《Energy》：A heat exchanger network retrofit method for non-continuous processes based on reinforcement learning
编辑推荐：
非连续工业过程表现出不规则的操作行为，其特征是频繁的工况转换和定义不清的操作区间。为便于系统分析和优化，此类过程通常被近似为一组具有代表性的离散操作状态。本研究提出一种集成强化学习（RL）框架，用于非连续过程多操作状态下的换热器网络（HEN）改造。该强化学习框
非连续工业过程表现出不规则的操作行为，其特征是频繁的工况转换和定义不清的操作区间。为便于系统分析和优化，此类过程通常被近似为一组具有代表性的离散操作状态。本研究提出一种集成强化学习（RL）框架，用于非连续过程多操作状态下的换热器网络（HEN）改造。该强化学习框架在满足实际改造约束的前提下，优化换热器面积和网络结构。与依赖代理模型或直接预测最优设计的传统机器学习方法不同，所提出的框架将学习嵌入优化过程中，以自适应地探索非连续操作下的改造决策。与需要显式枚举所有结构约束且对复杂网络可能不可行的传统确定性优化算法相比，该强化学习方法在具有固定换热器面积的简化模型上采用试错学习，从而实现对整体改造问题的鲁棒优化。案例研究结果表明，所提出的方法能够复现与使用完整数据集获得的优化趋势相当的结果，并实现总年化成本（TAC）的降低；仅通过换热器重新分配和轻微改造即可节省约30万至50万美元，而允许新增换热器可将收益增加至100万美元以上。
基于强化学习的非连续过程换热器网络改造方法解读
非连续工业过程兼具连续与批式操作特征，频繁的起动/停车和生产调度导致流股条件显著波动，其操作行为不规则，难以用单一稳态设计描述。传统的换热器网络（HEN）设计通常针对单一稳态工况，无法充分适应这种间歇性。现有HEN改造方法主要依赖夹点分析和数学优化，其中混合整数线性规划（MILP）和混合整数非线性规划（MINLP）被广泛用于确定最优改造方案，但多状态问题使模型规模急剧膨胀，导致计算时间长、收敛困难甚至不可解。随机优化算法虽能全局探索，但缺乏跨迭代
