基于物理信息神经网络的数字孪生技术用于变动工况下的蒸馏塔分层建模
机器学习
2026-03-27 v1
摘要
当结合物理信息机器学习与 Aspen 模拟结果时，数字孪生技术为工业过程监控、控制和优化提供了变革性能力。本文提出的模型构建了一个物理信息神经网络 (Physics-Informed Neural Network, PINN) 数字孪生框架，用于在变动工况下对二元蒸馏塔进行动态、层级建模。该模型的架构将基本热力学约束直接嵌入神经网络损失函数中，包括依据修改拉沃尔定律描述的蒸汽-液体平衡 (VLE)，以及塔层质量和能量平衡，以及麦克贝-塞尔图形方法。该模型在由 Aspen HYSYS 生成的 961 条带时间戳的高保真合成数据集上进行训练和评估，数据集涵盖 8 小时的变动运行，针对由 16 个传感器流组成的二元 HX/TX 蒸馏系统。一种自适应损失加权方案在训练过程中平衡数据保真度和物理一致性目标。相较于五个数据驱动基线方法 (LSTM、vanilla MLP、GRU、Transformer、DeepONet)，本文的 PINN 在 HX 组分预测上实现 RMSE 为 0.00143 (R² = 0.9887)，相较于最佳数据基线方法降低 44.6%，同时严格满足热力学约束。变动扰动下的塔级温度和组分预测曲线表明，数字孪生模型准确捕捉了塔的动态过程，包括进料塔响应、蒸馏比变化以及压力变动。这些结果表明，所提出的 PINN 数字孪生模型为工业蒸馏过程的实时软感知、模型预测控制和异常检测提供了稳健的基础。
引用
@article{arxiv.2603.24644,
title = {Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions},
author = {Debadutta Patra and Ayush Bardhan Tripathy and Soumya Ranjan Sahu and Sucheta Panda},
journal= {arXiv preprint arXiv:2603.24644},
year = {2026}
}
备注
17 pages, 10 figures