摘要：
傳統方法在面對化學工程問題時存在一個關鍵缺陷——化學過程通常表現出高度非線性的行為，所以解決這些問題依靠傳統方法通常是非常具有挑戰性的。然而，近年來，人工智能（AI）技術已經變得越來越有用。這是因為AI技術具有以下優勢：易於實現、設計靈活、通用性強，並且可以適應各種不同的應用。AI領域包括多個分支，如人工神經網絡、模糊邏輯、遺傳算法、專家系統以及混合系統。這些方法已經在化工領域的多個方面得到廣泛應用，包括建立模型、過程控制、數據分類、故障檢測以及故障診斷當中。
引例：基於遺傳算法的甲烷氧化偶聯流化床反應器優化
DOI：10.2202/1542-6580.2728
OCM（甲烷氧化偶聯生產C2碳氫化合物，主要是C2H6和C2H4)是一系列化學反應，最早於20世紀80年代由Keller和Bhasin提出，用於將天然氣直接轉化為乙烯和其他增值化學品的理想產品。該工藝商業化的一個障礙是反應產率低。提高C2收率的方式是沿反應器的分段進料配置。
在本研究中，通過優化反應器的工藝變量，包括溫度、每個階段的氧氣流速（分佈模式）和床層每個階段的長度，最大化了OCM的C2產率，該反應是在具有分階段進料的流化床反應器中進行的。此外，還研究了注入到反應器的氧氣的溫度和分佈模式對反應性能（C2的產率和選擇性以及甲烷的轉化率）的影響，以及注入次數對C2產率的影響，及溫度對反應器出口乙烯與乙烷的比值的影響。
採用Daneshpayel提出的Mn/Na2WO4/SiO2催化劑的OCM動力學模型作為反應子模型。該模型考慮了催化和氣相以及初級和連續反應步驟。根據這個模型，甲烷可以通過三個平行反應轉化:
a)甲烷氧化偶聯生成乙烷。
b)甲烷非選擇性全氧化生成二氧化碳。
c)甲烷部分氧化為一氧化碳。
引起C2產率和選擇性變化的主要反應有從甲烷中生產乙烷，通過氧氣和水消耗乙烯，乙烷脫氫成乙烯，這兩種方式發生在熱分解和氧氣存在下。這意味着，無論床上的氧氣在哪裏耗盡，脫氫反應都只是熱反應。
表1：OCM的基元反應過程
在OCM過程中，提高選擇性的一種可能是改變分級加料的反應物濃度分佈。通過這種方法，反應中釋放的熱量更多地沿着床層分佈，從而提供了更好的溫度控制。圖1顯示了本工作中的進料配置。
圖1：OCM反應器中的分段進料配置
根據經驗及傳統算法，篩選出為提高C2產量而進行優化的關鍵工藝參數以及他們的參數約束。
圖2：為提高C2產量而優化的主要工藝變量
本文採用一種運行在連續變量空間中的遺傳算法(GA)優化方法來解決優化問題。連續遺傳算法在收斂到全局最優時計算速度快且穩定，因為它避免了大量的位操作和變量邊界的強加，與二進制代碼相關，因為單個浮點數代表變量而不是Nbits整數。主要GA參數如圖3所示。
圖3：遺傳算法所用參數
圖4：最大C2收益率的決策變量
採用遺傳算法實現了C2產率的最大化的最優值6種情況下最大C2收益率的決策變量如圖5所示。在746.05℃的操作溫度下，三次二次氧注入分別達到22.87%和22.87%。在較低的最佳溫度下，本研究的C2產率比文獻報道的C2產率提高了約4%。
AI在化工行業中的應用
上述案例在過程優化領域研究了一個典型案例，人工智能技術提供了解決複雜問題的工具，在化工過程中具有挑戰性和實用性。由於化工過程的複雜性，化學製造過程需要持續的質量控制和監督。雖然傳統算法在製造業的某些方面可能很有效，但它們不會像機器學習方法一樣「舉一反三」，機器學習可通過識別模式，預測未來事件，並根據可用數據提出最有效的解決方案。
人工智能可以解決化學品製造商遇到的最常見問題，包括：
生產線停機
泄漏和污染
不穩定且質量受損
產量低或波動
過度產生廢
資源使用效率低下
漫長的發現過程
能源使用優化
每個現代化工廠都基於先前編寫的控制程序運行。近年來，化學工程師已經將越來越多的AI和ML融入其中：
通過高級分析改進科學研究工作使用深度學習模型。化學品製造商可以在分子水平上研究物質，以找到最有效的解決方案並改進現有配方。
化學性質預測。將分子的成分特徵化，量化並饋送到神經網絡。該模型被訓練為基於包含具有它們的已應用分子的數據集識別特定屬性。人工智能和機器學習能夠對新開發的物質的各種參數進行高級建模，並幫助設計新的生產線（小規模和大規模）。
優化運營效率。人工智能可以幫助化工廠優化運營，幫助最大限度地減少運營業務所需的輸入（削減能源，運營，生產成本），同時最大化產出（即業務增長，客戶滿意度，收入等變量）。
提高產量並減少過多浪費。人工智能可以通過實時監控各種生產過程來提供幫助，以發現需要進行更改的地方。這項技術還可以幫助簡化運營，以生產更多的產品，同時使用更少的能源和材料。還可以使用基於機器學習的方法來減少運營中的浪費。在這種情況下，使用包含各種因素（例如溫度，攪拌水平，在過程之間切換的時間等）的數據集構建預測模型。然後，該模型用於預測遵循特定配方時浪費的材料量。
提高質量保證。質量保證旨在防止製造產品中的缺陷，在化工行業，一旦不良物質到達生產線，可能只需要幾分鐘甚至幾秒鐘就能污染整個批次。人工智能可以在非常早期的階段識別此類事件，並觸發阻止它們進展的行動。此外，它可以通過此事件進行學習，來更快地識別將來的類似問題，甚至防止它們發生。
通過預測性維護最大限度地減少停機時間。一旦發生設備故障，生產就會減慢或停止，因此自然會產生損失。預測性維護算法可以實時監控所有機械元件，並檢測可能導致停機的任何缺陷或即將發生的故障。
計劃生產。為了優化化學製造過程，機器學習算法可以根據可用數據為製造商提供近似答案。這有利於數據管理，以安排並保持最大的成本效益和長期規劃。
人工智能在化工行業的應用帶來了顯著的優點，雖然AI的應用也伴隨着一些挑戰。比如，數據私隱和安全，因為大量敏感數據需要得到妥善保護。總的來說，充分利用AI的潛力將有助於提高化工行業的效率、安全性和可持續性。
