基于物理信息神经网络的加氢处理反应器氮滑浓度预测：完整与简化动力学约束的比较

《Digital Chemical Engineering》：Integrating kinetic ODEs in neural networks: A physics-informed hybrid approach to reactor modeling

　　

研究人员提出了一种混合物理信息神经网络(PINN)框架，用于预测加氢处理(HDT)反应器的氮滑浓度。该研究旨在通过结合机理动力学知识与数据驱动建模，解决传统纯数据驱动人工神经网络(ANN)在面对未见原料时泛化能力差的问题，同时克服复杂机理动力学模型在预测精度上的局限。研究采用基于原料划分的交叉验证策略，比较了完整与简化机理约束下的混合模型性能。结果表明，物理约束不仅作为正则化机制防止过拟合，还显著提升了模型在未见原料上的外推能力和物理一致性。即使在使用简化动力学作为约束时，通过适当调整残差权重，混合模型仍能优于纯数据驱动基线，证明了该方法在工业过程工程中处理不完整机理知识的实用价值。

研究背景与意义

加氢处理(HDT)是炼油工业中的关键工艺，用于去除减压瓦斯油(VGO)中的氮、硫等杂质。准确预测出口氮浓度（即氮滑）对于优化反应器操作至关重要。然而，VGO原料具有高度的非均质性，其组成差异显著，导致建立能够泛化到未知原料的预测模型极具挑战性。传统的纯数据驱动人工神经网络(ANN)虽然灵活，但在面对训练分布之外的数据时往往泛化能力不足。另一方面，基于机理的动力学模型虽然具备物理可解释性，但其对复杂原料的描述能力有限，预测精度往往不尽如人意。因此，研究人员开展了这项《Digital Chemical Engineering》的研究，旨在探索物理信息神经网络(PINN)作为一种混合建模策略，能否有效结合两者的优势，提升预测精度与鲁棒性。

关键技术方法

研究人员构建了一个混合PINN框架，将HDT反应的机理常微分方程(ODE)嵌入到ANN的损失函数中，包含数据损失(MSE_data)、物理残差损失(MSE_res)和边界条件损失(MSE_bd)。实验数据集包含126个中试装置观测值，涵盖20种不同的VGO原料。为了严格评估模型的泛化能力，研究采用了基于原料划分的交叉验证方案，确保测试集中的原料完全未在训练集中出现过。此外，研究引入了基于Delaunay三角剖分的配置点选择策略，在六维原料空间内生成虚拟样本以施加物理约束，避免了传统规则网格在高维空间中产生非物理区域的问题。研究分别探讨了使用完整动力学模型和简化动力学模型作为物理约束时的表现差异。

研究结果

3.1 完整机理约束分析

3.1.1 调优程序

研究人员通过两阶段网格搜索确定了最优网络架构为三层隐藏层，每层64个神经元，隐藏层激活函数为双曲正切(tanh)，输出层为Sigmoid以确保氮滑预测的非负性。残差权重(λ₁)和边界权重(λ₂)均设为1。

3.1.2 训练行为

训练轨迹显示，纯数据驱动ANN虽然能降低训练数据损失，但其物理残差始终处于高位且不稳定。相比之下，混合PINN的物理残差显著降低，且数据损失与验证损失的差距更小，证明了物理约束起到了有效的正则化作用，防止了模型过度拟合训练数据。

3.1.3 模型总体性能

在30次原料划分测试中，混合PINN取得了最佳的综合性能。其氮滑预测的均方根误差(RMSE)为29.81±10.59 ppm，平均绝对误差(MAE)为20.52±7.51 ppm，决定系数(R²)高达0.91±0.07。等效温度偏差(ΔT)的均值仅为1.63±0.62°C，显著优于完整机理模型(RMSE 35.60 ppm)和纯数据驱动模型(RMSE 57.03 ppm)。

3.1.4 趋势评估

趋势分析表明，混合PINN对输入变量的响应趋势与机理模型高度一致。而纯数据驱动模型在不同数据划分下表现出极大的趋势变异性，特别是在训练集与测试集原料分布差异较大时，其预测趋势会出现严重的物理不一致性。混合模型则能有效缓解这一问题。

3.2 简化机理约束分析

3.2.1 调优程序

当使用简化动力学模型作为约束时，最优残差权重(λ₁)被调整为0.01，远低于完整动力学场景下的1，这表明当机理知识不完整时，应减弱其对网络的强制约束力度。

3.2.2 训练行为

尽管简化机理的准确性较低，混合PINN的训练残差依然大幅下降。较小的残差权重使得训练过程更加平滑，物理约束在此充当了温和的结构引导者而非严格的限制。

3.2.3 总体性能

即便使用简化动力学，混合PINN的RMSE仍达到41.41±13.80 ppm，R²为0.83±0.12。这一性能不仅大幅超越了简化机理基线(RMSE 72.77 ppm)，也显著优于纯数据驱动模型(RMSE 57.03 ppm)，证明了利用不完整物理知识仍能提升模型性能。

3.2.4 趋势评估

在简化约束下，混合模型对包含在简化方程内的变量保留了正确的趋势方向；对于未包含在简化方程内的变量，网络的数据驱动组件也能有效学习并建立合理的趋势，补偿了缺失的机理动态。

讨论与结论

讨论部分指出，该混合策略有效弥补了机理模型的不足，节省了开发更复杂机理模型所需的时间和实验成本。未来的研究将致力于将该框架扩展至多输入多输出(MIMO)的加氢裂化(HCK)系统，并探索自适应损失权重调整方案。研究人员强调，引入中间动力学公式以逐步恢复遗漏项，是未来缩小不同约束强度下混合模型性能差距的重要方向。

结论部分确认，物理信息混合建模策略通过结合ODE与数据驱动网络，显著提高了HDT反应器氮滑浓度预测的准确性和鲁棒性。该框架在面对未见原料时展现出优异的外推能力，且基于Delaunay的配置点选择策略高效且保持了物理一致性。尽管该模型受限于动力学参数的校准质量，且固定权重可能在某些情况下影响稳定性，但其成功应用证明了在催化过程工程中，融合机理知识与数据驱动工具能够加速模型开发周期并提升建模水平。