畢可鑫，邱彤

（1 清華大學(xué)化學(xué)工程系，北京 100084；2 清華大學(xué)工業(yè)大數(shù)據(jù)系統(tǒng)與應(yīng)用北京市重點(diǎn)實(shí)驗(yàn)室，北京 100084）

在國(guó)家“十四五”規(guī)劃的開(kāi)局之際，智能制造戰(zhàn)略在我國(guó)工業(yè)邁向4.0 智能化階段的步伐中，起到關(guān)鍵指引作用。以信息技術(shù)為龍頭的新一輪科技革命，引起了各國(guó)政府的高度重視，進(jìn)而催化了工業(yè)互聯(lián)網(wǎng)的概念形成與初步平臺(tái)搭建，加速了產(chǎn)業(yè)變革步伐。隨著大數(shù)據(jù)時(shí)代的來(lái)臨，人工智能技術(shù)作為計(jì)算機(jī)信息技術(shù)新的發(fā)展方向，與工業(yè)互聯(lián)網(wǎng)深度融合，助力各行業(yè)企業(yè)的數(shù)字化、智能化轉(zhuǎn)型，為工程科學(xué)的學(xué)科研究和工業(yè)發(fā)展帶來(lái)新的機(jī)遇與挑戰(zhàn)。尤其對(duì)于化學(xué)工業(yè)的智能制造而言，復(fù)雜的流程設(shè)計(jì)和過(guò)程機(jī)理難以進(jìn)行過(guò)程的數(shù)字化、可視化。因此化學(xué)工業(yè)智能化的進(jìn)程更需要人工智能算法的助力。

復(fù)雜化工過(guò)程建模、模擬與分析的基礎(chǔ)是化工中特有的第一性原理，即“三傳一反”，其中最核心的要素是過(guò)程的反應(yīng)機(jī)理。在化工過(guò)程智能化發(fā)展的過(guò)程中，提出利用智能化的手段更清晰地表達(dá)反應(yīng)機(jī)理，實(shí)現(xiàn)物質(zhì)轉(zhuǎn)化過(guò)程的“透明工程”。所謂物質(zhì)轉(zhuǎn)化的“透明工程”，是指充分利用人工智能技術(shù)在結(jié)構(gòu)化表達(dá)、特征提取、關(guān)系推演、高效計(jì)算等方面的優(yōu)勢(shì)，實(shí)現(xiàn)物質(zhì)轉(zhuǎn)化過(guò)程中反應(yīng)機(jī)理的表達(dá)結(jié)構(gòu)化、過(guò)程可視化、耦合反應(yīng)機(jī)理可剖析解釋、動(dòng)態(tài)轉(zhuǎn)化趨勢(shì)可揭示表征；同時(shí)，既能在微觀層面做到關(guān)鍵步驟的局部放大研究，又能在工業(yè)應(yīng)用中實(shí)現(xiàn)物質(zhì)轉(zhuǎn)化過(guò)程的準(zhǔn)確預(yù)測(cè)。描述物質(zhì)轉(zhuǎn)化過(guò)程的前提是構(gòu)建準(zhǔn)確的反應(yīng)網(wǎng)絡(luò)，對(duì)其進(jìn)行機(jī)理分析可以分為三大類。

第一類是基于化學(xué)機(jī)理的分析方法。對(duì)于化學(xué)反應(yīng)體系，基于化學(xué)機(jī)理的分析方法主要用于提取關(guān)鍵中間體和反應(yīng)。擬穩(wěn)態(tài)近似（quasi steadystate approximation, QSSA）是一種廣泛使用的化學(xué)假設(shè)，通過(guò)將某些物質(zhì)濃度的時(shí)間偏導(dǎo)數(shù)賦值為0，使這些物質(zhì)的生成速率和消耗速率相等，簡(jiǎn)化為代數(shù)方程進(jìn)行計(jì)算?；诨瘜W(xué)機(jī)理的分析方法深入探索反應(yīng)的熱力學(xué)和動(dòng)力學(xué)性質(zhì)，利用專業(yè)知識(shí)簡(jiǎn)化反應(yīng)網(wǎng)絡(luò)，得到僅由少量反應(yīng)組成的符合化學(xué)理論的反應(yīng)網(wǎng)絡(luò)。

第二類是基于數(shù)學(xué)機(jī)理的分析方法。利用分析濃度對(duì)速率系數(shù)的偏導(dǎo)數(shù)矩陣細(xì)化反應(yīng)網(wǎng)絡(luò)動(dòng)力學(xué)，尤其強(qiáng)調(diào)在參數(shù)不精確的情況下處理反應(yīng)網(wǎng)絡(luò)不確定性的能力。常用的數(shù)學(xué)方法包括主成分分析法（principal component analysis, PCA）、靈敏度擾動(dòng)分析法、有向關(guān)系圖分析法和計(jì)算奇異值攝 動(dòng) 算 法 （computational singular perturbation,CSP）?；跀?shù)學(xué)機(jī)理的分析方法主要利用線性代數(shù)的理論分析反應(yīng)網(wǎng)絡(luò)，在缺乏化學(xué)知識(shí)的情況下容易實(shí)現(xiàn)自動(dòng)化。

第三類是機(jī)理數(shù)值化方法。該方法在近幾年提出，為反應(yīng)網(wǎng)絡(luò)的結(jié)構(gòu)化、數(shù)字化以及反應(yīng)機(jī)理的整合和簡(jiǎn)化提供了新的思路。該方法可以嵌入網(wǎng)絡(luò)拓?fù)涮卣骱臀镔|(zhì)流信息等先驗(yàn)知識(shí)，通過(guò)反應(yīng)網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)化和特征分析為研究反應(yīng)網(wǎng)絡(luò)提供了一個(gè)化學(xué)機(jī)理可視化的視角。類似于自然語(yǔ)言的反應(yīng)方程和反應(yīng)規(guī)則通過(guò)數(shù)據(jù)結(jié)構(gòu)化（如向量和矩陣）表示，可用于進(jìn)一步的數(shù)學(xué)簡(jiǎn)化操作。簡(jiǎn)化后的反應(yīng)網(wǎng)絡(luò)具有更好的解釋性和預(yù)測(cè)模擬適用性。

為了實(shí)現(xiàn)物質(zhì)轉(zhuǎn)化過(guò)程的“透明工程”，對(duì)于復(fù)雜反應(yīng)網(wǎng)絡(luò)，在機(jī)理數(shù)值化方法的基礎(chǔ)上，可以進(jìn)一步融合智能算法，逐步實(shí)現(xiàn)對(duì)反應(yīng)過(guò)程的深入分析。第一步，構(gòu)建反應(yīng)過(guò)程的佩特里網(wǎng)（Petrinet），實(shí)現(xiàn)反應(yīng)網(wǎng)絡(luò)的數(shù)據(jù)結(jié)構(gòu)化，分析反映其特點(diǎn)的結(jié)構(gòu)統(tǒng)計(jì)指標(biāo)；第二步，結(jié)合社交網(wǎng)絡(luò)分析的經(jīng)典算法，得到網(wǎng)絡(luò)內(nèi)物質(zhì)、反應(yīng)的重要度排序，從而進(jìn)一步智能地優(yōu)化反應(yīng)動(dòng)力學(xué)模型，并實(shí)現(xiàn)物質(zhì)轉(zhuǎn)化機(jī)理的可視化和透明化分析，揭示關(guān)鍵反應(yīng)和物質(zhì)間的相互作用關(guān)系和動(dòng)態(tài)轉(zhuǎn)化趨勢(shì)；第三步，將第二步得到的反應(yīng)網(wǎng)絡(luò)特征，融入過(guò)程的智能建模中，使用機(jī)器學(xué)習(xí)方法全面提升預(yù)測(cè)效果。

本文結(jié)合物質(zhì)轉(zhuǎn)化過(guò)程“透明工程”的概念，深入探索智能算法與反應(yīng)網(wǎng)絡(luò)研究的融合應(yīng)用，提出一套復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)化、可視化、具有可解釋性的方法，并對(duì)研究成果的遷移應(yīng)用做出展望。

1 反應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)化與網(wǎng)絡(luò)特征分析

復(fù)雜化工過(guò)程建模的反應(yīng)機(jī)理常用自由基反應(yīng)網(wǎng)絡(luò)描述，該網(wǎng)絡(luò)的構(gòu)建需要基于化學(xué)物質(zhì)庫(kù)，根據(jù)鏈?zhǔn)椒磻?yīng)規(guī)則，自動(dòng)生成物質(zhì)間相互反應(yīng)的關(guān)系，并為反應(yīng)添加相應(yīng)的動(dòng)力學(xué)參數(shù)，組合成的反應(yīng)網(wǎng)絡(luò)可轉(zhuǎn)化為有“語(yǔ)法規(guī)則”的可讀文本，便于通過(guò)計(jì)算機(jī)程序進(jìn)行讀取。自由基反應(yīng)網(wǎng)絡(luò)的生成目前已經(jīng)可以使用成熟的軟件或工藝包完成，例如麻省理工學(xué)院開(kāi)發(fā)的RMG、明尼蘇達(dá)大學(xué)開(kāi)發(fā)的RING等。為對(duì)反應(yīng)網(wǎng)絡(luò)進(jìn)一步展開(kāi)機(jī)理數(shù)值化分析，需要首先將生成的準(zhǔn)結(jié)構(gòu)化反應(yīng)網(wǎng)絡(luò)文本文件基于Petri-net進(jìn)行向量化、矩陣化。反應(yīng)網(wǎng)絡(luò)的Petri-net 轉(zhuǎn)化過(guò)程如圖1所示，將具體的反應(yīng)和物質(zhì)設(shè)置為網(wǎng)絡(luò)中的節(jié)點(diǎn)，將反應(yīng)速率與物質(zhì)流設(shè)置為網(wǎng)絡(luò)中節(jié)點(diǎn)連接的權(quán)重。

圖1 復(fù)雜反應(yīng)網(wǎng)絡(luò)的Petri-net形式轉(zhuǎn)化

圖1中，具體反應(yīng)被設(shè)置為transition節(jié)點(diǎn)，而物質(zhì)被設(shè)置為place 節(jié)點(diǎn)，構(gòu)建起Petri-net 形式的結(jié)構(gòu)有向圖。再將有向圖中的權(quán)重對(duì)應(yīng)填寫到由反應(yīng)和物質(zhì)組成的轉(zhuǎn)移矩陣（transfer matrix）中，完成網(wǎng)絡(luò)矩陣化過(guò)程。在生成網(wǎng)絡(luò)結(jié)構(gòu)后，可以對(duì)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)統(tǒng)計(jì)指標(biāo)分析。適用于反應(yīng)網(wǎng)絡(luò)特征分析的網(wǎng)絡(luò)結(jié)構(gòu)統(tǒng)計(jì)指標(biāo)包括度分布、邊介數(shù)分布、網(wǎng)絡(luò)直徑、平均路徑長(zhǎng)度、平均聚類系數(shù)、模塊度等。Fang 等對(duì)乙烯裂解過(guò)程的物質(zhì)網(wǎng)絡(luò)進(jìn)行了結(jié)構(gòu)統(tǒng)計(jì)指標(biāo)分析，其中的度分布分析結(jié)果如圖2所示。

圖2 乙烯裂解網(wǎng)絡(luò)的節(jié)點(diǎn)度分布

雖然乙烯裂解網(wǎng)絡(luò)與隨機(jī)網(wǎng)絡(luò)具有相近的平均聚類系數(shù)和平均路徑長(zhǎng)度，但其節(jié)點(diǎn)度分布極不均勻，集中在2～9，且節(jié)點(diǎn)的聚集程度很高。整個(gè)網(wǎng)絡(luò)具有模塊社區(qū)化的特征，節(jié)點(diǎn)存在密集連接，有助于信息快速傳遞，具有明顯的小世界網(wǎng)絡(luò)的特征，說(shuō)明乙烯裂解網(wǎng)絡(luò)中存在部分關(guān)鍵物質(zhì)節(jié)點(diǎn)。

反應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)化過(guò)程，將復(fù)雜網(wǎng)絡(luò)轉(zhuǎn)化為計(jì)算機(jī)可讀性高、后續(xù)計(jì)算方便的矩陣化形式，提高了數(shù)據(jù)中信息和知識(shí)的集成程度，為后續(xù)反應(yīng)網(wǎng)絡(luò)與智能算法的深度融合提供可行性。矩陣中明確寫出的反應(yīng)輸入輸出的格式，支撐了機(jī)理的透明化表達(dá)，為網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的透明工程打下堅(jiān)實(shí)基礎(chǔ)。在此基礎(chǔ)上的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)統(tǒng)計(jì)指標(biāo)分析，揭示了煉化過(guò)程反應(yīng)網(wǎng)絡(luò)模塊社區(qū)化、小世界網(wǎng)絡(luò)的特征，為后續(xù)的智能算法應(yīng)用提供理論支持。

2 反應(yīng)網(wǎng)絡(luò)智能優(yōu)化、反應(yīng)速率動(dòng)態(tài)演化分析

在完成Petri-net 形式反應(yīng)網(wǎng)絡(luò)構(gòu)建的基礎(chǔ)上，為了深入認(rèn)識(shí)反應(yīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)特征，并結(jié)合網(wǎng)絡(luò)節(jié)點(diǎn)性質(zhì)分析結(jié)果進(jìn)行智能優(yōu)化與關(guān)鍵信息提取，研究者們創(chuàng)新性地提出了一種將反應(yīng)網(wǎng)絡(luò)比作大型社交網(wǎng)絡(luò)的思路。通過(guò)過(guò)程機(jī)理模型和反應(yīng)動(dòng)力學(xué)數(shù)據(jù)提供的過(guò)程數(shù)據(jù)，結(jié)合經(jīng)典的社交網(wǎng)絡(luò)分析算法，如網(wǎng)頁(yè)排名（PageRank）算法、子圖提取算法等進(jìn)行網(wǎng)絡(luò)流分析，并使用可視化方法將矩陣化的網(wǎng)絡(luò)轉(zhuǎn)化為網(wǎng)絡(luò)流圖的形式，如圖3所示。

反應(yīng)網(wǎng)絡(luò)Petri-net表達(dá)形式為引入社交網(wǎng)絡(luò)分析方法提供了便利。圖3所示的第一條路徑是引入PageRank 算法，使用原料輸入的組成作為PageRank 算法的物質(zhì)權(quán)重初值向量，進(jìn)行迭代計(jì)算，即可得到每個(gè)物質(zhì)的PageRank 值，即物質(zhì)在反應(yīng)網(wǎng)絡(luò)中的權(quán)重。在此基礎(chǔ)上，F(xiàn)ang等利用得到的權(quán)重值對(duì)反應(yīng)網(wǎng)絡(luò)進(jìn)行智能優(yōu)化，如圖4所示。

圖3 復(fù)雜反應(yīng)網(wǎng)絡(luò)的PageRank分析與可視化

圖4(a)中，在基于自由基機(jī)理生成的反應(yīng)網(wǎng)絡(luò)的基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)節(jié)點(diǎn)的PageRank 值排序，調(diào)整重要反應(yīng)的動(dòng)力學(xué)參數(shù)，以獲得更高的動(dòng)力學(xué)模擬精度，獲得改進(jìn)的反應(yīng)網(wǎng)絡(luò)。隨后將改進(jìn)的反應(yīng)網(wǎng)絡(luò)輸入到圖4(b)的流程中，再利用網(wǎng)絡(luò)中反應(yīng)節(jié)點(diǎn)的PageRank 值排序，刪除重要度低于閾值的反應(yīng)，獲得反應(yīng)網(wǎng)絡(luò)的智能優(yōu)化結(jié)果。在工業(yè)實(shí)際案例的研究中發(fā)現(xiàn)，刪掉重要度低的反應(yīng)對(duì)動(dòng)力學(xué)模擬精度的影響很低，簡(jiǎn)化前后計(jì)算得到的產(chǎn)物分布幾乎不變。總體而言，使用依據(jù)PageRank 算法的反應(yīng)網(wǎng)絡(luò)智能優(yōu)化，以物質(zhì)和反應(yīng)的重要度排序合理簡(jiǎn)化和優(yōu)化復(fù)雜反應(yīng)網(wǎng)絡(luò)，實(shí)現(xiàn)過(guò)程可解釋性強(qiáng)，且使用智能網(wǎng)絡(luò)流分析算法提高了計(jì)算效率。

圖4 基于PageRank值排序結(jié)果對(duì)反應(yīng)網(wǎng)絡(luò)進(jìn)行智能優(yōu)化

圖3 中，Petri-net 形式的反應(yīng)網(wǎng)絡(luò)在PageRank分析的基礎(chǔ)上，通過(guò)第二條路徑，可以對(duì)由物質(zhì)和反應(yīng)組成的整個(gè)反應(yīng)網(wǎng)絡(luò)進(jìn)行子網(wǎng)重構(gòu)，提取反應(yīng)特征，回溯定位得到關(guān)鍵的反應(yīng)信息，進(jìn)行反應(yīng)速率動(dòng)態(tài)演化分析。圖中矩陣化反應(yīng)網(wǎng)絡(luò)的左上角黃色方塊的子矩陣中每個(gè)元素代表網(wǎng)絡(luò)中兩種物質(zhì)的物質(zhì)流速率，其余部分則代表具體物質(zhì)間進(jìn)行的化學(xué)反應(yīng)。Bi等基于子圖挖掘的思路，結(jié)合矩陣化反應(yīng)網(wǎng)絡(luò)的意義，逐步聚焦物質(zhì)間關(guān)鍵相互作用的變化趨勢(shì)，并利用反應(yīng)網(wǎng)絡(luò)權(quán)重矩陣的性質(zhì)回溯得到關(guān)鍵反應(yīng)速率的變化趨勢(shì)，如圖5所示。

在圖5所示的子網(wǎng)重構(gòu)算法中，首先使用重排布算法，將由物質(zhì)和反應(yīng)組成的整個(gè)反應(yīng)網(wǎng)絡(luò)轉(zhuǎn)化為僅由物質(zhì)組成的子網(wǎng)絡(luò)，再使用自動(dòng)聚焦算法，提取得到只與某一物質(zhì)相關(guān)的子網(wǎng)絡(luò)，利用專注精煉算法，得到其中的關(guān)鍵物質(zhì)互作關(guān)系，完成子網(wǎng)絡(luò)提取過(guò)程。對(duì)于得到的關(guān)鍵物質(zhì)互作關(guān)系，根據(jù)權(quán)重矩陣的性質(zhì)，還可以進(jìn)行關(guān)鍵反應(yīng)信息的回溯，追蹤得到具體的反應(yīng)速率變化規(guī)律。

圖5 基于子網(wǎng)重構(gòu)的關(guān)鍵反應(yīng)信息智能提取算法

將以上算法應(yīng)用在乙烷-石腦油共裂解實(shí)際工業(yè)過(guò)程中，具體說(shuō)明基于子網(wǎng)重構(gòu)的關(guān)鍵反應(yīng)信息智能提取算法進(jìn)行物質(zhì)轉(zhuǎn)化過(guò)程的“透明工程”的結(jié)果。圖6 展示了主產(chǎn)物混煉時(shí)的收率變化（product yield deviation,PYD）、子網(wǎng)絡(luò)中產(chǎn)物的重要度排序值（re-iterated PageRank value,RPRV）隨乙烷進(jìn)料摩爾比的變化。

從圖6 中可以看出，對(duì)于6 個(gè)熱裂解過(guò)程的主產(chǎn)物而言，PYD 值和RPRV 值具有相似的變化趨勢(shì)。結(jié)合PYD值和RPRV值的意義，PYD值代表混合裂解時(shí)反應(yīng)網(wǎng)絡(luò)中生成特定產(chǎn)物的傾向，RPRV值代表物質(zhì)網(wǎng)絡(luò)中某一物質(zhì)節(jié)點(diǎn)累積的質(zhì)量，二者變化趨勢(shì)的相似性說(shuō)明，基于裂解機(jī)理反應(yīng)的過(guò)程模擬和子網(wǎng)重構(gòu)分析結(jié)果可以相互驗(yàn)證。在此基礎(chǔ)上，該工作進(jìn)一步進(jìn)行了乙烷進(jìn)料比例變化時(shí)，反應(yīng)速率的動(dòng)態(tài)演化分析，并從自由基反應(yīng)速率變化的角度給出了產(chǎn)物收率變化的解釋，為蒸汽熱裂解過(guò)程的分儲(chǔ)分煉思想提供了理論支撐。相比于其他的網(wǎng)絡(luò)流分析算法，基于化學(xué)機(jī)理的算法缺乏對(duì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的考慮，使得算法不能實(shí)現(xiàn)機(jī)理可視化、透明化，而基于數(shù)學(xué)機(jī)理的算法缺乏化學(xué)知識(shí)的融入，使得算法無(wú)法在模擬中保持高保真性。使用子網(wǎng)重構(gòu)的機(jī)理數(shù)值化方法，結(jié)合化學(xué)反應(yīng)機(jī)理和反應(yīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)特征，通過(guò)關(guān)鍵反應(yīng)信息提取實(shí)現(xiàn)不同條件下反應(yīng)過(guò)程的動(dòng)態(tài)演化分析，為實(shí)際生產(chǎn)提供切實(shí)可行的建議。

圖6 PYD值和RPRV值隨乙烷進(jìn)料物質(zhì)的量分?jǐn)?shù)的變化趨勢(shì)

針對(duì)程序開(kāi)發(fā)者、過(guò)程系統(tǒng)工程相關(guān)研究者、工藝工程師、企業(yè)決策者等多類用戶，反應(yīng)網(wǎng)絡(luò)的智能優(yōu)化和分析在多個(gè)化工工藝過(guò)程中也有各具特色的推廣應(yīng)用。紀(jì)曄等對(duì)催化重整、柴油加氫、催化裂化等過(guò)程采用基于結(jié)構(gòu)導(dǎo)向集總方法的反應(yīng)網(wǎng)絡(luò)構(gòu)建，并結(jié)合汽油調(diào)和模型，實(shí)現(xiàn)分子級(jí)煉油過(guò)程全廠模擬和優(yōu)化。Billa等基于成熟的反應(yīng)網(wǎng)絡(luò)構(gòu)建工具包，構(gòu)建石腦油連續(xù)催化重整過(guò)程的反應(yīng)網(wǎng)絡(luò)，并在此基礎(chǔ)上編譯了反應(yīng)網(wǎng)絡(luò)可視化工具和反應(yīng)網(wǎng)絡(luò)編輯分析工具，方便各類用戶使用。

在結(jié)構(gòu)化的反應(yīng)網(wǎng)絡(luò)數(shù)據(jù)的基礎(chǔ)上，智能優(yōu)化、智能信息挖掘等算法與復(fù)雜反應(yīng)網(wǎng)絡(luò)的融合，完成了基于機(jī)理的保真性強(qiáng)、可靠性高、可解釋性強(qiáng)的過(guò)程分析，并結(jié)合可視化技術(shù)表達(dá)物質(zhì)轉(zhuǎn)化的機(jī)理，真正實(shí)現(xiàn)了機(jī)理的透明化，貫徹了物質(zhì)轉(zhuǎn)化“透明工程”的研究理念。對(duì)于實(shí)際工業(yè)過(guò)程而言，過(guò)程系統(tǒng)工程師使用智能技術(shù)與反應(yīng)網(wǎng)絡(luò)的融合，幫助化學(xué)工藝工程師突破人類視覺(jué)認(rèn)知的極限，更深入地理解反應(yīng)過(guò)程，提取關(guān)鍵的反應(yīng)規(guī)律，助力生產(chǎn)過(guò)程全方位的轉(zhuǎn)型升級(jí)。

3 反應(yīng)特征智能遷移學(xué)習(xí)算法

新建、擴(kuò)建的生產(chǎn)裝置，或更換關(guān)鍵反應(yīng)部件的裝置，為實(shí)現(xiàn)過(guò)程先進(jìn)控制和實(shí)時(shí)優(yōu)化，需要大量的預(yù)測(cè)模型。實(shí)際工廠中，新建裝置投運(yùn)初期往往缺乏精細(xì)表征的過(guò)程數(shù)據(jù)，不得不面臨建模過(guò)程數(shù)據(jù)建模的“冷啟動(dòng)”問(wèn)題。為此，Bi等提出了基于圖卷積神經(jīng)網(wǎng)絡(luò)的反應(yīng)特征智能遷移學(xué)習(xí)建模方法，如圖7所示。

圖7中的反應(yīng)特征智能遷移學(xué)習(xí)算法的整體思路，是從整個(gè)反應(yīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)出發(fā)，首先利用Hua等提出的基序探測(cè)和圖卷積技術(shù)，得到反應(yīng)網(wǎng)絡(luò)的特征結(jié)構(gòu)矩陣，再結(jié)合反應(yīng)器的操作條件進(jìn)行機(jī)器學(xué)習(xí)建模，最后基于其他相似設(shè)備已經(jīng)建立的機(jī)器學(xué)習(xí)模型，利用反應(yīng)器、反應(yīng)網(wǎng)絡(luò)的相似性，在新的工業(yè)設(shè)備上進(jìn)行模型遷移。在機(jī)理模型與網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)通過(guò)基序探測(cè)和圖卷積技術(shù)生成的數(shù)據(jù)集1上，使用機(jī)器學(xué)習(xí)方法建立的模型可分為兩個(gè)部分：一是使用網(wǎng)絡(luò)結(jié)構(gòu)特征矩陣為輸入，主要由圖卷積過(guò)程實(shí)現(xiàn)的反應(yīng)網(wǎng)絡(luò)特征提取部分（reaction network part）；二是使用上一步提取的反應(yīng)特征，結(jié)合操作條件為輸入，主要由全連接網(wǎng)絡(luò)構(gòu)成的產(chǎn)物收率預(yù)測(cè)部分（product prediction part）。在訓(xùn)練得到第一階段模型后，使用新設(shè)備的工業(yè)數(shù)據(jù)集2利用遷移學(xué)習(xí)進(jìn)行過(guò)程建模。由于相似設(shè)備和新設(shè)備對(duì)應(yīng)的數(shù)據(jù)集中的數(shù)據(jù)均為有標(biāo)簽數(shù)據(jù)，因此可以采用層遷移技術(shù)進(jìn)行模型的遷移。對(duì)反應(yīng)網(wǎng)路特征提取部分，保留原機(jī)器學(xué)習(xí)模型中的參數(shù)不變，對(duì)產(chǎn)物收率預(yù)測(cè)部分，以原模型中的數(shù)據(jù)為初值，使用工業(yè)新數(shù)據(jù)集上的少量數(shù)據(jù)進(jìn)行參數(shù)的再學(xué)習(xí)、再訓(xùn)練，完成模型的遷移過(guò)程。在后續(xù)模型性能的驗(yàn)證中，基于遷移學(xué)習(xí)過(guò)程的代理模型對(duì)乙烯主產(chǎn)物的收率預(yù)測(cè)誤差在1.5%以內(nèi)，對(duì)丙烯主產(chǎn)物收率預(yù)測(cè)誤差在2.5%以內(nèi)，對(duì)其他主產(chǎn)物的收率預(yù)測(cè)誤差在±5%的范圍內(nèi)，滿足工業(yè)實(shí)際應(yīng)用的要求?；诓煌?jì)算平臺(tái)下模型的計(jì)算性能評(píng)價(jià)的結(jié)果顯示，在保證誤差相近的前提下，遷移學(xué)習(xí)建模過(guò)程的訓(xùn)練時(shí)間遠(yuǎn)遠(yuǎn)小于傳統(tǒng)機(jī)器學(xué)習(xí)建模的訓(xùn)練時(shí)間。使用基于GPU 硬件的計(jì)算平臺(tái)，遷移學(xué)習(xí)建模過(guò)程的訓(xùn)練時(shí)間控制在30 分鐘以內(nèi)。基于少量工業(yè)數(shù)據(jù)，實(shí)現(xiàn)快速建模與準(zhǔn)確預(yù)測(cè)，為后續(xù)控制優(yōu)化過(guò)程提供可行性。

圖7 反應(yīng)特征智能遷移學(xué)習(xí)算法結(jié)構(gòu)框圖

反應(yīng)特征智能遷移學(xué)習(xí)算法，充分挖掘利用了反應(yīng)網(wǎng)絡(luò)智能分析中得到的特征結(jié)構(gòu)，將反應(yīng)特征信息與設(shè)備操作信息整合代入到代理模型中，完成反應(yīng)過(guò)程的智能預(yù)測(cè)。實(shí)際工業(yè)過(guò)程數(shù)據(jù)集，在精細(xì)表征數(shù)據(jù)量少的不利條件下，結(jié)合先進(jìn)的遷移學(xué)習(xí)理念，充分發(fā)揮反應(yīng)網(wǎng)絡(luò)的相似性，進(jìn)行信息、知識(shí)在模型間的遷移，完成高效快速的建模過(guò)程。反應(yīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)智能建模過(guò)程的融合，克服了代理模型機(jī)理缺失、可解釋性差的缺點(diǎn)，通過(guò)機(jī)理-數(shù)據(jù)混合驅(qū)動(dòng)的模式，將分子尺度的過(guò)程機(jī)理引入到機(jī)器學(xué)習(xí)模型的結(jié)構(gòu)中，最終在過(guò)程預(yù)測(cè)層面，實(shí)現(xiàn)了物質(zhì)轉(zhuǎn)化過(guò)程的透明工程。

4 結(jié)語(yǔ)

創(chuàng)新性的人工智能算法與反應(yīng)網(wǎng)絡(luò)研究的融合，正在突破人類大腦性能和人類視覺(jué)認(rèn)知的極限，深入了解認(rèn)識(shí)過(guò)程機(jī)理，挖掘生產(chǎn)過(guò)程中的關(guān)鍵化學(xué)知識(shí)與信息，實(shí)現(xiàn)過(guò)程機(jī)理的可視化，完成整個(gè)生產(chǎn)過(guò)程的物質(zhì)轉(zhuǎn)化透明工程。本文主要介紹機(jī)理數(shù)值化的反應(yīng)網(wǎng)絡(luò)智能簡(jiǎn)化方法、反應(yīng)網(wǎng)絡(luò)關(guān)鍵信息的智能提取算法、基于圖卷積神經(jīng)網(wǎng)絡(luò)的反應(yīng)特征智能遷移學(xué)習(xí)算法，從反應(yīng)網(wǎng)絡(luò)圖的本征拓?fù)浣Y(jié)構(gòu)出發(fā)，逐步深入研究，提出一套由非結(jié)構(gòu)化的反應(yīng)機(jī)理出發(fā)，進(jìn)行可解釋性的過(guò)程分析和過(guò)程建模的智能化過(guò)程。

在未來(lái)的研究中，上述所提出的智能算法有望與新的反應(yīng)過(guò)程或技術(shù)相結(jié)合。例如分子煉油技術(shù)框架下的新煉油過(guò)程，可以利用前期研究中總結(jié)的反應(yīng)知識(shí)，改進(jìn)并遷移所提出的人工智能技術(shù)，實(shí)現(xiàn)分子煉油過(guò)程全流程物質(zhì)轉(zhuǎn)化的“透明工程”。過(guò)程機(jī)理的可視化、透明化不僅可以為決策者提供實(shí)際工業(yè)過(guò)程的生產(chǎn)建議，還可以為后續(xù)控制優(yōu)化過(guò)程提供高效可靠的模型，實(shí)現(xiàn)進(jìn)一步的過(guò)程智能化，幫助化學(xué)工業(yè)完成智能化轉(zhuǎn)型。