失活神经常微分方程（deactNODE）——从积分数据学习失活动力学

《Industrial & Engineering Chemistry Research》：Deactivation Neural Ordinary Differential Equation (deactNODE)─Learning Deactivation Kinetics from Integral Data

　　

催化剂失活严重影响反应器的长期性能。因此，开发并参数化能够预测操作条件影响的精确模型对于反应器设计至关重要。现有模型受幂律框架限制，或缺乏在反应器模型中使用的灵活性。在本工作中，研究人员展示了人工神经网络（aNNs）在失活动力学学习中的应用，并针对最先进的幂律模型进行了批判性评估。为此，提出了一种基于速率的失活模型，其中无约束aNN学习作为催化剂状态和操作条件函数的本征活性梯度。该模型采用基于神经常微分方程（NODE）方法的积分策略在活性-时间数据上训练，从而能够直接使用实验可获取的量。通过模拟失活实验，开展了系统的超参数研究以确定合适的网络结构，并验证了NODE训练策略。该模型能够准确预测温度相关的失活数据，并表现出对未见条件的稳健内插能力，即使在小数据集下亦然。将其应用于Ni基催化剂上的长期CO甲烷化实验，结果显示与实验活性曲线高度吻合，能够捕捉状态变化和复杂温度效应。与幂律失活模型的比较显示，二者最优拟合效果相近，但aNN对随机初始化具有更强的稳健性。交叉验证研究强调了aNN强大的内插能力，而幂律模型和aNN模型在外推方面均表现出局限性，这符合经验模型的预期。总体而言，基于aNN的模型为经典幂律失活模型提供了一种准确、灵活且稳健的替代方案。

论文解读

催化剂失活是工业反应器长期运行性能的关键制约因素。现有失活动力学模型多采用Levenspiel失活动力学模型（LDKM）或广义幂律方程（GPLE）等幂律结构，依赖预设函数形式，难以灵活描述多机制耦合或机制转变；而基于第一性原理的机制建模因涉及复杂物理化学现象而困难。为此，研究人员提出失活神经常微分方程（deactNODE）模型，利用无约束人工神经网络（aNN）学习本征活性梯度与催化剂状态、温度和分压的关系，并通过神经常微分方程（NODE）的积分训练策略在实验可获取的活性-时间数据上训练。该研究发表于《Industrial & Engineering Chemistry Research》。

关键方法：研究人员采用合成数据（由Arrhenius型LDKM积分生成）进行超参数筛选；使用torchdiffeq库伴随法求解ODE，PyTorch ADAM优化；网络为单层20节点ReLU结构。物理实验在固定床管式反应器中进行，Ni/Al₂O₃催化剂经等体积浸渍制备，于微分条件下开展CO甲烷化长期实验；另采用文献中Ewald等人的CO₂甲烷化数据。模型评价包括Akaike信息准则（AIC）、95%置信区间（CI）和留一温度交叉验证。

结果：
模型简化：为聚焦温度影响，将归一化温度T_n作为唯一输入，假设单一活性位。
超参数研究：通过差分训练比较网络宽度与深度，发现单层15–20个节点即可准确描述强温度依赖失活；多层网络精度反而下降且更易陷入局部极小，AIC支持单层结构。
NODE训练策略验证：积分训练在合成数据上达到低于差分训练的测试损失，且对随机初始化更稳健。
泛化能力：模型对未见温度的内插预测误差略高于训练集，但仍在实验误差范围内；增加节点数可继续改善内插精度。
失活实验设计：模拟连续搅拌釜反应器显示，高转化率下测量转化率不能代表真实活性，需微分条件排除反应动力学掩盖。
文献案例：deactNODE在Ewald等CO₂甲烷化数据上获得平均绝对百分比误差（MAPE）0.96%，优于GPLE的4.86%，并能捕捉不均匀温度效应。
CO甲烷化物理实验：活性曲线呈两阶段——初期快速指数下降，后期近线性下降；低温下初期失活更剧烈，高温下后期失活更快，研究人员将其归因于羰基诱导烧结与积碳两种机制。
deactNODE预测：最优拟合MAPE仅1.07%，95%置信区间窄，成功捕捉两种失活区间和复杂温度依赖。
GPLE拟合：双机制GPLE也能拟合曲线但置信区间宽，且12次随机初始化中仅5次成功；单机制GPLE的MAPE为3.98%，表明至少存在两个失活机制。
交叉验证：deactNODE对中间温度内插的整体MAPE为1.05%，而GPLE内插MAPE超过4%；外推时两者精度均下降，GPLE略优于deactNODE。

讨论与结论：deactNODE无需先验机理假设，即可从积分活性-时间数据中学习复杂失活动力学，在长期反应器建模中具有准确、灵活和鲁棒的优势，可作为经典幂律失活模型的替代。但作为无物理约束的经验模型，其外推能力有限，因此实验设计需尽量覆盖状态空间。研究仅考察温度依赖失活；未来计划将热质平衡纳入训练、直接使用出口摩尔流率数据，并考虑分压效应和副反应以扩展模型适用性。研究得出结论：aNN能够有效学习失活动力学，预测时间相关反应器行为，对长期反应器设计与优化具有重要意义；对于失活机制尚未完全明确的催化剂体系，deactNODE提供了一种无需假设机理过程的动力学参数化替代方案。