神经网络辅助的FCC动力学建模用于增强参数估计（使用CREC Riser Simulator）

《Catalysts》：Neural-Network-Assisted FCC Kinetic Modeling for Enhanced Parameter Estimation Using the CREC Riser Simulator

　　

本研究提出了一种集成框架，用于在稀疏实验数据条件下开发真空瓦斯油（VGO）催化裂化的动力学模型。实验在CREC Riser Simulator中，以不同催化剂/VGO（C/O）重量比进行。CREC Riser Simulator是一种实验室规模的微型流化床反应器，能够再现工业流体催化裂化（FCC）提升管的短接触时间和操作条件。产品分布通过使用五集总方案（包括未转化的VGO、轻循环油（LCO）、汽油、轻气体和焦炭）进行表征。为了解决稀疏数据集相关的局限性，研究人员使用前馈神经网络（FNN）从离散实验测量中重建连续反应轨迹。这些合成轨迹使得能够估计包含催化剂失活的现象学五集总反应网络的动力学参数。随后，将所建立的动力学模型应用于大规模工业FCC提升管的一维非均相模型中，提供了VGO转化率、产品选择性以及轴向温度分布的可靠预测。

**论文解读文章**

**研究背景与问题**
流体催化裂化（FCC）是石油炼制中重质油轻质化的核心工艺，其动力学模型的建立对于反应器设计、过程优化和工业放大至关重要。然而，真空瓦斯油（VGO）催化裂化涉及大量并行反应和众多化学物种，传统回归方法在稀疏实验数据条件下常面临参数估计的病态问题，导致优化器难以收敛到全局最小值或参数置信区间过宽。此外，实验数据获取受限于时间和成本，尤其是使用CREC Riser Simulator等微型流化床反应器时，可在短时间内获得有限数据点，但不足以支撑稳健的动力学拟合。为克服这些挑战，研究人员提出将机器学习（ML）与现象学模型结合，利用前馈神经网络（FNN）对稀疏实验数据进行数据增密，从而增强参数估计的稳定性和物理一致性。该研究发表在《Catalysts》。

**研究内容与结论**
研究人员在CREC Riser Simulator中进行VGO催化裂化实验，覆盖C/O（催化剂/VGO重量比）为2、3、5、7，温度510、530、550°C，反应时间3、5、7秒。采用五集总方案（未转化VGO、轻循环油LCO、汽油、轻气体、焦炭）表征产品分布。通过FNN从离散实验测量中重建连续反应轨迹，生成合成数据点以增密数据集。随后，基于这些数据估计包含催化剂失活效应的五集总反应网络动力学参数，并将所得动力学模型嵌入1D非均相工业FCC提升管模型，预测VGO转化率、产品选择性和轴向温度分布。结果表明：FNN能准确再现实验产品分布（平均R2从0.760提升至0.770）；增密后的数据集使动力学参数置信区间缩小（相对偏差2%–30%）；工业尺度模拟显示，C/O比从3增至7时，VGO转化率从65.32%升至76.37%，焦炭产率从0.94%升至1.33%，轻气体产率从13.7%升至24.6%，汽油产率稳定在44.7%–48.2%。该研究证明了神经网络辅助的动力学建模方法在稀疏数据条件下的有效性，为工业FCC提升管优化提供了可靠工具。

**关键技术与方法**
1. **CREC Riser Simulator实验**：使用实验室级微型流化床反应器（CREC Riser Simulator）在受控条件（温度、反应时间、C/O比）下进行VGO催化裂化，VGO原料来自加拿大Imperial Oil Limited（Sarnia, Ontario），催化剂A为平衡催化剂（来源：Alkhlel & de Lasa, 2019）。
2. **前馈神经网络（FNN）数据增密**：构建单隐层（12节点）FNN，训练后从离散实验点生成连续反应轨迹，提供合成中间数据点。
3. **五集总动力学模型**：基于修正反应网络（含VGO→LCO、汽油、轻气体、焦炭等六条路径），采用二阶VGO消耗反应和一阶LCO/汽油裂解反应，结合催化剂失活函数（二阶缩合反应）。
4. **非线性回归参数估计**：使用MATLAB ODE15s求解器及lsqnonlin例程，对增密后的数据集进行非线性回归，获取动力学参数（活化能、指前因子等）及95%置信区间。
5. **1D非均相工业提升管模型**：考虑气固两相流动、热平衡及动力学方程，模拟工业FCC提升管（尺寸参考西班牙Petronor S.A.炼油厂，直径0.96–1.25 m，高度43 m，反应区长度32.5 m）。

**研究结果**
**2.1 催化裂化结果**：随着C/O比从2增至7，VGO平均转化率从约40%升至80%以上，汽油产率从25%增至45%，轻气体和焦炭产率温和增长。C/O比在5–7之间时，副反应（二次裂解、焦炭生成）加剧，需优化操作参数。
**2.2 ANN模型**：采用FNN（单隐层12节点，113参数）预测产品分布，测试数据平均R2达0.770（优于先前研究的0.760）。FNN能准确再现VGO、LCO、汽油、轻气体和焦炭随时间变化的趋势（图2、3），其生成的合成数据点用于后续动力学回归。LCO预测R2较低归因于其作为次要组分的测量不确定性。
**2.3 动力学模型**
**2.3.1 参数估计**：通过非线性回归获得五集总动力学参数（表2），95%置信区间相对偏差2%–30%，表明参数估计稳健。增密数据集显著提高了回归的收敛稳定性。
**2.3.2 产品收率预测**：新动力学模型（结合合成数据）的平均R2从0.53提升至0.60（表3），对LCO和焦炭的预测优于Jansen & de Lasa（2025）模型。推荐使用63个测试点（不同C/O比）以获取可靠预测。
**2.3.3 工业尺度模型预测**：在入口混合温度550°C下模拟C/O=3、5、7的工业提升管。结果（图5、表4）显示：C/O比增加导致VGO转化率升高（65.32%→76.37%）、焦炭产率上升（0.94%→1.33%），循环油/汽油比下降（15%→6%），轻气体产率增加（13.7%→24.6%），汽油产率基本稳定。温度沿提升管轴向下降约10–15°C。

**总结与结论**
研究结论部分（原文Section 5）翻译如下：
(a) 研究表明，前馈神经网络（FNN）能够有效再现CREC Riser Simulator催化裂化实验中的产品分布。
(b) 证明所得神经网络模型可在有限实验数据条件下调整五集总FCC动力学模型的参数。
(c) 证实了基于有限跨度动力学参数获得的动力学模型可用于1D非均相模型模拟工业FCC提升管单元。
(d) 工业FCC提升管仿真提供了优化VGO转化率和各种产品产率（轻气体、汽油、循环油、焦炭）的有价值信息，以满足未来能源市场变化的需求。

该研究通过将神经网络数据增密与现象学动力学建模解耦，克服了稀疏数据下的参数估计难题，为工业FCC优化提供了一种高效、可靠的模拟框架。