基于机器学习的蒸汽甲烷重forming反应器的多目标优化与决策建模
化学物理
2025-07-11 v1 机器学习
摘要
本研究提出一种集成建模与优化框架，用于蒸汽甲烷重forming（SMR）反应器，结合数学模型、基于人工神经网络（ANN）的混合建模、先进的多目标优化（MOO）和多准则决策（MCDM）技术。采用考虑内部质量传导阻力的一维固定床反应器模型进行工艺性能仿真。为降低数学模型的高计算成本，构建了ANN替代模型，平均仿真时间缩短93.8%，且保持高预测准确性。将混合模型嵌入三个MOO情景中，使用非支配排序遗传算法II（NSGA-II）求解：1）最大化甲烷转化率和氢气产量；2）最大化氢气产量同时最小化二氧化碳排放；3）综合三目标情景。进一步采用两种MCDM方法对最优准则解进行排序与选择：基于相似性理想解的技术排序法（TOPSIS）和基于理想平均距离简化偏好排序法（sPROBID）。最优结果包括：第一情景下甲烷转化率为0.863，氢气产量为4.556 mol/s；第三情景下甲烷转化率为0.988，氢气产量为3.335 mol/s，二氧化碳排放为0.781 mol/s。该综合方法提供了一种可扩展且高效的策略，用于优化具有多个常常相互冲突目标的复杂催化反应器系统。
关键词
引用
@article{arxiv.2507.07641,
title = {Machine Learning-Assisted Surrogate Modeling with Multi-Objective Optimization and Decision-Making of a Steam Methane Reforming Reactor},
author = {Seyed Reza Nabavi and Zonglin Guo and Zhiyuan Wang},
journal= {arXiv preprint arXiv:2507.07641},
year = {2025}
}