物理信息模块化神经网络用于工业加氢裂化的产率预测与操作优化

《Fuel》：A physics-informed modular neural network for yield prediction and operational optimization in industrial hydrocracking

　　

工业加氢裂化装置的高效运行需要同时最大化中间馏分产率、最小化氢气消耗，并在处理可变原料的多床反应器中强制执行热安全约束。传统的黑箱数据驱动替代模型缺乏在变化操作条件下产生热可行预测所需的内部物理结构，限制了其在炼油厂决策支持中的实用性。本研究提出了一种物理信息模块化神经网络（Physics-Informed Modular Neural Network，PI-MNN），用于商业单级加氢裂化装置的替代建模，该网络在超过12,500小时的工业工厂数据上进行训练和评估。该架构反映了过程的物理拓扑，将反应器部分分解为顺序的床层级神经模块，这些模块通过确定性淬灭混合层（quench mixing layers）连接，该混合层通过构造强制实现床间能量守恒。在与单体神经网络基线的时序保留评估中，PI-MNN实现了柴油产率平均绝对误差（Mean Absolute Error，MAE）降低23.5%和汽油产率MAE降低15.3%，同时以足以用于工业反应器监测的精度再现了床层入口温度——这是黑箱替代方案在结构上无法实现的能力。应用于替代辅助多目标优化时，该模型在帕累托边界（Pareto boundary）处解析了床层级热约束的激活，并识别出在平衡最优条件下补充氢气流量减少24%，这直接转化为无需资本投资即可提高单元级可持续性。结果表明，将反应器拓扑直接嵌入计算图提高了训练和测试期间联合操作制度发生真实变化时的预测性能以及内部模型状态的物理可解释性。

**论文解读：物理信息模块化神经网络在工业加氢裂化产率预测与操作优化中的应用**

**研究背景与问题**

加氢裂化是现代石油炼制中的核心转化过程，能够将真空瓦斯油（Vacuum Gas Oil，VGO）等重质馏分转化为高价值中间馏分（如柴油和航空燃油）。然而，工业加氢裂化装置的高效运行面临多重挑战：需要同时最大化中间馏分产率、最小化氢气消耗，并确保多床反应器内的热安全。氢气消耗意义重大，其通过蒸汽甲烷重整生产，既能耗高又贡献了炼油厂的主要运营成本和碳足迹。加氢裂化反应的高度放热特性要求通过床间氢淬灭进行精确的温度控制，以防止热失控。此外，原料变化、催化剂失活和操作员干预引入显著的非平稳行为。传统的黑箱数据驱动替代模型缺乏内部物理结构，在变化操作条件下可能产生物理上不可行的预测（如负产率或违反物料平衡），限制了其在炼油厂决策支持中的实用性。因此，研究人员开展这项研究，旨在开发一种能够嵌入过程拓扑、确保物理一致性的替代模型，用于工业加氢裂化单元的产率预测和操作优化。该论文发表在《Fuel》期刊。

**主要关键技术与方法**

研究人员采用了一种物理信息模块化神经网络（Physics-Informed Modular Neural Network，PI-MNN）架构，该架构显式地反映工业单级加氢裂化单元的过程拓扑。关键方法包括：（1）将反应器部分分解为四个顺序的床层级神经模块，每个模块学习局部非线性反应行为；（2）在床层之间嵌入确定性淬灭混合层，通过构造强制实现床间能量守恒，而非通过软约束逼近；（3）采用偏最小二乘（Partial Least Squares，PLS）潜在空间平滑和Riazi分布模型，从稀疏的实验室测量数据中重建连续的真沸点（True Boiling Point，TBP）曲线，以每小时频率提供原料组成描述；（4）时序保留评估协议，使用前80%数据训练，后20%时序外数据测试，并与单体多层感知机（Multilayer Perceptron，MLP）、宏级模块化网络（Macro-MNN）和无守恒强制床级网络（Bed-MNN）进行对比。所有模型在工业装置数据上训练，数据来源为商业炼油厂，涵盖多年度连续操作记录。

**研究结果**

**3.1 植物级预测性能**：在时序测试集上，PI-MNN在主要液体产率目标上实现最一致的改进。对于柴油（主要经济目标），PI-MNN的测试平均绝对误差（Mean Absolute Error，MAE）为15.72 BPH，相对于MLP基准降低23.5%，相对于Macro-MNN降低5.3%。汽油和底油产率的MAE分别降低15.3%和13.3%。Macro-MNN表现参差不齐，表明仅拓扑分解而不嵌入物理守恒并不保证改进。Bed-MNN进一步退化，表明精细分解可能加剧问题，只有添加硬约束（PI-MNN）才恢复并超越基线。氢耗预测精度随架构深度增加而单调下降，归因于氢耗标签本身是通过物料平衡推导的近似量，而非直接测量。

**3.2 物理嵌入热状态重建**：PI-MNN能够产生黑箱替代方案在结构上无法获取的物理可解释内部反应器状态。床层入口温度预测：通过确定性淬灭混合层计算，R1底床入口温度测试MAE为1.24°F，R2相应位置为2.43°F，精度足以用于工业反应器监测。淬灭混合层物理一致性验证：所预测的温度修正与理论焓平衡目标接近完美地落在恒等线上（R²≈1），证明能量守恒通过构造得到强制。床层温升预测：R1顶部床（最高绝对温升区域）的MAE相对于MLP降低59%，而下游床的MLP表现更好，归因于PI-MNN的时序误差积累和复合损失函数对下游参数的优化偏向。

**3.3 替代辅助多目标操作优化**：将经过验证的PI-MNN应用于最大化柴油产率与最小化氢耗的多目标优化，同时施加床层温升热安全约束。帕累托前沿分析显示，在柴油最大化端，R2顶部床温升几乎精确达到其约束边界（53.67°F，仅差0.0001°F），R1底床也接近（69.63°F，松量0.27°F），表明热约束在性能边界处被激活。平衡最优解将补充氢气流量减少21.8%（相对于名义操作点），对应估计年成本节省约900–1000万美元，避免约65,000公吨CO₂排放。敏感性分析表明，R2顶部床温升是主导瓶颈，其约束收紧33%使柴油产率范围缩小95%。

**总结与讨论**

讨论部分强调，物理结构嵌入计算图产生了两个超越预测精度的独特益处：它约束内部状态传播在分布漂移下保持物理可行，并生成可解释的中间变量，使模型适用于预测以外的目的。Macro-MNN消融实验的关键教训是：仅模块化而不在接口处强制物理守恒并不能可靠提高泛化能力，甚至可能退化。确定性淬灭混合层与学习型床层温升模块的行为对比表明，当守恒定律精确且可测量时，应编码为非可训练层；当物理行为必须从数据中学习时，精度在训练分布内良好，但在分布漂移下退化。研究结论部分翻译如下：**结论**：本研究的核心问题是，将过程拓扑嵌入神经网络计算图是否能产生超越预测精度的益处。报告的结果提供了明确答案。在架构层面嵌入物理结构产生了两个不同的益处类别，仅靠精度指标无法捕捉：它约束内部状态传播在分布漂移下保持物理可行，并生成可解释的中间变量，使模型在预测之外也具实用性。这一区别也直接关系到优化结果的解读：预测对替代模型误差敏感，暴露内部模型状态有助于区分哪些报告量需要谨慎解释。Macro-MNN消融提供了最清晰的方法论教训：引入反应器-分离器分解而不在床接口处强制物理耦合，并不能可靠改进泛化，且在某些目标上相对于单体基线甚至退化。这意味着，是模块接口处的守恒结构而非模块化本身产生了益处。该设计原则可直接迁移至其他分段固定床系统，如加氢处理、催化重整和费托合成。