从“黑盒预测”到“透明设计”：基于图神经网络（GNN）与人工智能（XAI）的指导，对用于环戊烯醇催化氧化反应的反应器网络结构进行优化

《Chinese Journal of Chemical Engineering》：From Black-Box Predictions to Transparent Design: GNN-XAI Guided Pruning of Reactor Network Superstructures in Catalytic Oxidation of Prenol

　　

Zhibo Zhang|Yani Wang|Mengzhen Zhu|Xinrui Song|Jiarong Lu|Yaqian Li|Hao Yan|Xin Zhou|Hui Zhao|Xiaobo Chen|Chaohe Yang|Yibin Liu

摘要

普雷诺尔（prenol）氧化为异肾上腺醛（isoprenaldehyde）是一条前景广阔的工业路线，但这一过程本质上受到转化率和选择性与之之间的权衡限制。在这项工作中，我们采用基于超结构（superstructure）的方法对反应器网络进行多目标优化，以应对这一挑战。首先，我们从实验数据中建立了一个动力学模型。其次，我们利用一种分配矩阵编码方案将传统的混合整数非线性规划问题重新表述为纯粹的连续优化问题，从而消除了离散决策变量。在此基础上，我们提出了一个可解释的框架，该框架结合了图神经网络（graph neural networks）和SHAP（SHapley Value Interpretation）技术，定量分析各个超结构节点和操作条件对关键性能指标的贡献。分析结果显示，连续流式反应器（CSTR）单元及其相关物料流对转化率、选择性和资本成本的贡献可以忽略不计，而填充流式反应器（PFR）的操作条件（温度和停留时间）则具有主导作用，显示出显著的阈值效应和强烈的交互作用。根据这些发现，我们通过移除所有CSTR单元及相关循环流来简化超结构。优化结果表明，简化后的网络在产率与资本成本的权衡方面与原始配置几乎相同，证实了CSTR相关复杂性的冗余性。本研究不仅实现了对反应器网络的设计透明化，并且为复杂过程系统的可解释优化提供了一种通用方法。