混沌蟻群算法應(yīng)用于小規(guī)模換熱網(wǎng)絡(luò)綜合問題

張春偉，崔國民

（上海理工大學(xué) 新能源科學(xué)與工程研究所，上海 200093）

混沌蟻群算法應(yīng)用于小規(guī)模換熱網(wǎng)絡(luò)綜合問題

張春偉，崔國民

（上海理工大學(xué) 新能源科學(xué)與工程研究所，上海 200093）

針對(duì)換熱網(wǎng)絡(luò)綜合問題的嚴(yán)重非凸、非線性，采用一種混沌優(yōu)化算法即混沌蟻群算法，同步綜合換熱網(wǎng)絡(luò)。為充分驗(yàn)證混沌蟻群算法的搜索能力與特性，選擇相對(duì)于固定結(jié)構(gòu)更為復(fù)雜的小規(guī)模換熱網(wǎng)絡(luò)綜合問題作為研究對(duì)象。同時(shí)引入Powell法作為局部搜索策略，提高算法的求解精度。選用3個(gè)小規(guī)模算例對(duì)算法進(jìn)行驗(yàn)證，均獲得了相對(duì)文獻(xiàn)更好的換熱網(wǎng)絡(luò)設(shè)計(jì)，證明了混沌蟻群算法優(yōu)越的搜索能力。

換熱網(wǎng)絡(luò)綜合；混沌蟻群算法；Powell法

換熱網(wǎng)絡(luò)同步綜合的目的是發(fā)現(xiàn)一個(gè)年綜合費(fèi)用最小的網(wǎng)絡(luò)結(jié)構(gòu)，其研究方法大致可分為確定性方法和隨機(jī)性方法兩類。確定性方法以分支定界法［1］和外部逼近法［2］等為代表，但其在處理大規(guī)模換熱網(wǎng)絡(luò)問題時(shí)存在一定的不足。隨機(jī)性方法，如遺傳算法［3］、微分進(jìn)化算法［4］和粒子群算法［5］等，已在換熱網(wǎng)絡(luò)中得到廣泛的應(yīng)用。但此類算法受種群多樣性等因素影響，易陷入局部最優(yōu)解。

混沌優(yōu)化算法是一類基于混沌動(dòng)力學(xué)的新型優(yōu)化方法，如混沌神經(jīng)網(wǎng)絡(luò)算法［6］、混沌模擬退火算法［7］和混沌免疫算法［8］等，得到了學(xué)者們的廣泛研究。混沌特有的遍歷性、偽隨機(jī)性等使混沌優(yōu)化算法具有很強(qiáng)的爬山及跳出局部最優(yōu)能力，所以混沌搜索較隨機(jī)搜索更加有效?；煦缦伻核惴ㄊ且环N基于混沌理論和自組織理論的新型混沌優(yōu)化算法［9］，已成功解決參數(shù)辨識(shí)［10］、電力資源分配［11］和多目標(biāo)優(yōu)化［12］等問題，具有搜索能力強(qiáng)、性能穩(wěn)定等特點(diǎn)。

本工作將混沌蟻群算法應(yīng)用于小規(guī)模換熱網(wǎng)絡(luò)問題，分析算法的搜索能力與特性，并提出了一條能夠適用于混沌蟻群算法的判斷準(zhǔn)則，輔助算法處理問題中的整型變量，同時(shí)引入Powell法作為局部搜索策略，提高混沌蟻群算法的求解精度及搜索能力；選用3個(gè)算例對(duì)算法進(jìn)行了驗(yàn)證。

1 換熱網(wǎng)絡(luò)綜合問題的數(shù)學(xué)模型

1.1 超結(jié)構(gòu)模型及其序列表示

換熱網(wǎng)絡(luò)綜合問題可表述如下：有NC股冷流體需要加熱，NH股熱流體需要冷卻，通過冷、熱流體之間的匹配，回收過程流體的能量，同時(shí)為未達(dá)到目標(biāo)溫度的流體設(shè)置熱、冷公用工程。冷、熱流體的進(jìn)口溫度、目標(biāo)溫度、熱容流率，公用工程的進(jìn)、出口溫度，各換熱器換熱系數(shù)等均已知。根據(jù)冷、熱流體的匹配順序形成一個(gè)換熱網(wǎng)絡(luò)，在所有流體達(dá)到目標(biāo)溫度的情況下，最小化換熱網(wǎng)絡(luò)的投資費(fèi)用與運(yùn)行費(fèi)用。投資費(fèi)用包括換熱器固定投資費(fèi)用與換熱器面積費(fèi)用，運(yùn)行費(fèi)用為公用工程消耗所產(chǎn)生的費(fèi)用。對(duì)于有分流的換熱網(wǎng)絡(luò)模型而言，雖然有時(shí)能夠得到相對(duì)無分流模型費(fèi)用值更低的換熱網(wǎng)絡(luò)設(shè)計(jì)，但由于增加了問題的復(fù)雜性，且未計(jì)算由于流體分流而增加管路、閥門等造成的額外投資費(fèi)用，所以在實(shí)際工程中的可接受度不高。鑒于此，本工作采用Grossmann無分流分級(jí)超結(jié)構(gòu)模型［13］，其中，換熱網(wǎng)絡(luò)級(jí)數(shù)為NS=max（NH，NC），最大換熱器個(gè)數(shù)為NK=NSNHNC。以2股熱流體與2股冷流體為例，分級(jí)超結(jié)構(gòu)模型見圖1。

圖1 換熱網(wǎng)絡(luò)無分流的分級(jí)超結(jié)構(gòu)模型Fig.1 Superstructure of heat exchanger networks without stream splits.H1，H2：hot fuids；C1，C2：cold fuids.

1.2 優(yōu)化的目標(biāo)函數(shù)

針對(duì)上述換熱網(wǎng)絡(luò)模型，以最小年綜合費(fèi)用為優(yōu)化目標(biāo)，其數(shù)學(xué)函數(shù)為：

式中，當(dāng)換熱器存在時(shí)，B=1；反之，B=0。

本工作以單個(gè)換熱器的換熱量Qijk為優(yōu)化變量，各換熱器均采用逆流傳熱方式。換熱器相關(guān)參數(shù)的計(jì)算式見式（2）～（4），加熱器與冷卻器的計(jì)算方式與換熱器相同。

當(dāng)進(jìn)行匹配的冷、熱流體的熱容流率相等時(shí)，可采用算術(shù)平均溫差A(yù)MTD代替對(duì)數(shù)平均溫差LMTD，AMTD的計(jì)算式見式（5）。具體約束條件見文獻(xiàn)［14］。

2 混沌蟻群算法

2.1 混沌蟻群算法

混沌蟻群算法中的搜索過程中包含兩個(gè)連續(xù)階段，即螞蟻個(gè)體的混沌搜索階段和整個(gè)種群的自組織階段。單個(gè)螞蟻的混沌行為到整個(gè)種群自組織行為的轉(zhuǎn)變是通過引入一個(gè)連續(xù)改變的組織變量來實(shí)現(xiàn)的。為使螞蟻個(gè)體在開始時(shí)進(jìn)行混沌搜索，文獻(xiàn)［9］引入Solé等［15］給出的混沌函數(shù)并進(jìn)行相應(yīng)改進(jìn)，得到變量更新公式（以種群Np中第n個(gè)螞蟻，第G代更新為例），見式（6）：

式中，為螞蟻個(gè)體的搜索范圍，其每一維大小為每個(gè)換熱器所在冷熱流體的最大換熱潛能；為螞蟻個(gè)體鄰居反饋的最佳位置；Vn決定了螞蟻個(gè)體在每一維空間上的搜索范圍，如Vn=1/2，則表示此螞蟻的混沌動(dòng)力學(xué)行為方程的吸引子與Vn=0時(shí)相比，向負(fù)方向移動(dòng)了一半，本工作令Vn=0.1；其余相關(guān)參數(shù)可參考文獻(xiàn)［9］。

2.2 局部搜索策略

根據(jù)混沌搜索特性，螞蟻會(huì)遍歷整個(gè)求解域，但由于換熱網(wǎng)絡(luò)問題的非凸、非線性嚴(yán)重，對(duì)算法的精度要求高，所以引進(jìn)Powell法作為局部搜索策略。螞蟻每移動(dòng)到一個(gè)新點(diǎn)，Powell法會(huì)找到其所在區(qū)域的局部最優(yōu)值。在算法收斂階段，螞蟻會(huì)聚集在種群保存的最優(yōu)解上。此外，由于螞蟻個(gè)體具有記憶功能，局部搜索并不會(huì)影響螞蟻的搜索路徑。Powell法是一種求解無約束最優(yōu)化問題的直接搜索法［16］，具有收斂速度快、求解精度高、無需計(jì)算導(dǎo)數(shù)等優(yōu)點(diǎn)，較其他傳統(tǒng)的局部優(yōu)化方法更適合換熱網(wǎng)絡(luò)綜合問題。Powell法搜索的步驟如下。

步驟1：確定變量維數(shù)N，即當(dāng)前螞蟻個(gè)體結(jié)構(gòu)所包含的換熱器個(gè)數(shù)，讀取當(dāng)前位置信息Q0。設(shè)置收斂精度ε。給定一組線性無關(guān)的方向De（e=1，2，…，N），De取N個(gè)坐標(biāo)軸的方向，即N階單位矩陣。其中N的最大取值為NK。

步驟2：從初始點(diǎn)Q0出發(fā)依次沿方向De（e=1，2，…，N）進(jìn)行一維搜索，確定每次迭代的步長λe，得到Q1，Q2，…，QN，即：

步驟3：判斷迭代計(jì)算是否結(jié)束。若滿足式（9），則得到解QN，計(jì)算結(jié)束；否則進(jìn)行步驟4。

步驟4：計(jì)算最速上升方向上函數(shù)F（Q）的變化：

步驟5：引進(jìn)第（N+1）個(gè)搜索方向和新的點(diǎn)Qt，并計(jì)算F（Qt）。

步驟6：方向替換判斷。

若滿足式（13），則將QNh作為新的初始點(diǎn)，沿原方向重新搜索，即轉(zhuǎn)至步驟2。

若滿足式（14），則將QN作為新的初始點(diǎn)，沿原方向搜索，即轉(zhuǎn)至步驟2。

若以上兩條件均不滿足，則轉(zhuǎn)至步驟7。

步驟7：以QN作為起始點(diǎn)，沿方向DN+1進(jìn)行一維搜索，并得到此方向上的極小值點(diǎn)QN+1。將方向Dibig用新方向DNh+1=QN+1-QN替換，產(chǎn)生一組新的方向組De（e=1，2，…，N），以QN+1作為新初始點(diǎn)，轉(zhuǎn)至步驟2。

2.3 整型變量判斷準(zhǔn)則

在本工作中，所有個(gè)體的初始解均為全結(jié)構(gòu)，即所有換熱器都存在。通過測試發(fā)現(xiàn)，混沌蟻群算法能夠使個(gè)體的某一維的換熱量Q近似為零。從投資費(fèi)用方面分析，當(dāng)某一換熱器上的熱負(fù)荷小于一特定值時(shí)，可認(rèn)為此換熱器對(duì)于減少年綜合費(fèi)用值是不利的，即這一維表示的換熱器應(yīng)該消去。但由于精度的影響，優(yōu)化變量Q不可能完全為零。鑒于此，本工作提出了一條適用于混沌蟻群算法的整型變量判斷準(zhǔn)則，見式（15）：

式中，Qmin為設(shè)定的換熱器最小換熱量，當(dāng)螞蟻個(gè)體某一維的變量小于此值時(shí)，消去對(duì)應(yīng)的換熱器。當(dāng)換熱器被消去后，若費(fèi)用值降低，則此新解作為最佳的概率相應(yīng)增大，種群中其他個(gè)體傾向于消去此換熱器；若費(fèi)用值升高，則此新解作為最佳的概率相應(yīng)減小，所以其他個(gè)體消去此換熱器的概率也相應(yīng)減少，而此個(gè)體在下次迭代過程中又可通過學(xué)習(xí)其他個(gè)體，重生已消去的換熱器。此外，由于混沌蟻群算法本身具有一定的跳出局部最優(yōu)的能力，且本工作研究的對(duì)象均為小規(guī)模問題，所以判斷準(zhǔn)則對(duì)整型變量具有一定的處理能力，但并不適用于大規(guī)模換熱網(wǎng)絡(luò)問題。

3 算例驗(yàn)證

為驗(yàn)證混沌蟻群算法算法性能，本工作選取3個(gè)小規(guī)模算例進(jìn)行計(jì)算。計(jì)算環(huán)境為WIN7系統(tǒng)下Fortran編程，計(jì)算機(jī)參數(shù)為Intel（R） Xeon（R） CPU E5-2670 v2 2.5 GHz 32 GB RAM。

3.1 算例1

算例1取自文獻(xiàn)［17］，相關(guān)參數(shù)見表1。采用基于局部搜索策略的混沌蟻群算法優(yōu)化算例1，優(yōu)化結(jié)構(gòu)見圖2，計(jì)算所得費(fèi)用值為115 890 $/a。算例1混沌蟻群算法的計(jì)算值與文獻(xiàn)方法計(jì)算結(jié)果的比較見表2。嚴(yán)麗娣等［17］采用標(biāo)準(zhǔn)粒子群算法優(yōu)化算例1，獲得結(jié)構(gòu)對(duì)應(yīng)的費(fèi)用值為124 670 $/a，但未直接說明如何處理整型變量。何巧樂［18］提出了具有局部搜索能力的文化基因粒子群算法并采用一種處理策略避免由于固定投資費(fèi)用較高引起算法陷入局部最優(yōu)解，將其應(yīng)用于算例1后，所得結(jié)構(gòu)的費(fèi)用值為123 900 $/a。

表1 算例1的參數(shù)Table 1 Parameters of case 1

圖2 算例1的優(yōu)化結(jié)構(gòu)Fig.2 Optimal results for case 1.

表2 算例1的優(yōu)化結(jié)果對(duì)比Table 2 Comparison of the optimal results for case 1

3.2 算例2

算例2取自文獻(xiàn)［19］，是由2股冷流體與2股熱流體組成的換熱網(wǎng)絡(luò)問題，相關(guān)參數(shù)見表3。采用基于局部搜索策略的混沌蟻群算法優(yōu)化算例2，優(yōu)化結(jié)構(gòu)見圖3，計(jì)算所得費(fèi)用值為11 540 $/a。算例2混沌蟻群算法的計(jì)算值與文獻(xiàn)方法計(jì)算結(jié)果的比較見表4。

表3 算例2的參數(shù)Table 3 Parameters of case 2

圖3 算例2的優(yōu)化結(jié)構(gòu)Fig.3 Optimal results for case 2.

表4 算例2的優(yōu)化結(jié)果對(duì)比Table 4 Comparison of the optimal results for case 2

Ahmad［19］基于一個(gè)特定的效率參數(shù)XP提出了一種設(shè)計(jì)換熱器最小管殼數(shù)的方法，獲得的結(jié)構(gòu)對(duì)應(yīng)費(fèi)用值為12 870 $/a。Nielsen等［20］首先提出了一種新的換熱網(wǎng)絡(luò)結(jié)構(gòu)的表示方法，隨后選取模擬退火算法作為優(yōu)化方法，其所獲得結(jié)構(gòu)對(duì)應(yīng)的費(fèi)用值為12 306 $/a。Khorasany等［21］采用了雙層結(jié)構(gòu)算法，即外層使用禁忌搜索算法產(chǎn)生結(jié)構(gòu)，內(nèi)層采用禁忌搜索算法與序列二次規(guī)劃法相結(jié)合優(yōu)化換熱器的熱負(fù)荷以及分流比，其獲得的結(jié)構(gòu)的費(fèi)用值為11 895 $/a。Huo等［22］也采用了雙層優(yōu)化算法，外層采用遺傳算法產(chǎn)生候選結(jié)構(gòu)，內(nèi)層采用粒子群法優(yōu)化熱負(fù)荷以及分流比，獲得的結(jié)構(gòu)對(duì)應(yīng)的費(fèi)用值為11 632 $/a。

3.3 算例3

算例3取自文獻(xiàn)［23］，包含3股熱流體、2股冷流體，相關(guān)參數(shù)見表5。采用基于局部搜索策略的混沌蟻群算法優(yōu)化算例3，優(yōu)化結(jié)構(gòu)見圖4，計(jì)算所得費(fèi)用值為100 459 $/a。算例3混沌蟻群算法的計(jì)算值與文獻(xiàn)方法計(jì)算結(jié)果的比較見表6。

Bj?rk等［23］選用此算例論證有分流分級(jí)超結(jié)構(gòu)中流體非等溫混合對(duì)優(yōu)化結(jié)果的影響，包含了兩個(gè)換熱網(wǎng)絡(luò)設(shè)計(jì)。一為基于等溫混合模型的設(shè)計(jì)，對(duì)應(yīng)的費(fèi)用值為100 720 $/a。另一為基于非等溫混合模型的設(shè)計(jì)，對(duì)應(yīng)的費(fèi)用值為96 001 $/a。Huang等［24］在有分流分級(jí)超結(jié)構(gòu)模型中允許流體進(jìn)行非等溫混合，同時(shí)為獲得更好的解，改進(jìn)了溫度邊界條件并提出了一系列邏輯約束，獲得的結(jié)構(gòu)對(duì)應(yīng)的費(fèi)用值為95 463 $/a。通過對(duì)比發(fā)現(xiàn)，此結(jié)構(gòu)與Bj?rk等［23］的基于非等溫混合模型獲得的結(jié)構(gòu)相同，只在連續(xù)變量上存在微小的差異。

表5 算例3的參數(shù)Table 5 Parameters of case 3

圖4 算例3的優(yōu)化結(jié)構(gòu)Fig.4 Optimal results for case 3.

表6 算例3的優(yōu)化結(jié)果對(duì)比Table 6 Comparison of the optimal results for case 3

Huang等［25］提出了一種新的基于非等溫混合有分流分級(jí)超結(jié)構(gòu)模型，即在一條分流上允許存在多個(gè)換熱器，其所得結(jié)構(gòu)對(duì)應(yīng)的費(fèi)用值為94 742 $/a。對(duì)比混沌蟻群算法的計(jì)算值與文獻(xiàn)值發(fā)現(xiàn)，此算例中的冷量與熱量可完全抵消而不需配置公用工程，文獻(xiàn)結(jié)果間的差異主要?dú)w因于模型不同，進(jìn)而導(dǎo)致溫差、換熱面積不同。本工作所獲得的最優(yōu)結(jié)構(gòu)同樣實(shí)現(xiàn)了流體的冷熱量完全抵消，可認(rèn)為此結(jié)果是在Grossman無分流分級(jí)超結(jié)構(gòu)模型下的最優(yōu)結(jié)構(gòu)。

由以上3個(gè)算例的優(yōu)化結(jié)果可知，混沌蟻群算法能夠得到較文獻(xiàn)更好的解，表明混沌蟻群算法適用于換熱網(wǎng)絡(luò)綜合問題。

4 結(jié)論

1） 首次將混沌蟻群算法應(yīng)用于小規(guī)模的換熱網(wǎng)絡(luò)問題，引入Powell法作為局部搜索策略，強(qiáng)化了算法的優(yōu)化能力。

2） 整型變量判斷準(zhǔn)則有效地優(yōu)化了算例中的網(wǎng)絡(luò)結(jié)構(gòu)，與混沌蟻群算法能夠很好地契合，適用于換熱網(wǎng)絡(luò)同步綜合。

3） 與文獻(xiàn)中采用隨機(jī)性方法或通過改變模型所獲得的結(jié)果相比，本工作獲得的結(jié)果相對(duì)更優(yōu)，可認(rèn)為是基于Grossmann無分流分級(jí)超結(jié)構(gòu)的次優(yōu)解或最優(yōu)解，充分證明了混沌蟻群算法優(yōu)良的局部跳出能力以及全局搜索能力。

符 號(hào) 說 明

［1］ Quesada I，Grossmann I E. An LP/NLP based branch and bound algorithm for convex MINLP optimization problems［J］. Comp Chem Eng，1992，16（10）：937 - 947.

［2］ Viswanathan J，Grossmann I E. A combined penalty function and outer-approximation method for MINLP optimization［J］. Comp Chem Eng，1990，14（7）：769 - 782.

［3］ Ravagnani M，Silva A P，Arroyo P A，et al. Heat exchanger network synthesis and optimisation using genetic algorithm［J］. Appl Therm Eng，2005，25（7）：1003 - 1017.

［4］ Yerramsetty K M，Murty C V S. Synthesis of cost-optimal heat exchanger networks using differential evolution［J］. Comp Chem Eng，2008，32（8）：1861 - 1876.

［5］ Silva A P，Ravagnani M A S S，Biscaia Jr E C，et al. Optimal heat exchanger network synthesis using particle swarm optimization［J］. Opt Eng，2010，11（3）：459 - 470.

［6］ Aihara K，Takabe T，Toyoda M. Chaotic neural networks［J］. Phys Lett A，1990，144（6）：333 - 340.

［7］ Chen Luonan，Aihara K. Chaotic simulated annealing by a neural network model with transient chaos［J］. Neural Net，1995，8（6）：915 - 930.

［8］ Zuo X Q，F(xiàn)an Y S. A chaos search immune algorithm with its application to neuro-fuzzy controller design［J］. Chaos Soli Fract，2006，30（1）：94 - 109.

［9］ Li Lixiang，Yang Yixian，Peng Haipeng，et al. An optimization method inspired by “chaotic” ant behavior［J］. Int J Bifur Chaos，2006，16（8）：2351 - 2364.

［10］ Li Lixiang，Yang Yixian，Peng Haipeng，et al. Parameters identification of chaotic systems via chaotic ant swarm［J］. Chaos Soliton Fract，2006，28（5）：1204 - 1211.

［11］ Cai Jiejin，Ma Xiaoqian，Li Lixiang，et al. Chaotic ant swarm optimization to economic dispatch［J］. Electric Power Sys Res，2007，77（10）：1373 - 1380.

［12］ Li Lixiang，Yang Yixian，Peng Haipeng. Computation of multiple global optima through chaotic ant swarm［J］. Chaos Soliton Fract，2009，40（3）：1399 - 1407.

［13］ Yee T F，Grossmann I E. Simultaneous optimization models for heat integration：Ⅱ. Heat exchanger network synthesis［J］. Comp Chem Eng，1990，14（10）：1165 - 1184.

［14］ Zhang Chunwei，Cui Guomin，Peng Fuyu. A novel hybrid chaotic ant swarm algorithm for heat exchanger networks synthesis［J］. Appl Therm Eng，2016，104：707 - 719.

［15］ Solé R V，Miramontes O，Goodwin B C. Oscillations and chaos in ant societies［J］. J Theory Biol，1993，161（3）：343 - 357.

［16］ Powell M J D. An efcient method for fnding the minimum of a function of several variables without calculating derivatives［J］. Comp J，1964，7（2）：155 - 162.

［17］ 嚴(yán)麗娣，霍兆義，尹洪超. 粒子群算法最優(yōu)同步綜合換熱網(wǎng)絡(luò)［J］. 化工進(jìn)展，2009（S1）：439 - 442.

［18］ 何巧樂. 雙層優(yōu)化算法處理大規(guī)模換熱網(wǎng)絡(luò)［D］. 上海：上海理工大學(xué)，2014.

［19］ Ahmad S. Heat exchanger networks：Cost tradeofs in energy and capital［D］. Manchester：University of Manchester Institute of Science and Technology，1985.

［20］ Nielsen J S，Hansen M W，bay Joergensen S. Heat exchanger network modelling framework for optimal design and retroftting［J］. Comp Chem Eng，1996，20（S）：249 - 254.

［21］ Khorasany R M，F(xiàn)esanghary M. A novel approach for synthesis of cost-optimal heat exchanger networks ［J］. Comp Chem Eng，2009，33（8）：1363 - 1370.

［22］ Huo Zhaoyi，Zhao Liang，Yin Hongchao，et al. A hybrid optimization strategy for simultaneous synthesis of heat exchanger network［J］. Korean J Chem Eng，2012，29（10）：1298 -1309.

［23］ Bj?rk K M，Westerlund T. Global optimization of heat exchanger network synthesis problems with and without the isothermal mixing assumption［J］. Comp Chem Eng，2002，26（11）：1581 - 1593.

［24］ Huang K F，Al-mutairi E M，Karimi I A. Heat exchanger network synthesis using a stagewise superstructure with non-isothermal mixing［J］. Chem Eng Sci，2012，73：30 - 43.

［25］ Huang K F，Karimi I A. Simultaneous synthesis approaches for cost-effective heat exchanger networks［J］. Chem Eng Sci，2013，98：231 - 245.

（編輯 王 馨）

中國科大發(fā)現(xiàn)新型廣譜光催化制氫技術(shù)

中國科學(xué)技術(shù)大學(xué)提出了一種新型的光催化制氫機(jī)制，將配位化學(xué)的理念引入有機(jī)納米材料中，產(chǎn)品在廣譜光照下展現(xiàn)出大幅度提高的光催化制氫性能。

該研究借鑒了均相配位化合物中金屬中心與配體分子之間的電荷轉(zhuǎn)移躍遷過程。該金屬-配體電荷轉(zhuǎn)移躍遷可以在低于帶間躍遷的能量范圍內(nèi)吸光，從而與帶間躍遷形成了互補(bǔ)型的廣譜吸光。研究人員將有機(jī)半導(dǎo)體二維納米材料作為大分子配體，利用其中的氮原子位點(diǎn)，引入不到千分之一含量的鉑離子或者更為廉價(jià)的銅離子，形成了金屬-有機(jī)半導(dǎo)體的納米配位結(jié)構(gòu)。該極少量的納米配位單元誘導(dǎo)產(chǎn)生的電荷轉(zhuǎn)移躍遷過程，使得催化劑產(chǎn)品可以在廣譜太陽光范圍內(nèi)進(jìn)行光催化制氫。

DSM公司以尼龍4T牌號(hào)擴(kuò)展生物基聚合物組合Plast Technol，2016 - 06

DSM工程塑料公司公司透露，隨著推出高達(dá)60%可再生資源衍生的高性能尼龍4T材料的新系列，該公司擴(kuò)大了其高溫耐生物基聚合物范圍，以更薄和更可持續(xù)的電子設(shè)備為目標(biāo)，新牌號(hào)擁有改進(jìn)的加工窗口。這種新材料稱為ForTii Eco，目標(biāo)針對(duì)電子工業(yè)中更快、更薄和更可持續(xù)的設(shè)備的不斷增長的趨勢。用于電子市場的整個(gè)DSM塑料組合不含鹵素和紅磷，該材料之前在電纜、連接器、智能設(shè)備中的框架和天線使用。兩種現(xiàn)有的材料是Arnitel Eco TPE以及EcoPaXX尼龍410，兩者部分或完全地由可再生資源衍生的，據(jù)稱新ForTii Eco牌號(hào)代表了下一代高溫尼龍，能夠滿足幾個(gè)方面更加嚴(yán)格的要求。它們提供更高的流動(dòng)和改進(jìn)的加工窗口，結(jié)合高韌性和充分的耐高溫焊接。競爭的半芳香族尼龍如尼龍6T和尼龍10T，不同程度地具有較低的流動(dòng)性和低韌性。

此外，據(jù)ForTii業(yè)務(wù)經(jīng)理Konraad Dullaert稱，這些材料顯示對(duì)潮濕的低靈敏度，保證即使在空調(diào)狀態(tài)下也可保持其卓越的機(jī)械性能和介電性能。隨著數(shù)據(jù)傳輸速度不斷提高，人們越來越需要像ForTii這樣有穩(wěn)定的介電常數(shù)和限制信號(hào)損耗的損耗因數(shù)的絕緣材料。

日本產(chǎn)綜研開發(fā)出納米碳材料新型合成方法

日經(jīng)技術(shù)在線（日），2016 - 05 - 11

日本產(chǎn)業(yè)技術(shù)綜合研究所（產(chǎn)綜研）開發(fā)出棒狀及帶狀納米碳材料的新型合成方法。該方法除了采用以往的化學(xué)反應(yīng)和熱處理外，不需要其他復(fù)雜的工藝，就能簡便且高效地合成碳納米材料。

以往合成石墨烯納米帶采用的是電化學(xué)處理和等離子蝕刻等方法，但將碳納米管剝離、展開存在工序復(fù)雜且效率低等問題。而新開發(fā)的以配位聚合物為原料的簡易合成法，配位聚合物是大量金屬離子與有機(jī)配位體相互連接，其結(jié)構(gòu)類似于藤架的固體材料。目前，為了將這種材料內(nèi)部有規(guī)則排列的納米微孔作為有效空間加以利用，全球各地的研究人員都在開展相關(guān)研究。其中日本產(chǎn)綜研開發(fā)的方法是在使用金屬鹽（乙酸鋅）和能夠與金屬鹽結(jié)合的有機(jī)配體2，5-二羥基對(duì)苯二甲酸（交聯(lián)配體）合成配位聚合物時(shí)，加入不能連接金屬鹽的配體水楊酸（非交聯(lián)配體）抑制配位聚合物在特定方向的生長，從而合成出棒狀的配位聚合物。將這種棒狀的配位聚合物放置到惰性氣體中，在1 000 ℃下進(jìn)行加熱處理，制備出形狀穩(wěn)定的碳納米棒。然后在KOH水溶液中對(duì)碳納米棒進(jìn)行超聲波處理后，再在惰性氣體中800 ℃下進(jìn)行熱處理激活，疊加成碳納米棒石墨烯就會(huì)分散開，就得到石墨烯納米帶。

這樣制備的碳納米棒和石墨烯納米帶與通常用作電容器電極材料的微孔碳相比具有更高的充放電特性，今后有望成為高效能源儲(chǔ)備及轉(zhuǎn)化元件。

中科院固體所在高分散超細(xì)鉑/還原石墨烯復(fù)合材料研究方面取得進(jìn)展

直接甲醇燃料電池（DMFC）可以將甲醇和氧化劑的化學(xué)能直接轉(zhuǎn)化成電能。直接甲醇燃料電池使用的電極催化劑大多為鉑基催化劑，而這種催化劑制備成本高，催化活性及穩(wěn)定性差，阻礙了DMFC的商業(yè)化。

中國科學(xué)院固體所研發(fā)了一種簡便且“綠色”的合成方法來制備Pt/rGO納米復(fù)合材料。LAL誘導(dǎo)的高活性錳膠體（MnOx）顆粒能均勻地負(fù)載在氧化石墨烯（GO）納米片上，形成MnOx/rGO納米復(fù)合材料。這種高活性的MnOx顆粒不但能作為還原劑，而且還能作為犧牲模板原位固定被還原的超細(xì)Pt納米顆粒。最終得到的Pt納米顆粒粒徑大約在1.8 nm左右，且均勻地分布在rGO納米片上。與商用的Pt/C催化劑相比，無論是在酸性還是堿性介質(zhì)中，這種Pt/rGO催化劑對(duì)甲醇氧化均展現(xiàn)出較高的催化活性和穩(wěn)定性。上述研究結(jié)果表明，合成的Pt/rGO催化劑在DMFC方面具有潛在的應(yīng)用前景，且該合成方法為今后貴金屬/石墨烯納米復(fù)合材料的合成提供了一種新的思路。

Design of small-scale heat exchanger networks by chaotic ant swarm algorithm

Zhang Chunwei，Cui Guomin
（Research Institute of New Energy Science and Technology，University of Shanghai for Science and Technology，Shanghai 200093，China）

Because of serious non-convex and non-linear problems in heat exchanger networks synthesis，a chaotic optimization algorithm，namely chaotic ant swarm algorithm(CAS)，was proposed for the synchronous synthesis of the heat exchanger networks. The search ability and features of CAS were verifed with complicated small-scale heat exchanger network synthesis as the investigated subject. The Powell method was introduced as local search strategy to enhance the accuracy and stability of CAS. Three diferent cases based on small-scale heat exchanger networks were calculated by means of the proposed algorithm and the obtained solutions were compared with results published in literatures，which showed the excellent search ability of CAS.

heat exchanger network synthesis；chaotic ant swarm algorithm；Powell method

1000 - 8144（2016）10 - 1248 - 08

TQ 021.8

A

10.3969/j.issn.1000-8144.2016.10.016

2016 - 04 - 05；［修改稿日期］ 2016 - 07 - 06。

張春偉（1992—），男，內(nèi)蒙古自治區(qū)通遼市人，碩士生，電話 13524420426，電郵 zcwaxc@163.com。聯(lián)系人：崔國民，電話 021 - 55271466，電郵 cgm1226@163.com。

國家自然科學(xué)基金項(xiàng)目（51176125）。