Многокритериальная оптимизация экстрактивной дистилляции этилбензола (Aspen Plus + Python)

Вот профессиональный, развернутый и адаптированный перевод оригинального текста на русский язык, с сохранением всех технических деталей, цифр, имен и дат.

---

Разделение ароматических углеводородов C8 методом экстрактивной ректификации: оптимизация с использованием генетических алгоритмов (NSGA-III) на базе связки Aspen Plus и Python

Разделение ароматических углеводородов состава C8, в частности, выделение этилбензола из смеси изомеров ксилола, методом классической ректификации является крайне энергозатратным процессом. Основная причина заключается в том, что температуры кипения целевых компонентов находятся в очень узком диапазоне (близкие температуры кипения), что делает их относительную летучесть практически равной единице. Для преодоления этой проблемы применяется экстрактивная ректификация, которая подразумевает введение в систему тяжелого растворителя (энтрейнера). Введение растворителя позволяет изменить относительные летучести компонентов, тем самым делая разделение термодинамически возможным. Однако такой подход радикально усложняет технологическую схему и требует поиска глобального оптимума множества взаимосвязанных параметров (температур, давлений, расходов и тепловых нагрузок).

В рамках данной работы стационарный (steady-state) процесс экстрактивной ректификации был смоделирован в среде Aspen Plus версии v12 с использованием модуля строгого расчета колонн RadFrac. Выбор данной коммерческой платформы обусловлен наличием у нее обширной, проверенной и постоянно обновляемой базы физико-химических свойств, необходимой для надежного расчета фазовых равновесий.

Поскольку классические градиентные методы оптимизации (например, метод Ньютона или наискорейшего спуска) часто застревают в локальных минимумах целевой функции, авторы применили гибридный подход. Они реализовали связку мощного симулятора (Aspen Plus) с интерпретируемым языком программирования Python. Интеграция программного обеспечения была выполнена через плагин ActiveX (COM-интерфейс), что позволило управлять расчетами Aspen Plus из внешнего скрипта Python. В Python для реализации оптимизации была задействована библиотека geatpy, которая предоставляет инструментарий для эволюционных вычислений. В частности, был выбран метаэвристический алгоритм NSGA-III (Non-dominated Sorting Genetic Algorithm III), который не требует вычисления производных математической модели.

Почему NSGA-III превосходит градиентные методы в задаче избегания локальных минимумов? Градиентный спуск можно метафорически сравнить с человеком с завязанными глазами, спускающимся с горы: он всегда движется по самому крутому склону (наибольшему градиенту) и неминуемо застревает в первой же попавшейся впадине, которая не обязательно является самой глубокой (глобальным минимумом). Эволюционный алгоритм NSGA-III функционирует принципиально иначе: как десант из тысяч парашютистов, сброшенных по всему горному хребту (популяционная выборка). Эти «парашютисты» (особи популяции) постоянно обмениваются своими координатами (операция кроссовера), а процедура естественного отбора (селекция) оставляет в живых только тех, кто нашел более глубокие впадины (лучшие значения целевых функций). Кроме того, NSGA-III принудительно поддерживает высокое разнообразие «парашютистов», не позволяя им скапливаться в одной точке. Это достигается за счет специальных механизмов сохранения разнообразия (niching), что гарантирует нахождение истинного, глобального оптимума, представленного в виде множества Парето-фронта (Pareto front), сразу по нескольким критериям (например, энергозатраты и чистота продукта).

Для обеспечения корректной сходимости итерационных расчетов колонн перед запуском основного оптимизационного алгоритма применялся метод последовательной оптимизации. Этот подход позволил найти корректные начальные приближения для всех переменных. В ходе полномасштабной симуляции алгоритм автоматически варьировал следующие ключевые параметры: расходы сырья, уровни жидкости в кубах колонн и рефлюксных емкостях, тепловые нагрузки на конденсаторы (дефлегматоры), а также температуру рециркулирующего растворителя.

Использование внешнего эволюционного алгоритма позволило радикально сократить удельные энергозатраты на разделение. По сравнению с базовым (интуитивным или рассчитанным традиционными методами) дизайном, экономия энергии составила от 15 до 20%. Кроме того, снижение энергопотребления закономерно привело к минимизации выбросов углекислого газа (CO₂). Полученные результаты доказали высокую эффективность связки коммерческого симулятора технологических процессов (Aspen Plus) с открытыми библиотеками машинного обучения и оптимизации на языке Python, что открывает широкие перспективы для решения сложных многокритериальных задач в химической технологии.

Источник

Источник

Теги

• #AspenPlus
• #Python
• #Optimization
• #NSGA
• #ExtractiveDistillation

Источник: https://mdpi.com

#AspenPlus #Python #Optimization #NSGA #ExtractiveDistillation