基于迁移学习的微反应器大气液比Aspen模型构建

作     者：秦睦轩 张玮 王盈锦 李梓良 

作者机构：太原理工大学化学与化工学院化学产品工程山西省重点实验室 

出 版 物：《化工进展》 (Chemical Industry and Engineering Progress)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 080706[工学-化工过程机械] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(22178241) 

主　　题：微反应器 过程建模 Aspen Plus 迁移学习 算法 

摘      要：微反应器作为过程强化的关键设备，已在多个领域应用。然而，多数流程模拟软件缺乏微反应器模块，在一定程度上阻碍了其在工业中的应用。本文提出了一种基于迁移学习构建的适用于大气液比的Aspen微反应器的产物收率预测模型，以微反应器中气液磺化合成十二烷基苯磺酸过程为例，验证了该模型的准确性。首先，通过大气液比（2000:1-3000:1）磺化实验，在T型微反应器中收集38组十二烷基苯磺酸的收率数据，作为迁移学习的目标域。基于微通道环状流特征采用Aspen Plus的平推流反应器（PFR）模块初步建立该过程的产物收率预测模型，并生成29700组源域数据。考虑流体动力学和微通道结构等特征，本研究采用迁移学习中的条件对抗域适应网络（CADAN）并对其进行调整，包括采用深度ReLU网络架构及优化对抗损失函数。随后利用模拟数据训练特征提取器，并利用实验数据进行条件对抗域适应训练。最终建立的模型拟合系数(R2)可达0.9346，相较人工神经网络提升了14.6%，较PFR模型提升了98.18%。同时，该模型在20%的噪声水平下仍保持R2大于0.78，均方根误差低至5.07，优于同等条件下的人工神经网络，显示出较高的预测精度和强鲁棒性。