Прогнозирование коэффициентов массоотдачи в ректификационных колоннах с использованием нейронных сетей

Вот профессиональный, развернутый перевод статьи на русский язык с сохранением всех технических деталей, структуры и данных.

---

Название статьи: Прогнозирование коэффициентов массопередачи в ректификационных колоннах с использованием нейронных сетей и Aspen Hysys

Авторы:

• Шахад З. Аль-Наджар (Shahad Z. Al-Najjar) Кафедра химической инженерии, Инженерный колледж, Университет Аль-Нахрайн, Багдад, Ирак https://orcid.org/0000-0002-5774-5914
• Хайдер А. Альхамиди (Hayder A. Alhameedi) Кафедра химической инженерии, Инженерный колледж, Университет Аль-Кадисии, Аль-Кадисия, Ирак https://orcid.org/0000-0002-0900-0942
• Салих А. Рушди (Salih A. Rushdi) https://orcid.org/0000-0002-4474-7718
• Зайнаб Т. Аль-Шарифи (Zainab T. Al-Sharify) Кафедра экологической инженерии, Инженерный колледж, Университет Мустансирия, Багдад, Ирак https://orcid.org/0000-0002-3870-3815
• Хелен Ониеака (Helen Onyeaka) Школа химической инженерии, Университет Бирмингема, Бирмингем, Соединенное Королевство https://orcid.org/0000-0003-3846-847X
• Сюзанна Альсамак (Suzanne Alsamaq) Факультет бизнеса и аннотации, Университет Арден, Бирмингем, Соединенное Королевство https://orcid.org/0009-0001-3741-1976

DOI: https://doi.org/10.31272/jeasd.2686

Ключевые слова: Aspen Hysys, Ректификация, Коэффициент массопередачи, Нейронная сеть, Моделирование

Аннотация

Прогнозирование коэффициента массопередачи (K) является одним из наиболее важных параметров в промышленных процессах разделения, поскольку он в значительной степени определяет эффективность ректификации при разделении компонентов между жидкой и паровой фазами. Традиционные подходы с трудом справляются с моделированием зависимости K от таких эксплуатационных факторов, как флегмовое число, молярный расход питания и состав питания. Данное исследование объединяет моделирование в среде Aspen Hysys и искусственные нейронные сети (ИНС) для представления K как функции этих переменных в бинарной системе бензол-толуол. Для моделирования непрерывной ректификационной колонны, генерирующей значения K в различных условиях, использовался Aspen Hysys. Эти данные были использованы для обучения ИНС (многослойный персептрон с архитектурой 3:4:1) с целью прогнозирования K. Точность обучения ИНС составила 95,3%, а точность прогнозирования была высокой. Этот комбинированный метод может улучшить прогностическую эффективность при оптимизации проектирования и эксплуатации ректификационных колонн. Он может быть эффективно использован в качестве инструмента в промышленной практике.

Основной текст (Адаптированный и расширенный перевод)

1. Введение

Ректификация остается одним из доминирующих и наиболее энергоемких процессов разделения в химической и нефтехимической промышленности. Эффективность этого процесса критически зависит от точности понимания и прогнозирования межфазного массопереноса. Коэффициент массопередачи (K) является фундаментальным параметром, количественно определяющим скорость переноса компонента между паровой и жидкой фазами. Точное определение K необходимо для надежного проектирования новых колонн, оптимизации существующих и разработки эффективных стратегий управления.

Однако точное прогнозирование K является сложной задачей из-за его нелинейной зависимости от множества взаимосвязанных факторов. К таким факторам относятся гидродинамические условия (скорости потоков пара и жидкости), физико-химические свойства компонентов, конструктивные особенности тарелок или насадки, а также технологические параметры, такие как флегмовое число, состав и температура питания. Классические корреляции и теоретические модели, основанные на пленочной теории или теории проникновения, часто оказываются ограниченными. Они могут требовать значительного числа допущений, эмпирических поправок и не всегда адекватно отражают сложное поведение реальных промышленных систем. Это приводит к необходимости поиска альтернативных, более гибких и точных методов прогнозирования.

В последние годы методы машинного обучения, в частности искусственные нейронные сети (ИНС), продемонстрировали высокую эффективность при моделировании сложных нелинейных процессов в различных областях химической технологии. ИНС способны обучаться на экспериментальных или смоделированных данных, выявляя скрытые закономерности и зависимости без необходимости явного задания математической модели процесса. Данное исследование направлено на преодоление ограничений традиционных подходов путем разработки гибридной методологии, объединяющей возможности мощного симулятора технологических процессов Aspen Hysys для генерации достоверных данных с аппроксимационной способностью ИНС для создания быстрой и точной прогностической модели.

2. Методология

В данном исследовании в качестве модельной системы была выбрана бинарная смесь бензол-толуол. Выбор обусловлен хорошо изученными термодинамическими свойствами и широкой распространенностью этой системы в промышленности.

Первоначально с использованием программного пакета Aspen Hysys была создана строгая стационарная модель непрерывной ректификационной колонны. Модель колонны была реализована с использованием модели равновесных ступеней. Для каждой заданной комбинации входных параметров симулятор выполнял расчет материального и теплового балансов, а также фазового равновесия, позволяя тем самым определить коэффициенты массопередачи на каждой теоретической тарелке. В качестве независимых входных переменных, влияющих на процесс, рассматривались три ключевых эксплуатационных параметра:

1. Флегмовое число (Reflux Ratio): Отношение количества жидкости, возвращаемой обратно в колонну, к количеству дистиллята, отбираемого в качестве верхнего продукта.
2. Молярный расход питания (Molar Feed Flow Rate): Количество исходной смеси, подаваемой в колонну в единицу времени.
3. Состав питания (Feed Composition): Молярная доля бензола (легколетучего компонента) в исходной смеси.

Путем систематического варьирования этих параметров в заданном диапазоне было проведено множество вычислительных экспериментов. В результате была сформирована выборка данных, содержащая значения входных параметров и соответствующие им значения коэффициента массопередачи.

Полученный набор данных был использован для обучения и проверки искусственной нейронной сети. Архитектура сети представляла собой многослойный персептрон (MLP) с прямой передачей сигнала. Структура сети, обозначенная как 3:4:1, включала:

• Входной слой (3 нейрона): Соответствует трем входным переменным (флегмовое число, расход питания, состав питания).
• Один скрытый слой (4 нейрона): Содержит 4 нейрона с нелинейной функцией активации, что позволяет сети аппроксимировать сложные зависимости.
• Выходной слой (1 нейрон): Соответствует целевой переменной — коэффициенту массопередачи (K).

Обучение сети заключалось в подборе синаптических весов и смещений таким образом, чтобы минимизировать ошибку между предсказаниями сети и целевыми значениями из обучающей выборки. В качестве алгоритма обучения использовался метод обратного распространения ошибки.

3. Результаты и обсуждение

Эффективность обученной нейронной сети была оценена по ее способности точно прогнозировать коэффициент массопередачи на данных, которые не использовались в процессе обучения. Точность обучения сети составила 95,3%, что свидетельствует о ее высокой способности к аппроксимации данных. Высокая прогностическая точность на проверочном наборе данных подтверждает, что сеть успешно обобщила выявленные закономерности и не просто запомнила обучающие примеры.

Полученные результаты демонстрируют, что ИНС способна с высокой степенью точности улавливать нелинейную взаимосвязь между эксплуатационными параметрами ректификационной колонны и коэффициентом массопередачи. В отличие от традиционных эмпирических корреляций, которые могут быть справедливы только в узком диапазоне условий, обученная нейронная сеть обеспечивает гибкую и универсальную модель, применимую в широком диапазоне изменения входных параметров.

4. Заключение

В рамках данного исследования была успешно разработана и проверена гибридная методология для прогнозирования коэффициентов массопередачи в процессе ректификации. Сочетание строгого моделирования в Aspen Hysys для генерации данных и искусственной нейронной сети для создания быстрой прогностической модели показало свою высокую эффективность.

Предложенный подход позволяет достичь высокой точности прогнозирования (95,3%) и может служить надежным инструментом для решения широкого круга задач, включая:

• Оптимизацию проектных параметров ректификационных колонн.
• Оперативное управление технологическим режимом с целью повышения выхода и качества продукта.
• Создание суррогатных моделей для использования в системах прогнозного управления и оптимизации в реальном времени.

Таким образом, интеграция методов машинного обучения с проверенными технологическими симуляторами открывает новые возможности для повышения эффективности и устойчивости промышленных процессов разделения.

---

Список литературы (References)

1. Z. Wei, B. Zhang, S. Wu, Q. Chen, and G. Tsatsaronis, "Energy-use analysis and evaluation of distillation systems through avoidable exergy destruction and investment costs," Energy, vol. 42, no. 1, pp. 424-433, 2012. doi: https://doi.org/10.1016/j.energy.2012.03.026.
2. D. Zadravec et al., "Towards a comprehensive approach to optimal control of non-ideal binary batch distillation," Optimization and Engineering, vol. 23, no. 4, pp. 2111-2141, 2022. doi: https://doi.org/10.1007/s11081-022-09727-2.
3. C.-Y. Zhao et al., "A comprehensive review on computational studies of falling film hydrodynamics and heat transfer on the horizontal tube and tube bundle," Applied Thermal Engineering, vol. 202, p. 117869, 2022. doi: https://doi.org/10.1016/j.applthermaleng.2021.117869.
4. S. Niazi, J. A. Díaz-López, and A. Nieto-Márquez, "Improvement of energy efficiency and production performance in a heteroazeotropic batch distillation unit: A study on decanter control and feeding strategy," Separation and Purification Technology, vol. 357, p. 130132, 2025. doi: https://doi.org/10.1016/j.seppur.2024.130132.
5. H. Li, et al., "Dynamic real-time energy saving control of pressure-swing distillation based on artificial neural networks," Chemical Engineering Science, vol. 282, p. 119271, 2023. doi: https://doi.org/10.1016/j.ces.2023.119271.
6. S, Yongli, Q Zhao, L Zhang, and B Jiang. "Measurement and correlation of the mass-transfer coefficient for the methyl isobutyl ketone–water–phenol system." Industrial & Engineering Chemistry Research, vol 53, no. 9 2014: 3654-3661. https://doi.org/10.1021/ie4036862.
7. D. Radev, D. Georgiev, D. Koleva, and M. Karaivanova, "Comparison of mass transfer coefficients determined by different methods in a distillation column with three trays," Science & Technologies, pp. 44-48, 2014. [Online]. Available: https://www.sustz.com/journal/VolumeIV/Number4/Papers/DianRadev1.pdf.
8. Z. Stefanov and Z. Ivanov, "Gas-liquid mass transfer coefficient in sieve tray laboratory column," Science & Technologies, vol. 1, no. 4, pp. 34-38, 2011. [Online]. Available: https://www.sustz.com/journal/VolumeI/Number4/Papers/ZhelchoStefanov1.pdf.
9. P. Pan, et al., "Bubble columns with internals: A review on research methodology and process intensification," Chemical Engineering and Processing - Process Intensification, vol. 209, p. 110156, 2025. doi: https://doi.org/10.1016/j.cep.2025.110156.
10. P. Shahana, A. Jaleel, and N. Priya, "Neural network for identification of heat integrated distillation column," in 2020 International Conference on Futuristic Technologies in Control Systems & Renewable Energy (ICFCR), 2020, pp. 1-6. doi: https://doi.org/10.1109/ICFCR50903.2020.9249964.
11. A. K. Singh, B. Tyagi, and V. Kumar, "First principle modeling and neural network–based empirical modeling with experimental validation of binary distillation column," Chemical Product and Process Modeling, vol. 8, no. 1, pp. 53-70, 2013. doi: https://doi.org/10.1515/cppm-2013-0011.
12. H. Osman and A. Arabi, "Distillation column machine learning model controlled by optimized DMC," in 2022 22nd International Conference on Control, Automation and Systems (ICCAS), 2022, pp. 1184-1189. doi: https://doi.org/10.23919/ICCAS55662.2022.10003925.
13. J. Lee, et al., "Development of the quantitative property–consequence relationship model for prediction of hydrogen leakage and dispersion using response surface method and artificial neural network approaches," ACS Omega, vol. 9, no. 39, pp. 40857-40869, 2024. doi: https://doi.org/10.1021/acsomega.4c05841.
14. N. Elshaboury and M. Marzouk, "Prioritizing water distribution pipelines rehabilitation using machine learning algorithms," Soft Computing, vol. 26, no. 11, pp. 5179-5193, 2022. doi: https://doi.org/10.1007/s00500-022-06970-8.
15. V. Steffen, M. Schmidt de Oliveira, and E. A. da Silva, "A systematic review of the literature on steady-state reactive distillation modeling and simulation: Challenges and opportunities," in Solvents - Dilute, Dissolve, and Disperse - Insights on Green Solvents and Distillation, 2024. [Online]. Available: https://www.intechopen.com/chapters/1171550.
16. N. Zhao and J. Lu, "Review of neural network algorithm and its application in temperature control of distillation tower," Journal of Engineering Research and Reports, vol. 20, no. 4, pp. 50-61, 2021. doi: https://doi.org/10.9734/jerr/2021/v20i417294.
17. J. Luo, et al., "Machine learning-based predictive control using on-line model linearization: Application to an experimental electrochemical reactor," Chemical Engineering Research and Design, vol. 197, pp. 721-737, 2023. doi: https://doi.org/10.1016/j.cherd.2023.08.017.
18. B, Affan, W Mulyo U, Sharifah Saon, and Arief Budi Laksono. "Optimization of coagulation process in water treatment plant using artificial intelligence: A systematic literature review and framework." Journal of Robotics and Control (JRC) 6, no. 5.2025. 2471-2487. https://doi.org/10.18196/jrc.v6i5.27621.
19. M. Agnese, G Boccardo, and R Pisano. "Enhancing Mass Transfer Coefficient Prediction from Field Emission Scanning Electron Microscope Images Through Convolutional Neural Networks and Data Augmentation Techniques." Processes 13, no. 2. 2025. 365. https://doi.org/10.3390/pr13020365.
20. M. M. May-Vázquez, F. I. Gómez-Castro, E. S. Rawlings, V. Rico-Ramírez, and M. A. Rodríguez-Ángeles, "Optimal control of a rate-based modelled batch distillation column: Initialization strategy," Computers & Chemical Engineering, vol. 162, p. 107811, 2022. doi: https://doi.org/10.1016/j.compchemeng.2022.107811.
21. E.-N. Dragoi and Y. Vasseghian, "Modeling of mass transfer in vacuum membrane distillation process for radioactive wastewater treatment using artificial neural networks," Toxin Reviews, vol. 40, no. 4, pp. 1526-1535, 2021. doi: https://doi.org/10.1080/15569543.2020.1744659.
22. H. J. Hübschmann, Handbook of GC-MS: Fundamentals and Applications. Hoboken, NJ, USA: John Wiley & Sons, 2025. [Online]. Available: https://www.wiley.com/en-gb/shop/general-chemistry/handbook-of-gc-ms-fundamentals-and-applications-4th-edition-p-9783527354030.
23. T. Coelho, O. Souza, N. Sellin, S. Medeiros, and C. Marangoni, "Analysis of the reflux ratio on the batch distillation of bioethanol obtained from lignocellulosic residue," Procedia Engineering, vol. 42, pp. 131-139, 2012. doi: https://doi.org/10.1016/j.proeng.2012.07.403.
24. R. Billet and M. Schultes, "Prediction of mass transfer columns with dumped and arranged packings: Updated summary of the calculation method of Billet and Schultes," Chemical Engineering Research and Design, vol. 77, no. 6, pp. 498-504, 1999. doi: https://doi.org/10.1205/026387699526520.
25. T. L. Domingues, A. R. Secchi, and T. F. Mendes, "Efficiency evaluation of valve trays with downcomer and dualflow trays of industrial distillation columns," in Mercosur Congress on Chemical Engineering, Costa Verde, RJ, Brazil, 2005. [Online]. Available: https://scispace.com/pdf/efficiency-evaluation-of-valve-trays-with-downcomer-and-3dwdyc37ym.pdf.
26. A. Zarei, S. H. Hosseini, and R. Rahimi, "CFD and experimental studies of liquid weeping in the circular sieve tray columns," Chemical Engineering Research and Design, vol. 91, no. 12, pp. 2333-2345, 2013. doi: https://doi.org/10.1016/j.cherd.2013.03.006.
27. J. G. Stichlmair, H. Klein, and S. Rehfeldt, Distillation: Principles and Practice, 2nd ed. Hoboken, NJ, USA: John Wiley & Sons, 2021. [Online]. Available: https://www.wiley.com/en-us/Distillation%3A+Principles+and+Practice%2C+2nd+Edition-p-9781119414667.
28. Ž. Olujić, A. Seibert, B. Kaibel, H. Jansen, T. Rietfort, and E. Zich, "Performance characteristics of a new high-capacity structured packing," Chemical Engineering and Processing: Process Intensification, vol. 42, no. 1, pp. 55-60, 2003. doi: https://doi.org/10.1016/S0255-2701(02)00019-3.
29. B. E. Poling, J. M. Prausnitz, and J. P. O'Connell, The Properties of Gases and Liquids, 5th ed. New York, NY, USA: McGraw-Hill, 2004. [Online]. Available: https://www.mheducation.com/highered/mhp/product/properties-gases-liquids-5e.html?viewOption=student.
30. J. Gmehling, Z. Xue, and T. Mu, "Reply to 'Comments on "Comparison of the a priori COSMO-RS models and group contribution methods: Original UNIFAC, modified UNIFAC (Do), and modified UNIFAC (Do) consortium"'," Industrial & Engineering Chemistry Research, vol. 51, no. 41, pp. 13541-13543, 2012. doi: https://doi.org/10.1021/ie3024142.
31. M. B. Shiflett and A. Yokozeki, "Solubilities and diffusivities of carbon dioxide in ionic liquids: [bmim][PF6] and [bmim][BF4]," Industrial & Engineering Chemistry Research, vol. 44, no. 12, pp. 4453-4464, 2005. doi: https://doi.org/10.1021/ie058003d.
32. C. A. Sternling and L. E. Scriven, "Interfacial turbulence: Hydrodynamic instability and the Marangoni effect," AIChE Journal, vol. 5, no. 4, pp. 514-523, 1959. doi: https://doi.org/10.1002/aic.690050421.

---

Ключевые даты (Key Dates)

• Получена (Received): 2024-05-13
• Пересмотрена (Revised): 2026-05-09
• Принята (Accepted): 2026-06-11
• Опубликована онлайн (Published Online First): 2026-06-28
• Опубликована (Published): 2026-07-01

Выпуск (Issue) Том 30, № 4 (2026): Journal of Engineering and Sustainable Development

Раздел (Section) Статьи

Лицензия (License) Copyright (c) 2026 Шахад З. Аль-Наджар, Хайдер А. Альхамиди, Салих А. Рушди, Зайнаб Т. Аль-Шарифи, Хелен Ониеака, Сюзанна Альсамак (Авторы).

Примечание по лицензии: Эта работа лицензирована в соответствии с Международной публичной лицензией Creative Commons Attribution 4.0. Journal of Engineering and Sustainable Development является журналом открытого доступа, и весь контент распространяется бесплатно. Статьи этого журнала лицензируются на условиях Международной публичной лицензии Creative Commons Attribution CC-BY 4.0 (https://creativecommons.org/licenses/by/4.0/legalcode), которая разрешает лицензиатам без ограничений искать, загружать, распространять, печатать или ссылаться на полные тексты статей, индексировать их, воспроизводить в любых СМИ при условии указания авторов (цитирования). Журнал позволяет авторам сохранять авторские права на свои опубликованные статьи.

Как цитировать (How to Cite) Al-Najjar, S. Z. ., Alhameedi, H. A. ., Rushdi, S. A. ., Al-Sharify, Z. T. ., Onyeaka, H. ., & Alsamaq, S. . (2026). Neural Network Prediction of Mass Transfer Coefficients in Distillation Columns Using Aspen Hysys. Journal of Engineering and Sustainable Development, 30(4), 560-566.

Источник

Источник

Теги

• #AspenHYSYS
• #MachineLearning
• #ANN
• #Ректификация
• #Массоотдача

Источник: https://jeasd.uomustansiriyah.edu.iq/index.php/jeasd/article/view/2686

#AspenHYSYS #MachineLearning #ANN #Ректификация #Массоотдача