综述：化学工程中的深度学习：优势、劣势、机遇与挑战

《Canadian Journal of Chemical Engineering》：Deep learning in chemical engineering: Strengths, weaknesses, opportunities, and threats

深度学习（DL）正革新化学工程，应用包括高保真过程建模、自动故障检测及加速分子发现。基于人工神经网络（ANNs），DL通过预测能力支持自动化、实时监控与决策优化，尤其擅长捕捉复杂非线性反应关系，提升能效与分子设计。本文通过SWOT分析指出DL优势为复杂系统预测优于传统模型，但存在黑箱、高计算成本及标注数据稀缺等问题。机遇在于混合模型（如物理信息神经网络）、自主数字孪生及绿色化学优化，威胁则涉及云连接工厂的网络安全风险与安全认证监管障碍。建议路线图强调可解释AI（XAI）、数据基准构建及强化产学研合作，以解决可解释性和安全性，推动DL成为安全、可持续、自主化学制造的可信工具。

　　

摘要

深度学习（DL）通过实现高保真的过程建模、自动故障检测和更快速的分子发现，正在彻底改变化学工程领域。利用人工神经网络（ANN），深度学习提供了支持自动化、实时监控和更好决策的预测能力。它在捕捉化学反应中的非线性关系方面表现出色，提高了能源效率并推动了分子设计的发展。本文采用优势、劣势、机会和威胁（SWOT）分析来评估深度学习的应用情况。其优势在于与传统模型相比，在处理复杂非线性系统时具有更出色的预测性能。劣势包括其“黑箱”特性（可解释性有限）、高计算成本以及高质量标注数据的稀缺性。这些限制为混合模型（如基于物理信息的神经网络）、自主数字孪生（DT）和绿色化学优化提供了发展机会。威胁则包括云连接工厂中的网络安全风险以及安全认证方面的监管障碍。本文提出了一条发展路线，强调可解释人工智能（XAI）、数据基准测试以及加强学术界与工业界的合作。解决可解释性和安全性问题对于将深度学习从经验性算法发展成为用于安全、可持续和自主化化学制造的可靠工具至关重要。

同行评审

为了保证透明度，与本文相关的同行评审文件可访问 https://doi.org/10.1002/cjce.70392。

第二轮评审
编辑决定函	2026/03/02
第一轮评审
编辑决定函	2025/11/11
评审员1报告	2025/11/10
评审员2报告	2025/11/09
评审员2报告附件1	2025/11/09

数据可用性声明

由于本研究中未生成或分析任何数据集，因此本文不适用数据共享。