论文标题：A hybrid spatial-temporal deep learning prediction model of industrial methanol-to-olefins process

期刊：Frontiers of Chemical Science and Engineering

作者：Jibin Zhou, Xue Li, Duiping Liu, Feng Wang, Tao Zhang, Mao Ye, Zhongmin Liu

发表时间： 15 Apr 2024

DOI：10.1007/s11705-024-2403-7

微信链接：点击此处阅读微信文章

阅读原文请点击“A hybrid spatial-temporal deep learning prediction model of industrial methanol-to-olefins process”

文章速览

低碳烯烃作为化学工业中最重要的基础化工原料，主要来源为石脑油蒸汽裂解。鉴于我国富煤少油的资源禀赋，开发以煤为原料经甲醇制取低碳烯烃技术具有重要的能源战略意义。由中国科学院大连化学物理研究所研发的甲醇制烯烃（DMTO）系列技术目前已许可31套工业装置，对应低碳烯烃产能为2025万吨/年，MTO技术已成为我国低碳烯烃生产的重要方式之一。但从当前的技术水平看，MTO过程仍是一个以经验决策为主的行业，自动化程度低。为进一步降低MTO的生产成本、提高企业经济效益，利用快速发展的人工智能技术推动MTO产业数字化转型和智能化生产势在必行。MTO为典型的复杂过程，反应涉及多个参数，参数间动态耦合，使得基于第一性原理的物理模型很难直接对工艺变量进行预测，严重制约了MTO生产过程的安全高效运行。在本工作中，我们提出了一种新的时空深度学习模型来预测MTO工艺变量。首先，采用可逆实例规范化方法解决MTO工业数据分布不同的问题。然后利用卷积神经网络、自注意力机制和多图神经网络从时间和空间维度提取变量间的作用模式，并将获得的时空特征作为全连接神经网络的输入。最后，对输出进行反规范化处理，得到最终预测结果。对一个实际MTO工业过程26个工艺变量的动态趋势预测结果表明，该模型不仅具有良好的预测性能，而且还能够利用学习到的注意力矩阵和邻接矩阵揭示变量间复杂的时空关系，增强了模型的可解释性。最后，将该模型应用于端到端的工业互联网平台，取得了实际的应用效果。

引用格式：Jibin Zhou, Xue Li, Duiping Liu, Feng Wang, Tao Zhang, Mao Ye, Zhongmin Liu. A hybrid spatial-temporal deep learning prediction model of industrial methanol-to-olefins process. Front. Chem. Sci. Eng., 2024, 18(4): 42 https://doi.org/10.1007/s11705-024-2403-7

作者及团队介绍

周吉彬（第一作者），中国科学院大连化学物理研究所助理研究员，主要方向为人工智能与化学工程的交叉融合研究。

张涛（通讯作者），中国科学院大连化学物理研究所正高级工程师，硕士生导师。主要研究方向为流态化理论、流化床反应器和催化新过程开发。主持中科院战略先导专项等多项课题。申请发明专利200余件，授权100余件。

叶茂（通讯作者），中国科学院大连化学物理研究所研究员，博士生导师。主要围绕国家在煤化工和石油化工领域的需求，开展催化新过程的开发及反应器放大研究。主持国家重点研发计划，国家自然科学基金重点项目、重大研究计划集成项目，中科院战略先导专项，BP和SABIC等国际合作课题多项。在Nature Comm.、AIChE J.、CES、I&ECR等期刊上发表学术论文130余篇，申请发明专利200余件，授权100余件。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn