重质油天下重点实验室-凯时

实验室张霖宙教授石油分子工程模子新效果在《Nature Communications》揭晓

克日，重质油天下重点实验室张霖宙教授团队在人工智能与分子机理模子融合构建跨标准石油加工历程模子方面取得新希望。该研究效果以“Scale-up of complex molecular reaction system by hybrid mechanistic modeling and deep transfer learning”为题，揭晓在《Nature Communications》期刊上，重质油天下重点实验室为该论文唯一署名单位。

化工历程放大是从化学发明到化工生产的必经办法。然而，随着反应器规模、类型及操作方法改变，原先基于小试实验建设的模子往往难以直接适用。尤其关于以催化裂化为代表的重大分子反应系统，古板要领通常需针对差别装置重新构建机理模子，历程繁琐耗时，严重限制了模子驱动的工艺放大与历程优化（图1）。

图1 催化裂化从小试到中试放大历程的跨标准盘算难题

近年来，人工智能尤其是迁徙学习手艺的快速生长，能够将已有知识快速迁徙到相似使命中，很是适用于处置惩罚跨标准、跨装置的历程放大问题，为重大反应系统的快速放大和优化带来了全新的机缘。

在该研究中，团队立异性地提出了一种融合反应机理与深度学习迁徙战略的混淆建模要领（图2），并乐成应用于催化裂化反应从实验室小试到中试的跨尺渡历程放大。

图2 AI+机理混淆建�？蚣芙饩鲋卮蠓肿臃从ο低忱谭糯蟮哪Ｗ忧ㄡ阄侍�

研究首先基于小试数据，构建了催化裂化分子条理的反应动力学模子，精准形貌了包括近千个反应在内的重大反应网络，进而设计了一种分层神经网络结构，以动力学模子天生的数据训练神经网络，实现了催化裂化历程中重大分子转化特征的捕获。

针对中试阶段样本数据有限的问题，研究将物性信息嵌着迷经网络，通过少量中试数据对神经网络部分参数举行了微调，实现了中试装置产品漫衍的准确盘算，在此基础上，借助多目的优化算法，乐成对中试规模的催化裂化工艺条件举行了优化与验证（图3）。该研究为重大反应系统的放大建模提供了新路径，也对其他面临放大挑战的历程工业提供借鉴。

图3 对AI-机理混淆模子举行多目的优化

论文信息：Zhengyu Chen, Yongqing Xie, Chunming Xu, Linzhou Zhang*. Scale-up of complex molecular reaction system by hybrid mechanistic modeling and deep transfer learning. Nature Communications 2025,16, 8905.

原文链接：https://www.nature.com/articles/s41467-025-63982-2