基于ANN的甲烷热解和重整方法中平衡气体组成和碳产率预测

《Reaction Chemistry & Engineering》:ANN-based prediction of equilibrium gas composition and carbon yield in methane pyrolysis and reforming methods

【字体: 大 中 小 】 时间:2025年12月09日 来源:Reaction Chemistry & Engineering 2.9

编辑推荐:

  研究人员研究了人工神经网络(artificial neural networks, ANN)在近似甲烷热解(methane pyrolysis, MP)、甲烷干重整(dry reforming of methane, DRM)、甲烷蒸汽重整(steam met

  
研究人员研究了人工神经网络(artificial neural networks, ANN)在近似甲烷热解(methane pyrolysis, MP)、甲烷干重整(dry reforming of methane, DRM)、甲烷蒸汽重整(steam methane reforming, SMR)和甲烷部分氧化(partial oxidation of methane, POM)中平衡气相组成和碳产率方面的潜力。与依赖吉布斯自由能最小化的传统热力学方法不同,基于ANN的方法提供了一种数据驱动的替代方案。通过监督学习,该模型捕捉了工艺参数(如温度、压力和反应物比例)与所得平衡产物组成之间的复杂非线性关系。这种方法不仅规避了吉布斯自由能最小化计算密集型的缺点,还能在广泛的操作条件下实现快速预测。该研究评估了一种代表性ANN架构的性能,并将其预测结果与传统热力学计算进行比较,以评估该方法的准确性和泛化能力。结果表明,训练后的ANN在预测气相组成和碳产率方面表现良好,即使所有输入变量均通过插值获得。此外,ANN执行相同任务的速度比传统方法快数千倍。总体而言,结果证明了ANN作为加速甲烷转化过程中平衡计算的高效工具的潜力。所开发并验证的方法可被视为预测甲烷热解和重整过程中平衡气体组成和碳产率的有用工具。补充信息(SI)提供了用于在广泛温度、压力和初始反应物组成范围内计算MP、DRM、SMR和POM中平衡气体组成和碳产率的ANN突触权重。
## 论文解读:基于人工神经网络的甲烷热解与重整平衡组成预测

### 研究背景与问题

甲烷作为天然气的主要成分,因其具有最高的氢碳比,在全球能源和化工行业中扮演着关键角色。随着低碳和氢基能源载体需求的持续增长,开发高效、清洁的甲烷利用方法备受关注。目前,甲烷蒸汽重整(steam methane reforming, SMR)是主导的工业制氢工艺,约占全球H2产量的62%,但该过程伴随大量CO2排放(约9~11 kg CO2-eq/kg H2,未考虑碳捕集与封存CCS)。为应对脱碳制氢需求,几种有前景的替代方法应运而生,包括甲烷干重整(dry reforming of methane, DRM)、甲烷热解(methane pyrolysis, MP)和甲烷部分氧化(partial oxidation of methane, POM)。这些方法的性能强烈依赖于温度、压力和进料组成等操作参数。准确预测不同条件下的平衡气体组成和固体碳产率对于工艺优化、放大和环境影响评估至关重要。传统建模方法采用吉布斯自由能最小化,需要热力学知识,且计算密集。然而,用人工神经网络(artificial neural networks, ANN)替代这一经典建模方法,可将问题从基于物理的模型转变为数据驱动的模型。尽管已有一些研究利用吉布斯自由能最小化方法对SMR、DRM、POM、MP进行热力学平衡分析,但关于ANN在预测此类系统热力学平衡中的应用文献非常有限。因此,研究人员开展了本研究,旨在探索ANN作为建模工具描述MP、DRM、SMR和POM中气相组成和碳产率的潜力。

### 研究内容与意义

研究人员开发并验证了一种基于ANN的建模方法,用于近似四种关键甲烷转化过程(MP、DRM、SMR、POM)中的平衡气相组成和碳产率。与传统热力学方法相比,ANN方法提供了一种数据驱动的高效替代方案,能快速预测广泛操作条件下的平衡状态。该研究评估了代表性ANN架构的性能,并将其预测与传统热力学计算进行比较。结果表明,训练后的ANN在插值条件下预测准确,且计算速度比传统方法快数千倍(例如,DRM案例中,传统方法需约15秒,而ANN仅需0.00233秒,快6438倍)。该研究为加速甲烷转化过程中的平衡计算提供了高效工具,所开发的ANN模型可通过补充信息(SI)中提供的突触权重直接应用于实际计算。该论文发表在《Reaction Chemistry & Engineering》。

### 关键技术方法

本研究采用两种主要技术方法:
1. **吉布斯自由能最小化方法**:基于Peng-Robinson状态方程计算逸度系数,通过Gibbs-Helmholtz方程计算标准吉布斯自由能,并利用Shomate方程从NIST数据库获取标准焓和熵,对甲烷热解(MP)、干重整(DRM)、蒸汽重整(SMR)和部分氧化(POM)过程进行热力学平衡计算,生成训练和测试数据。热力学计算使用Matlab R2024b实现,并通过与文献中已知解析解(eqn (32))对比验证了准确性。
2. **人工神经网络(ANN)方法**:采用5-40-6架构(5个输入神经元:温度、压力、nCO2/nCH4、nH2O/nCH4、nO2/nCH4;1个隐藏层含40个神经元;6个输出神经元:yCH4、yCO2、yCO、yH2、yH2O、YC)。使用双极S型激活函数(tanh)和线性激活函数,Levenberg-Marquardt(trainlm)算法进行训练。训练数据集共计2233个样本,涵盖MP、DRM、SMR、POM在温度0~1500°C(步长50°C)、压力1、3、5 bar下的多种反应物比例。通过验证集(15%)和测试集(15%)监控过拟合。插值能力通过温度、压力、反应物比例单独及同时插值的测试集评估,未评估外推能力。

### 研究结果

#### 3.1. 热力学计算结果

- **MP(甲烷热解)**:在0~1500°C范围内,系统仅存在CH4、H2和固体碳。高温促进CH4转化,高压则抑制转化,符合勒夏特列原理。
- **DRM(甲烷干重整)**:使用等摩尔CH4和CO2进料。温度>1100°C时平衡强烈偏向H2和CO生成;低温下存在H2O、固体碳及未反应CH4和CO2。升高总压力使平衡曲线向高温方向移动。
- **SMR(甲烷蒸汽重整)**:等摩尔H2O和CH4进料。温度>1100°C时,平衡组成符合总反应化学计量(H2 0.75,CO 0.25)。低温下存在未反应物及少量CO2和固体碳,表明发生副反应(如甲烷裂解和Boudouard反应)。升高总压力降低转化率。
- **POM(甲烷部分氧化)**:nO2/nCH4=0.5。温度>1100°C时,H2和CO摩尔分数分别为0.66和0.33。低温下存在未反应CH4及H2O、CO2和固体碳。0~300°C范围内CH4平衡浓度略有增加,归因于低温下水蒸气占主导。

#### 3.2. ANN结果

- **训练集(No. 1)**:ANN预测与目标值整体吻合良好,但碳产率的拟合精度略低于气相组分。
- **温度插值测试(No. 2.1-2.4)**:所有方法(MP、DRM、SMR、POM)均显示出非常相似的优异预测结果,验证了ANN对温度插值的能力。
- **压力插值测试(No. 3.1-3.4)**:以SMR为例,ANN预测气相浓度比碳产率更准确,但整体预测与训练模式仍令人满意。
- **反应物比例插值测试(No. 4.1-4.3)**:以POM为例,ANN预测与目标值良好一致。
- **同时插值所有变量(温度、压力、反应物比例)(No. 5.1-5.3)**:DRM、SMR和POM的ANN预测与目标值表现出极好的一致性。
- 总体而言,ANN对碳产率的预测精度略低,其中SMR的碳产率拟合最差(R2=0.8399),可能因为SMR中碳产率对工艺参数变化更敏感。
- 与多项式拟合(三阶至五阶)相比,ANN的预测精度更高,突出了其作为数据驱动模型的优势。

### 讨论与结论总结

**讨论部分**:数据驱动模型(如黑箱ANN或其他降阶方法)可轻松集成到实时过程控制系统中,作为虚拟传感器或代理模型,快速预测关键过程变量。在实时控制框架中,这些预测输出可纳入优化算法,持续调整反应器参数以维持最佳操作条件。此外,此类模型可在线更新,实现自适应学习。近年来,物理信息人工神经网络(Physics-Informed Artificial Neural Networks, PIANNs)作为传统黑箱ANN的有前景扩展,将数据驱动学习与物理定律(如微分方程或热力学约束)相结合,可提高模型可解释性,减少对大数据集的需求,并增强外推能力。将传统ANN和PIANN框架集成到过程控制架构中,可实现更快的决策、增强过程稳定性和产品质量,同时最小化能耗和原料消耗。

**结论部分**:本研究表明,所提出的基于ANN的建模方法是近似MP、DRM、SMR和POM等关键甲烷转化过程中平衡气相组成和碳产率的强大且高效的工具。与传统热力学方法不同,ANN模型采用数据驱动方法学习过程变量(如温度、压力和反应物比例)与平衡浓度及碳产率之间的复杂非线性依赖关系。研究结果证实,训练后的ANN不仅实现了高预测精度,与经典热力学计算结果高度匹配,而且在研究域内对未见输入条件具有良好的泛化能力。ANN的计算效率尤为突出,例如在DRM案例中,传统方法需约15秒评估31个温度、3个压力下的平衡组成,而ANN仅需0.00233秒,速度快超过六千倍。这使得基于ANN的方法特别适用于需要快速评估平衡状态并集成到频繁进行平衡数据评估的计算流体动力学(CFD)模拟中的应用。从实用角度看,该工作促进了ANN模型在其他计算应用中的实现,因为ANN权重已在SI中提供。总之,所提出的基于ANN的方法可作为甲烷转化过程传统热力学建模的有前景替代方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号