型,用于模拟系统的瞬态和稳态行为。该模型采用了更新的I-HDO在Ni/SBA-15催化剂上的动力学参数,从而提高了模型的准确性。作者贡献声明如下:Ali Bakhtyari负责撰写、审阅与编辑、原始稿的撰写、方法论设计、实验研究以及概念框架的构建;Jeong Gil Seo负责撰写、审阅与编辑、原始稿的撰写以及研究工作的监督。

**资助与致谢**
本研究得到了韩国国家研究基金会(NRF)的支持,该基金由韩国政府(MSIT)提供资助(项目编号:RS-2025-02306122)。此外,本研究还得到了韩国国家研究基金会(NRF)的另一项资助(项目编号:RS-2020-NR049541)。

**利益冲突声明**
作者声明:他们没有已知的财务利益冲突或个人关系可能影响本文所述的研究结果。
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