论文标题：Real-time yield prediction in microchannel gas-liquid sulfonation via augmented convolutional long short-term memory-based soft measurement

期刊：Frontiers of Chemical Science and Engineering

作者：Yingjin Wang, Yingxin Mu, Shaokui Fu, Muxuan Qin, Wenjin Zhou, Wei Zhang 

发表时间：14 Jan 2026

DOI： 10.1007/s11705-026-2636-8

微信链接：点击此处阅读微信文章

文章信息

▎文章题目

Real-time yield prediction in microchannel gas-liquid sulfonation via augmented convolutional long short-termmemory-based soft measurement

▎文章来源

Yingjin Wang, Yingxin Mu, Shaokui Fu, Muxuan Qin, Wenjin Zhou, Wei Zhang. Real-time yield prediction in microchannel gas-liquid sulfonation via augmented convolutional long short-term memory-based soft measurement. ENG. Chem. Eng., 2026, 20(3): 15

DOI:10.1007/s11705-026-2636-8

研究背景

微通道气液磺化是高性能表面活性剂高效绿色合成的关键过程强化技术，虽具备优异传热传质性能，但存在反应内部复杂时空动态及实验数据稀缺等问题，导致实时监测与精准调控难以实现。近日，太原理工大学张玮团队在ENG. Chem. Eng.期刊发表的研究成果，提出基于卷积长短期记忆网络（ConvLSTM）的软测量方法，直接从微通道反应图像序列提取关键时空信息，实现了 α-烯基磺酸钠（AOS）产率等级的高精度实时预测。

文章亮点

实时软测量打破传统监测局限

摒弃离线滴定或高效液相色谱等滞后检测方式，基于高速相机实时采集微通道内反应图像序列，无需依赖复杂机理模型，直接建立视觉特征与产率等级的映射关系。

帧采样增强破解实验数据稀缺困境

针对微化工实验成本高和样本量少（仅 32 组原始数据）的问题，从 1 s视频（约 2000 帧）中均匀采样 4 组关键帧，将原始数据扩增至 156 组，充分捕捉微流体动态信息，既提升了数据利用率，又有效缓解了小样本下模型过拟合问题。

ConvLSTM 实现时空特征协同建模

将卷积运算嵌入 LSTM 单元，搭配 TimeDistributed 模块，同步提取反应图像空间视觉特征与时序动态变化，弥补了传统 CNN 忽略时序信息和纯 LSTM 丢失空间关联的缺陷，可精准捕捉气液流型演化及界面波动与产率的内在关联。

分类预测 + 低延迟适配工业实时决策

将产率回归转化为高、中、低三分类任务，平衡样本分布并降低模型复杂度。模型单样本推理仅需 75 ms，远快于离线分析的小时级延迟，可快速输出工艺状态评估，支撑实时调控与故障预警。

文章结论

本研究成功设计了一种基于帧采样增强与 ConvLSTM 的时空软测量方法，可实现微通道气液磺化产率等级实时分类预测。增强型 ConvLSTM 经 5 折交叉验证，平均准确率达 97.44%，高产率类别分类精确率和召回率均为 100%；帧采样数据增强策略大幅提升了模型性能，有效解决了微化工实验数据稀疏瓶颈；ConvLSTM 时空建模能力显著优于传统 CNN，验证了融合时空特征的必要性。该方法可推广至其他微通道多相反应体系，未来可结合机理模型提升可解释性，拓展至连续产率精准回归，推动微化工过程智能监测与低碳数字化转型。

图表解读

图1 完整呈现了微通道气液磺化产率软测量的技术流程，依次涵盖原始视频与产率数据采集、帧采样时序增强、图像标准化预处理、ConvLSTM 模型构建训练及性能评估五大核心环节。流程清晰展现了从实验数据获取到深度学习模型应用的完整链路，直观体现了该方法无需复杂机理模型和直接依托图像序列实现产率预测的核心优势，为微化工过程实时智能监测提供了借鉴。

图6 直观展示了针对微化工实验数据稀缺问题设计的帧采样增强方法，从 1 s 约 2000 帧的反应视频中，均匀选取 400、800、1200、1600 帧位置的关键帧，将单组原始实验数据扩增为 4 组训练样本。该操作在保留宏观反应条件与产率标签不变的前提下，充分挖掘毫秒级气液界面动态特征，既大幅扩充了训练样本量，又提升了数据多样性，从根源上缓解了小样本场景下深度学习模型易过拟合的问题，是提升模型泛化能力的关键技术。

图9 清晰呈现了增强型 ConvLSTM 模型在测试集上的产率等级分类结果，模型整体准确率达 96.88%，仅出现 1 例低产率样本误判为中产率的情况，高产率类别实现 100% 精准分类。结果直观验证了模型对高、中、低三种产率等级的强判别能力，尤其对最优工艺状态下的高产率样本识别无误差，可精准为工艺优化与故障预警提供可靠依据，充分证明该软测量方法的实用性与可靠性。

作者简介

第一作者

王盈锦，硕士研究生，研究方向为化工过程建模及优化。

通讯作者

张玮，太原理工大学教授，博士生导师，三晋英才教学领军人才。主要从事微化工技术与化工过程智能建模研究，以第一/通讯作者身份在Expert Systems with Applications、Chemical Engineering Journal、Applied Soft Computing、Chemical Engineering Science、Physics of Fluids等化工及人工智能交叉领域国内外学术期刊发表论文50余篇。

免费全文