一种用于氨基化学吸附系统中动态压力预测的混合物理-人工智能框架
《Chemical Engineering Journal Advances》:A Hybrid Physics–AI Framework for Dynamic Pressure Prediction in Ammonia-Based Chemisorption Systems
【字体:
大
中
小
】
时间:2026年05月12日
来源:Chemical Engineering Journal Advances 7.1
编辑推荐:
帕尔萨·阿洪德·德兹福利(Parsa Akhond Dezfouli)| 梅赫迪·梅赫尔普oya(Mehdi Mehrpooya)| 穆罕默德·马赫迪·肖贾伊(Mohamad Mahdi Shojaei)| 梅赫迪·泰穆里(Mehdi Teimouri)
伊朗德黑兰大学工程学
帕尔萨·阿洪德·德兹福利(Parsa Akhond Dezfouli)| 梅赫迪·梅赫尔普oya(Mehdi Mehrpooya)| 穆罕默德·马赫迪·肖贾伊(Mohamad Mahdi Shojaei)| 梅赫迪·泰穆里(Mehdi Teimouri)
伊朗德黑兰大学工程学院机械工程学院
**摘要**
本研究提出了一种混合物理-人工智能框架,该框架结合了热化学模拟和神经网络建模,用于预测基于氨的化学吸收系统中使用氯化锰(MnCl?)和氯化锶(SrCl?)作为工作盐时的动态压力行为。首先开发了一个详细的数值模型,以模拟氨在圆柱形化学吸收反应器内的吸附-脱附循环,该模型基于克劳修斯-克拉佩龙关系(Clausius–Clapeyron relation)和阿伦尼乌斯型动力学(Arrhenius-type kinetics)建立了能量和质量平衡方程。该模拟生成了在100–300°C和1–10巴操作条件下的温度、压力和流量的高分辨率时间序列数据。在此基础上,本文开发了一种基于神经网络的替代模型,该模型使用混合输入表示法(结合高维时间序列向量和三个点态操作参数(进出口气温和质量流量)来预测反应器压力。通过对这些特征进行适当的洗牌、K折交叉验证和标准化处理,训练了一个三层全连接神经网络,实现了接近1的R2值,并且在所有折叠中的预测误差都非常低。真实值与预测值及残差分布的可视化证实,该替代模型能够可靠地再现基于物理的特性压力轨迹,仅在样本量较少时性能略有下降。结果表明,将基于物理的模拟与数据驱动的学习相结合,显著提高了回归性能,为热化学储能系统的优化提供了一种快速、准确且易于解释的工具。
**1. 引言**
基于氨的化学吸收被认为是热化学储能和回收的新方法之一[1]。特别是像MnCl?–NH?和SrCl?–NH?这样的金属卤化物工作对,由于它们良好的热力学性质和高氨吸附容量,在实验和建模研究中受到了广泛关注[2]。从建模的角度来看,研究人员应用了涉及能量和质量平衡、平衡关系(如克劳修斯-克拉佩龙关系)以及动力学定律(如阿伦尼乌斯型速率表达式)的严格物理模型来捕捉氨在这类金属卤化物上的可逆吸附和脱附[3]。然而,这些高保真的基于物理的模型通常计算成本较高,尤其是在进行瞬态分析或在宽操作范围内进行参数研究时,这限制了它们快速预测变化条件下系统动态行为的能力。
通过用氯化钙和氯化锶浸渍沸石颗粒制备并评估了复合氨吸附剂[4]。结果显示,这些复合材料结合了沸石(高动力学和吸附速率)和盐(高吸附容量)的优点,从而具有最佳性能。基于氯化锰-氨(MnCl?-NH?)工作对的化学吸附-冷凝原理,建立了一个混合热泵模型并进行了动态分析[5]。模拟结果显示,该系统能够将输入温度70°C成功转化为输出温度100至120°C,并实现了3.18至5.69的显著性能系数(COP)。在使用SrCl?-膨胀石墨复合材料的化学吸附热泵系统中,实验研究了脱附动力学[6]。结果表明,温度的升高显著提高了脱附速率,在101°C时,大约20分钟内即可完成完全脱附。为了解决基于SrCl?的化学吸收热泵中的严重温度波动问题,提出了一种非对称启动-停止控制方法[7]。结果使出口温度波动减小到5°C以下,并实现了1.21的平均性能系数(COP),从而确保了稳定的加热。通过在SrCl?-膨胀石墨(NEG)中添加碳包覆的镍纳米颗粒(C–Ni),开发了一种新的复合材料[8]。结果显示,这种新材料所需的热源能量较少,但传质性能相对较低。使用新的克劳修斯-克拉佩龙图比较了66种化学吸附工作对[9],强调了选择合适的盐与所述具体应用相匹配以及减少反应器的热质量以提高性能的重要性。还对SrCl?-膨胀石墨复合材料上的氨吸附/脱附反应的平衡和动力学进行了实验研究[10]。在一小时的吸附过程中,实现了0.3的性能系数(COP)和656 W/kg的最大比冷却功率(SCP)。引入了一种借助热和质量耦合的同时进行冷却和加热的氨吸附热能储存(STES)循环[11]。该循环使系统的COP和ESD分别提高了12.8%和7.3%。使用MnCl?–SrCl?/NH?工作对开发了一种基于氨的热能储存系统[12]。结果显示,该系统可以实现120.3 kWh/m3的能量储存密度和0.66的性能系数(COP)。通过开发一种简单的测量方法,研究了氨在氯化锶(SrCl?)上的吸附平衡的热力学性质[13]。他们推导出克劳修斯-克拉佩龙方程,以准确描述氨在SrCl?上的吸附平衡。介绍并建模了一种利用太阳能热能(CPC)、化学吸附和热能储存(PCM)的联合发电系统[14]。该系统的年热效率为44.64%,冷却性能系数为0.18。开发并实验测试了一种基于MnCl?–SrCl?/NH?工作对的热化学再吸收热能储存系统[15]。结果表明,该系统的能量储存密度为287 kJ/kg。对适用于氨盐基再吸收冷却系统的合适工作对进行了综述[16]。研究强调了盐的热力学性质,并建议优化反应驱动力、源温度和能量储存密度等参数,以确定理想的冷却循环工作对。开发并实验评估了一种使用SrCl?/NH?复合材料的长期热能储存化学吸附系统原型[17]。该系统基于反应器体积实现了141 kWh/m3的最大能量储存密度,证实了这种工作对在季节性热能储存中的高潜力。研究了向SrCl?-膨胀石墨(NEG)复合材料中添加碳包覆的镍(C-Ni)和铝(C-Al)纳米颗粒对吸附性能的影响[18]。添加C-Ni提高了整体热和传质性能,在低温吸附和脱附测试中显示出更快的反应速率,并可能缩短了总吸附周期时间。还对基于金属卤化物盐和氨的低品位热利用再吸收发电循环(RPGC)进行了理论分析[19]。将RPGC与无泵有机朗肯循环进行了比较,揭示了基于化学吸附的循环在净发电和废热回收方面的巨大潜力。研究了吸附热转换(AHC)系统中特定功率的提高[20]。通过在热交换器表面粘合LiCl/硅胶复合颗粒,引入了一种创新的吸附床配置,以改善吸附冷却循环中的传热性能。开发了一种具有创新增压设计的热化学吸附热泵(TSHP),用于将低品位废热提升到更高的温度以实现工业干燥[21]。使用SrCl?/NH?工作对和反应器间压缩机,该系统在70°C至120°C的热升级过程中实现了高达6.5的COP,其性能明显优于传统的蒸汽压缩热泵(VCHPs)。提出了一种具有大浓度滑移的吸附热储存系统,用于高密度、长期热能储存[22]。通过采用冷却耦合机制增强浓度,该系统在-10°C的环境条件下仍能实现0.18的COP和293.9 kJ/kg的能量密度,而传统系统通常在此温度下会失效。
基于氨的化学吸收系统应用于季节性热能储存、建筑供暖和冷却系统、工业废热回收以及太阳能热系统。这些系统具有显著的优势,包括高能量密度、长期储存能力而无能量损失、适中的操作温度、与低品位热源的兼容性,以及长期储存期间无需热绝缘。虽然基于物理的严格模型可以提供高保真的化学吸收系统模拟,但其计算成本限制了其在快速预测、瞬态分析和大规模参数研究中的应用。为了克服这一限制,本研究提出了一种混合物理-人工智能框架,将详细的热化学模拟与神经网络替代模型结合起来用于预测反应器压力。首先,基于能量和质量平衡以及阿伦尼乌斯型动力学的数值模型用于生成在广泛操作条件下的MnCl?和SrCl?的高分辨率时间序列数据。其次,训练了一个全连接神经网络,该网络使用点态操作参数(进出口气温和质量流量)与编码吸附-脱附轨迹的固定长度时间序列向量进行结合,从而获得了接近1的R2值和非常低的绝对误差。这种混合方法表明,基于物理的数据生成与数据驱动的回归相结合,可以为热化学储能系统的设计和优化提供快速、准确的工具。这激发了开发数据驱动替代模型的发展,这些模型可以用更低的计算成本近似关键系统输出(如腔室压力)。
**2. 使用MnCl?和SrCl?的化学吸收单元系统描述**
化学吸收技术提供了一种创新的方法,通过固体盐和气体物种之间的强烈化学相互作用将低品位热能转换为有用的工作。在该系统中,氨(NH?)作为工作流体,与两种不同的金属氯化物盐(氯化锰(MnCl?)和氯化锶(SrCl?)发生可逆反应。这两种盐分别发挥作用:MnCl?在高温下作为高温盐驱动脱附过程,而SrCl?在适中温度下高效吸附氨。
**2.1. 工作原理和反应化学**
核心过程基于可逆的化学吸附反应。金属氯化物与氨的一般反应可以表示为[14]:
(1)
MaCl?·n·NH? → MaCl?·(n-1)·NH? + ΔH
对于我们系统中的两种盐,分别考虑以下反应:
• 对于MnCl?(高温盐):在较高温度(通常在150–250°C范围内),MnCl?–NH?复合物分解释放氨气。这一脱附过程需要热输入,其特点是反应焓高,适用于驱动能量转换循环。
• 对于SrCl?(低温盐):在较低温度下,SrCl?容易吸附氨气,并在此过程中释放热量。吸附反应在有利于形成SrCl?–NH?复合物的平衡条件下进行。
吸附和脱附的反应动力学可以通过分析方法进行建模。转换速率x(反应的氨分数)由以下方程控制[14]:
**脱附速率:**
(2)
dx/dt = Ar·x·Mr·((Pc?Peq,syn)/Pc)
**吸附速率:**
(3)
dx/dt = Ar·(1?x)·Mr·((Pc?Peq,syn)/Pc)
其中,
• x 是转换分数,
• Ar 是反映反应温度敏感性的阿伦尼乌斯型常数,
• Mr 与盐中可用反应位点的密度相关,
• Pc 是腔室或入口压力,
• Peq,syn 是可以通过克劳修斯-克拉佩龙关系[14]估计的平衡压力:
(4)
Peq,syn = exp?[?ΔHRRTad+ΔSR]
其中,
• ΔHR 是反应焓,
• ΔS 是反应熵,
• RTad 是吸附剂温度,
• R 是通用气体常数。
这些方程为描述MnCl?和SrCl?在其各自操作温度范围内的动态行为提供了基本框架。
总之,所描述的化学吸收单元采用了一个圆柱形吸附床,结合了MnCl?和SrCl?以实现可逆的氨化学吸附。该系统的特点包括:
• 由详细的动力学和平衡方程定义的稳健反应框架。
• 经过精心设计的结构,确保了高效的热和质量传递。
• 分别优化MnCl?和SrCl?,以利用它们的各自热力学性质。
图1提供了化学吸收圆柱单元的示意图。基于该单元的热化学和结构特性进行的全面系统描述,为进一步分析和优化能量转换过程奠定了基础,其中每种吸附剂都在其理想操作条件下进行了研究。
**下载**:下载高分辨率图像(166KB)
**下载**:下载全尺寸图像
**图1. 化学吸收圆柱单元示意图。**
**2.2. 吸附单元的结构描述**
化学吸收单元围绕一个圆柱形吸附床构建,旨在最大化工作流体与固体吸附剂之间的接触。关键组件包括:
• 中心气体通道:专用通道允许氨气在单元核心中循环,确保气体均匀分布。
• 复合吸附剂层:吸附剂层由活性盐(MnCl?或SrCl?)与膨胀石墨混合而成。添加石墨可以提高热传导性并改善床层内的质量传递。
•金属管壁:复合吸附剂被放置在一个不锈钢管(通常是304不锈钢)内。金属管壁不仅提供了结构完整性,还作为外部热流体与吸附剂之间的热传导通道。
•绝缘层:外部绝缘层最小化了向环境的热量损失,维持了高效化学吸附反应所需的受控温度分布。
2.3. 热传导机制
高效的热传导对于确保吸附剂床层内化学吸附反应的快速且均匀进行至关重要。热传导过程分为两个主要阶段:
•从热流体到金属管壁的对流传导:热传导流体沿着金属管的外表面流动,通过对流传递热量。这一过程由[14]描述为:
(5)qconv = h(Tf ? Tw),其中h是对流热传导系数,Tf是流体的温度,Tw是管壁的温度。
•从金属管壁到吸附剂的传导:一旦热量到达金属管壁,它就会通过管壁传导到复合吸附剂中。傅里叶定律支配着这种传导过程[14]:
(6)Qcond = ?kwdTdr,其中kw是金属的热传导系数。为了简化分析,采用了具有三维热传导的集总参数模型。对数平均温差(LMTD)方法被用来近似对流传热[14]:
(7)LMTD = (Tf,in ? Tf,out) / ln(Tf,in ? TwTf,out),其中Tf,in和Tf,out分别表示热流体的进出口温度。这种方法确保了从流体到吸附剂的总热传导率得到准确估计。
2.4. 系统集成和运行考虑
化学吸附单元被设计为作为更广泛能量回收系统的一部分运行,在其中分别研究MnCl?和SrCl?在其最佳条件下的性能。在这种配置下:
•MnCl?在高温条件下运行以最大化氨的解吸。其反应特性被调整以提供释放氨蒸气的强大驱动力。
•SrCl?在较低温度条件下运行以优化氨的吸附。由此产生的放热过程有助于稳定反应器内的温度,并允许高效回收释放的热量。
通过分别优化MnCl?和SrCl?的运行条件,整个系统可以实现高热效率有效的能量转换。该设计还确保了热传导机制和反应动力学之间的平衡,以支持连续运行而不影响性能。
3. MnCl?和SrCl?吸附过程的模拟
在本节中,我们描述了在金属氯化物盐MnCl?(高温盐)和SrCl?(低温盐)上氨吸附过程的模拟。模拟的目的是为了在化学吸附循环的吸附阶段模拟这些盐的行为,其中氨在特定的温度和压力条件下被盐吸附。
模拟考虑了这两种盐的热力学和动力学特性,包括吸附和解吸动态。我们使用阿伦尼乌斯型速率定律和克劳修斯-克拉珀龙方程来模拟依赖于温度和压力的吸附/解吸过程。
3.1. 热传导和能量平衡
吸附过程中的热传导是系统能量效率的关键部分。在这个系统中,我们必须考虑从MnCl?中解吸氨所需的热量以及吸附SrCl?过程中释放的热量。
吸附材料的能量平衡可以表示为[14]:
(8)∑i=1NρiCp?i = ρEGCp?EG︸石墨+ρadCp?ad︸吸附剂+x(d?c)nadMrNH3Cp?NH3Vad︸氨
其中:
•ρi和Cp,i是系统中每种材料的密度和比热容,
•Vad是吸附材料的体积。
这个方程有助于预测吸附过程中的温度变化,因为系统会根据氨是被吸附还是被解吸而吸收或释放热量。热传导在维持吸附过程的效率方面起着关键作用。
3.2. 模拟设置
吸附模拟在模拟实际操作的受控测试条件下进行。关键参数包括:
•压力范围:氨的压力从1变化到10巴。
•温度范围:温度在100°C到300°C之间变化,以测试MnCl?和SrCl?对温度的敏感性。
•持续时间:模拟运行1小时,吸附在固定时间间隔内进行。
通过将MnCl?和SrCl?的模拟结果与实验室规模测试获得的实验数据进行了验证。
为了确保模拟模型的准确性,将吸附过程的结果与实验数据进行了比较。对于MnCl?和SrCl?分别使用实验室规模测试的结果以及文献中报告的实验曲线进行验证。模拟中使用的所有几何参数取自论文的表1,模型中使用的热物理参数列在表2中。
表1. 圆柱形吸附管的物理尺寸[23]
参数 描述 值
吸附剂厚度 18.74毫米
管壁厚度 3.91毫米
气体通道直径 15.00毫米
内壁直径 52.48毫米
外壁直径 60.30毫米
热流体通路外径 77毫米
管长 300毫米
管壁热导率 16.2 W/m·K
吸附剂热导率 1.5 W/m·K
表2. 能量和质量平衡的热物理参数[23]
参数 描述 值
每根管子的吸附剂质量 210克
膨胀石墨的质量 105克
热流体的比热容 1.6 kJ/kg·K
管壁(304不锈钢)的比热容 0.5 kJ/kg·K
氨的比热容 2.06 kJ/kg·K
石墨的比热容 0.71 kJ/kg·K
热流体的密度 880 kg/m3
管壁(304不锈钢)的密度 7990 kg/m3
复合吸附剂的体积 595.9立方厘米
热流体体积流量 26 L/min
热流体体积 537.8立方厘米
管壁体积 207.8立方厘米
3.3. 运行条件
为了反映吸附阶段的实际操作,使用了以下模拟参数:
•对于MnCl?:
输入热流体温度:453 K
初始吸附剂温度:353 K
压力范围:1–10巴
解吸时间:50分钟
•对于SrCl?:
输入热流体温度:453 K
初始吸附剂温度:353 K
压力范围:1–10巴
吸附时间:75分钟
3.4. 数值方法
所有微分方程均使用显式有限差分方法解决,时间步长固定。
选择显式方案是因为控制方程构成了一个低维的、集总参数的常微分方程(转化分数x(t)、吸附剂温度Tad(t)和管壁温度Tw(t)),且没有空间离散化。在这里,与偏微分方程中的显式方案相关的经典条件稳定性约束不适用。相反,稳定性由常微分方程雅可比矩阵的最大特征值决定,鉴于平滑、缓慢变化的阿伦尼乌斯型和克劳修斯-克拉珀龙平衡式((2), (3), (4)),这个特征值始终是有界的。大约6-9秒的固定时间步长比主要反应时间尺度小两个数量级以上,从而确保了稳定性和时间精度。没有采用隐式方法,因为系统是非刚性的,而且在每一步使用隐式方法会因计算量的增加而降级精度,考虑到替代模型所需的庞大训练数据量,这是一个关键考虑因素。
模拟循环在每个时间步长计算:
1. 转化率x(t)
2. 吸附剂温度Tad(t)
3. 管壁温度Tw(t)
4. 吸收或释放的能量
在每个时间步长结束时,输出结果被保存以便比较和验证。
3.5. 验证
为了确保所提出的数值模型的准确性和可靠性,模拟结果与文献中的实验室规模实验数据进行了验证,特别是Yiji Lu等人的研究[23]。验证过程关注了高温(MnCl2)和低温(SrCl2)盐在氨化学吸附过程中的转化动力学。如图2和图3所示,显式前向欧拉有限差分方法预测的全局转化(x)的时间演变与实验转化曲线非常吻合。这种紧密的对齐证实了包含阿伦尼乌斯动力学、克劳修斯-克拉珀龙平衡以及耦合的质量和能量平衡的物理模型能够可靠地捕捉指定操作条件下的热化学储能系统的 transient 吸附和解吸行为。
下载:下载高分辨率图像(260KB)
下载:下载全尺寸图像
图2. MnCl?模拟模型的验证:与Yiji Lu等人的实验结果进行比较。
下载:下载高分辨率图像(244KB)
下载:下载全尺寸图像
图3. SrCl?模拟模型的验证:与Yiji Lu等人的实验结果进行比较。
3.5.1. MnCl?的验证数据
通过将数值模型的预测结果与Yiji Lu等人的实验数据进行了对比,确认了MnCl?模型的准确性。图2展示了50分钟解吸期间模拟的全局转化曲线与实验数据点之间的强一致性。
3.5.2. SrCl?的验证数据
对于SrCl?模型也进行了类似的验证。如图3所示,SrCl?‘底部循环’的模拟结果紧密跟踪了实验转化动力学,确认了模型在这些操作条件下的可靠性。
总体而言,验证过程证实了该模拟模型能够准确预测MnCl?和SrCl?在不同操作条件下的氨吸附行为。这项研究的下一阶段将集中在将这些结果整合到更广泛的系统分析中,包括使用人工智能开发预测模型,这将在后续章节中讨论。
4. 数据驱动的预测框架
在本节中,使用MnCl?和SrCl?的高分辨率热化学模拟,开发了一个数据驱动的压力预测模型。目的是构建一个基于神经网络的替代模型,该模型能够在广泛的操作温度、压力和质量流量范围内准确再现瞬态压力响应,同时显著降低计算成本。首先,对模拟的时间序列和逐点特征进行预处理并组织成训练和测试数据集;然后,设计并训练一个全连接神经网络架构,并使用标准化输入和K折交叉验证;最后,使用误差指标和残差分析来评估模型的性能,以证明其在快速热化学系统分析和优化中的可靠性。
4.1. 问题定义和动机
虽然高保真的热化学模拟能够准确描述氨-盐化学吸附系统中的动态压力行为,但它们仍然计算密集,特别是在进行瞬态分析、迭代设计优化或在广泛操作范围内进行参数探索时。为了解决这一限制,本研究提出了一种互补的数据驱动方法,旨在高精度地近似压力响应并大幅降低计算成本。
吸附反应器内的压力被表述为一个连续回归目标,记为Pc,并表示为点状系统指标和时间序列向量中嵌入的高分辨率时间演变的函数。具体来说,输入特征集包括入口热流体温度Tin、出口热流体温度Tout和质量流量m˙,以及一个固定长度的时间序列向量s,该向量编码了模拟的吸附-解吸轨迹。因此,所提出框架的目标是构建如下形式的预测模型:
(9)P^c = f(Tin,Tout,m˙,s),其中P^c表示预测的腔室压力。这个组件的意图不是取代严格的基于物理的建模,而是提供一个快速且准确的替代模型,能够以足够的保真度再现模拟得出的压力趋势,以便实际集成到系统级别的优化和控制工作流程中。
4.2. 数据集和特征表示
从2中描述的有效热化学模拟中生成了两个数据集,分别对应于MnCl?和SrCl?的操作条件。每个数据集包括三个瞬时数值描述符:入口热流体温度Tin、出口热流体温度Tout和热流体质量流量m˙。除了这些特征之外,每个样本还包含一个固定长度的时间序列向量s,表示吸附-解吸范围内的全局转化率(x)的动态演变(MnCl2为501个样本,SrCl2为751个样本)。
为了建模目的,时间序列向量的所有元素都被保留并与数值特征连接起来,形成每个观测值的单一统一特征向量。这一决定反映了基于摘要的特征简化会导致明显的精度损失,而直接使用完整的时间签名则显著提高了预测性能。
4.3. 神经网络架构
为了近似回归映射,采用了全连接前馈神经网络,因为它可以有效地处理由高维时间序列输入和低维数值描述符组成的混合特征空间。该架构包括一个输入层,其大小与连接特征向量的维度相匹配,后面是三个隐藏的密集层,宽度分别为256、128和64个单元,每个层都使用修正线性单元(ReLU)激活函数。输出层中的一个线性神经元返回一个连续的腔室压力P^c预测,提供了回归目标的直接估计。这种配置在表达能力和过拟合风险之间提供了合适的妥协,考虑到可用的数据集大小和特征维度。数据预处理、网络训练和性能评估的整个工作流程在图4中进行了总结。在初步实验中,更深或更复杂的架构倾向于过拟合训练数据,而较浅的网络无法完全捕捉吸附-解吸动力学中固有的非线性时间相互作用,这促使采用了三层设计。
4.4 训练和评估程序
采用五折交叉验证协议来获得模型泛化性能的无偏估计。在训练之前,每个数据集都被全局打乱,所有输入特征都使用仅从每个折叠的训练部分计算出的统计信息进行了标准化。网络参数使用Adam算法优化,损失函数为均方误差(mean-squared-error),批量大小为128,训练周期为50个周期,之后验证曲线表明进一步改进可以忽略不计。
为了评估随机鲁棒性,进行了多次训练运行,每次运行都对数据进行了不同的随机打乱。这个程序使得可以检查获得的性能对样本分布效应的敏感性,特别关注压力范围内代表性较低的领域。
除了标准的五折交叉验证外,我们还进行了专门的泛化研究,以量化插值与外推行为。该研究包括:
- 泄漏审计(每个时间序列通道与目标之间的皮尔逊相关性;相关性大于0.90的通道被标记并移除);
- 压力和温度边缘保留(由训练分布的经验第15和第85百分位数定义的保留区间;使用不相连的测试集);
- 轨迹长度扰动(系统性地缩短和延长时间序列输入,以探测对时间背景的敏感性);
- 使用MC-dropout和模型集合进行不确定性诊断。所有测试都报告了R2、MAE和样本量n。
需要强调的是,替代模型并不是为了在调查的操作范围之外进行外推:该模型旨在作为在研究的温度范围100-300°C和压力范围1-10巴内高保真数值模拟的快速替代品;在此窗口之外的预测将不代表物理上有意义的操作条件,因此不是训练程序的目标。
4.5 准确性和鲁棒性结果
所提出的神经网络对两个数据集都取得了高的预测准确性。在五折交叉验证运行中,决定系数R2的值接近于1,平均绝对误差(MAE)保持在0.1巴以下,表明该替代模型在化学吸附系统分析中足够精确,可用于实际应用。结果性能指标表明,该模型可以可靠地再现由潜在热化学模拟生成的动态压力行为。
图5展示了SrCl2数据集的情况,图6展示了MnCl2数据集的情况,其中数据点在整个操作范围内紧密围绕身份线聚集。这些图表确认了网络能够捕捉到低压和高压区域,没有明显的系统偏差。相应的残差分布分别显示在图7(SrCl2)和图8(MnCl2)中,它们都紧密集中在零附近,形状大致对称,进一步证明了预测中没有明显的偏差。
4.5.1 泛化能力和分布外测试
表3总结了MnCl2的主要泛化指标(也报告了选定的SrCl2的总结)。总体而言,替代模型在核心分布上表现出卓越的插值能力。在随机K折验证下,替代模型以接近完美的性能再现了基于物理的压力轨迹(MnCl2平均跨折叠:R2 ≈ 0.99992,MAE ≈ 0.0165,每个折叠n = 2000;集合总结:R2 ≈ 0.999956,MAE ≈ 0.0121,n = 2000)。
评估设置
MnCl2 (R2 / MAE) SrCl2 (R2 / MAE)
K折CV(5次折叠的平均值 ± 标准差)
0.99992 ± 0.0000 2 / 0.0165 ± 0.002
0.99972 ± 0.0002 0 / 0.0307 ± 0.0097
集合(完整测试集,n=2000)
0.99996 / 0.0121
0.99980 / 0.0231
压力极端(低)
-0.0915 / 0.3192
0.7425 / 0.1636
压力极端(高)
0.3313 / 0.2938
0.4315 / 0.2597
温度极端(低)
0.99956 / 0.0410
0.99927 / 0.0544
温度极端(高)
0.99990 / 0.0201
0.99947 / 0.0367
轨迹长度扰动(n=1000)
0.99778 / 0.1123
0.99979 / 0.0286
MC-Dropout(温度区间,n=1500)
0.98535 / 0.2393
0.95769 / 0.4266
为了严格测试模型的极限,使用数据绝对边界的经验区间定义了目标压力边缘保留(1.0001,2.31672)(代表最低15%)和(8.64695,9.9991)(一个狭窄的最高区间)。重要的是要强调,这些边界代表极其罕见的分布外极端情况。因为在真实数据分布中这些事件非常罕见,它们的性能下降甚至不会移动全局平均值,从而使模型保持近乎完美的整体准确性。在这些采样稀疏的极端外推场景中,MnCl2最低区间测试的R2约为-0.0915,MAE约为0.3192(n=1500),而高压边缘显示出一个狭窄的残差带,MnCl2最高区间的R2约为0.3313,MAE约为0.2938(n=1500)。
值得注意的是,这种外推限制严格限于最罕见的压力边缘。在测试分布外的温度极端时,模型成功保持了其卓越的预测准确性。对低温极端的泛化得到了近乎完美的结果(MnCl2:R2约为0.99956,MAE约为0.0410),在高温极端的表现也同样出色(MnCl2:R2约为0.99990,MAE约为0.0201)。在这些目标边缘案例之外,模型的泛化仍然非常稳健。轨迹长度扰动表明了出色的插值行为(MnCl2轨迹长度测试:R2约为0.99778,MAE约为0.1123,n=1000)。此外,MCdropout不确定性诊断在支持良好的区域显示出高度有用的校准(示例区间:R2约为0.98535,MAE约为0.2393,平均预测标准差约为0.471,90%覆盖率约为98.9%)。虽然平均预测标准差可能会自然低估在极端稀疏压力下的真实误差,但对于绝大多数预测,不确定性量化仍然非常可靠。
时间历史被包括进来,以捕捉化学吸附反应的内在记忆效应。在氨-盐化学吸附系统中,压力演变不仅取决于瞬时操作条件,还取决于吸附-解吸历史、热传递和质量传输限制。结合时间特征使得模型能够表示这种物理上有意义的记忆行为,而不是绕过学习过程。图9显示了入口温度和压力区间的残差热图。
最终,重要的是要强调替代模型的范围:它并不是为了在调查的操作范围之外进行外推。该模型旨在作为在研究的温度范围100-300°C和压力范围1-10巴内高保真数值模拟的快速替代品。实际上,可实现的压力受到热力学平衡和盐-氨对的吸附特性的物理限制。在此窗口之外的预测将不代表物理上有意义的操作条件。因此,神经网络是有意仅在物理相关的操作范围内进行训练和验证的。
尽管总体误差很小,但在训练样本稀疏的压力区间内观察到了稍微较大的残差,特别是在SrCl2的6-8巴范围,以及MnCl2的2-4和9-10巴范围。这些局部精度下降与这些区域的有限数据密度一致,并表明针对这些区域丰富模拟数据集将进一步改善替代模型的性能。
5 结论
本研究通过开发和验证一种新颖的混合物理-AI框架,成功解决了传统高保真物理模型的计算限制。主要目标是创建一个快速、准确和可靠的工具,用于预测基于氨的化学吸附系统中的动态压力行为,特别是使用MnCl2和SrCl2工作盐类,最终有助于热化学能量存储系统的优化。该方法整合了两个关键阶段。首先,开发了一个详细的数值模型,包括能量/质量平衡和Arrhenius型动力学,以模拟吸附-解吸循环。这种基于物理的模拟生成了高分辨率的时间序列数据,作为AI模型的基础。在这个模拟基础上,开发了一个数据驱动的替代模型,可以直接从操作条件和热化学轨迹预测动态腔室压力。
神经网络以混合特征集作为输入,该特征集结合了三个点描述符(入口/出口温度和质量流量)和一个高维时间序列向量,编码吸附-解吸演变。这种架构通过五折交叉验证进行训练,并使用标准化特征,对SrCl2和MnCl2数据集的R2值有效达到了接近1.0,平均绝对误差在10^-2巴的数量级,同时保持了居中的、对称的残差分布。这些结果表明,AI替代模型能够以较低的计算成本再现基于物理的压力预测,使其适合集成到化学吸附系统的设计优化和控制策略中。尽管精度很高,但分析发现低样本区域(特别是在SrCl2的6-8巴以及MnCl2的2-4和9-10巴)存在轻微的性能下降。这突出了未来改进的最直接路径:在这些特定操作区域内有针对性地丰富数据,以进一步提高模型精度。
泛化研究表明,替代模型在中心操作窗口(100-300°C,1-10巴)内是一个高保真的插值器,但在压力极端处的性能会下降。低压失败(经验最低15%区间)和狭窄的高压带可归因于这些区域的训练支持有限,以及当前输入集未完全捕获的边界物理现象。立即的补救措施包括:
- 有针对性的数据丰富(在最低15%和狭窄的最高压力带集中进行额外的模拟或实验)
- 用物理锚定特征增强输入向量(例如,根据Clausius-Clapeyron关系计算平衡压力Peq)
- 消融研究以量化时间特征与点特征之间的边际贡献。这些步骤将在后续工作中进行,以扩展替代模型的有效范围。
总之,这项工作证实了将基于物理的模拟与数据驱动的学习相结合显著提高了回归性能。所得到的混合框架提供了一个快速且准确的工具,克服了传统模拟的计算成本,为热化学吸附系统的动态分析和优化提供了高效且可解释的解决方案。
这项研究没有从公共、商业或非营利部门的资助机构获得任何特定资助。
CRediT作者贡献声明:
Parsa Akhond Dezfouli:撰写 - 原始草稿、可视化、验证、方法论、调查、形式分析、数据管理、概念化。
Mehdi Mehrpooya:撰写 - 审稿与编辑、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、概念化。
Mohamad Mahdi Shojaei:撰写 - 原始草稿、软件、方法论、调查、形式分析、数据管理、概念化。
Mehdi Teimouri:撰写 - 审稿与编辑、可视化、验证、软件、项目管理、方法论、调查、形式分析、数据管理、概念化。
生物通微信公众号
生物通新浪微博
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