《Journal of Environmental Chemical Engineering》：A Hybrid Artificial Neural Networks–Aspen Plus Framework for CO
2 Enhanced Biomass Gasification and Gas Turbine Performance
编辑推荐：
本研究提出了一种混合建模框架，结合Aspen Plus过程模拟和人工神经网络（ANN），用于预测生物质气化与燃气轮机系统的综合性能。通过超过5000次参数模拟和实验数据验证，模型表现出R2>0.99和RMSE<5%的高精度，揭示了空气流量和CO?燃料比的关键影响，为实时优化和碳中和提供了新途径。
Rajendran Chandran|Amornchai Arpornwichanop|Jirat Mankasem|Long T. Duong|Anh N. Phan|Phuet Prasertcharoensuk
泰国曼谷朱拉隆功大学工程学院化学工程系，邮编10330
摘要
由于对气候变化和化石燃料依赖的担忧，全球范围内可再生能源和可持续能源的发展日益受到重视。然而，传统的机械模型往往难以捕捉集成气化与涡轮系统的复杂非线性行为，这限制了它们的预测准确性和实时应用的适用性。本研究提出了一种混合建模框架，该框架将两阶段生物质气化模型与气体涡轮模型结合人工神经网络（ANN），以提高生物质发电性能的预测精度。通过参数网格采样策略生成了5000多个模拟案例，并通过文献中的实验数据进行验证，以确保模型的准确性。Spearman等级相关分析表明，空气流速和二氧化碳（CO?）与燃料的比例是最具影响力的参数。优化后的ANN模型的决定系数（R2）超过0.99，均方根误差（RMSE）低于5%，显著优于传统建模方法。所提出的混合ANN–Aspen Plus框架能够实现快速可靠的性能预测，便于实时优化，并促进先进生物质发电系统中二氧化碳（CO?）的利用。
引言
缓解气候变化、加强能源安全以及减少对化石燃料依赖的紧迫性，使得全球对可持续能源技术的兴趣日益增加。其中，生物质，特别是木质纤维素残渣和废弃物，因其丰富性、可再生性和接近碳中和的特性，成为可再生能源生产的有希望的原料[1]。目前，生物质占全球一次能源的10%以上，并在分散式能源系统和化石燃料替代方面具有巨大潜力[2][3]。生物质可以通过热化学转化方法（如热解、燃烧和气化）转化为氢气、热能/电能和合成气（syngas）[4][5]。气化方法尤其具有吸引力，因为它产生的合成气/氢气可用于发电、合成燃料和增值化学品的生产。因此，准确模拟气化过程对于提高工艺效率、降低实验成本和促进规模扩展至关重要。传统的建模方法包括平衡模型、动力学模型和计算流体动力学（CFD）模型，但这些方法都有各自的局限性。例如，平衡模型虽然简单，但依赖于理想化的假设[6][7]；动力学模型虽然更准确，但需要详细的机制描述，而这些机制对于不同的原料来说难以获得，且这些动力学数据通常是针对特定反应器和操作条件专门设计和验证的[8]；CFD模型虽然具有较高的空间精度，但计算成本高昂，不适合实时控制[9][10]，这是先进过程控制平台的一个关键瓶颈。这些局限性推动了机器学习（ML）技术，特别是人工神经网络（ANN）的应用，因为ANN可以直接从输入数据中建模非线性多变量关系。最近的研究利用ANN预测了在不同操作条件（包括温度、压力、气化剂比例和多种原料组成）下的合成气特性[11][12][13]。然而，大多数基于ANN的研究仅关注气化性能或合成气产量的预测，未考虑下游的能量转换阶段（如气体涡轮机），其预测精度仅为中等水平（R2约为0.95，RMSE > 10%），这限制了它们在完全集成的生物质发电系统中的应用。
气化剂也会显著影响产气性质。尽管空气是最便宜且最常用的生物质气化剂，但产气的热值较低（4-6 MJ/Nm3），并且含有高达55%的N?，这需要额外的氮分离过程，从而增加工艺的资本和运营成本[15]。蒸汽可以产生热值较高的气体（15-20 MJ/Nm3），其中含有44-49%的H?[16]。然而，使用蒸汽作为气化剂的主要缺点是生成蒸汽的能量消耗较大，导致工艺效率降低[17]。最近，二氧化碳（CO?）作为一种反应性气化剂被用于生物质气化，以获得高质量的合成气，因为它能促进Boudouard反应和干重整反应[18][19][20]，但在ANN框架中其效果尚未得到充分研究，也没有研究将CO?辅助气化与气体涡轮机性能结合在一个预测步骤中。利用CO?作为碳源不仅可以提高合成气质量（增加H?和CO的产量），还有助于实现全球脱碳目标（如国家净零排放目标）。尽管有这些优势，CO?在基于ANN的气化框架中的作用仍需进一步探索，目前还没有研究将CO?辅助气化与气体涡轮机性能结合在一个统一的预测模型中。
因此，本研究旨在：(i) 开发一个全面的Aspen Plus模型，用于模拟在不同操作条件下的CO?增强型生物质气化及其与气体涡轮机循环的集成，并使用文献中的实验数据进行验证；(ii) 通过Spearman等级相关系数量化关键变量的影响；(iii) 训练并验证ANN替代模型，使其能够准确再现气化器和气体涡轮机的输出，其中R2 > 0.98且RMSE < 5%。该研究将为实时优化提供机会，推进生物质发电系统的数字化转型，并促进CO?作为能源生产碳源的利用，从而显著改善工艺的环境影响和可持续性，同时提供替代的碳捕获和储存技术。
方法论
本研究采用了一种顺序混合建模框架。首先，在Aspen Plus中开发了一个机制上一致、热力学上合理的过程模型，以生成高质量且物理上可靠的数据集。然后使用该数据集训练和验证用Python实现的人工神经网络（ANN）替代模型，以实现系统性能的快速实时预测。
关键操作参数对生物质气化性能的影响
为了定量评估关键操作参数与系统输出（特别是合成气产量和气体涡轮机功率输出）之间的单调关系，进行了Spearman等级相关系数（SCC）分析。如图5所示，SCC值的范围是从-1到+1，其中+1表示完全正相关，-1表示完全负相关，0表示无相关。较大的绝对SCC值对应更强的单调关联。
结论
本研究提出了一种混合建模框架，将Aspen Plus过程模拟与人工神经网络（ANN）相结合，用于预测和优化生物质气化和气体涡轮子系统的性能。该集成通过COM自动化接口成功实现，使ANN模型能够作为复杂热力学计算的高精度替代工具。
在研究的输入参数中，空气流速和二氧化碳
CRediT作者贡献声明
Phuet Prasertcharoensuk：撰写 – 审稿与编辑、验证、监督、方法论、概念化、初稿撰写。Rajendran Chandran：撰写 – 审稿与编辑、初稿撰写、验证、项目管理、方法论、形式分析、数据整理、概念化。Amornchai Arpornwichanop：可视化、验证。Jirat Mankasem：验证、研究。Long T. Duong：可视化、验证、研究。Anh N. Phan：撰写
致谢
本研究得到了泰国朱拉隆功大学C2F项目的财政支持，特此表示感谢。
