用于可持续航空燃料生产的嵌入神经网络超结构优化
计算工程、金融与科学
2026-04-16 v3
摘要
本研究提出了一个用于可持续航空燃料生产的混合整数二次约束规划（MIQCP）框架，该框架将人工神经网络集成其中。通过将数据驱动的代理模型嵌入数学优化结构中，所提出的方法解决了传统基于超结构方法的关键局限性，实现了离散工艺选择和连续操作参数的同时优化。该框架捕获了可变的输入和输出流组成，促进了目标产品组成与系统设计的联合优化。在 Fischer-Tropsch（FT）煤油生产中的应用表明，在无约束的 CO2 排放下，成本最小化配置由基于化石的自热重整（ATR）路径主导。施加碳排放约束需要整合生物质气化与直接空气捕获耦合碳封存（DAC-CS），这导致净排放量大幅减少，但生产成本更高。在零排放极限下，结合 ATR 和生物质气化的混合配置实现了最低成本（约 2.38 /kg），两者均优于带 DAC-CS 的仅 ATR 路径（约 2.65 /kg）。结果突出了嵌入 ANN 的关键作用：最佳工艺条件，如 FT 反应器压力和气化温度，能够适应不断变化的情况，始终优于固定设置并实现高达 20% 的成本节约。
引用
@article{arxiv.2509.09796,
title = {Superstructure Optimization with Embedded Neural Networks for Sustainable Aviation Fuel Production},
author = {Alexander Klimek and Christoph Plate and Sebastian Sager and Kai Sundmacher and Caroline Ganzer},
journal= {arXiv preprint arXiv:2509.09796},
year = {2026}
}