计算机辅助催化剂设计

1、工业催化学习报告报告主题：计算机辅助催化剂设计学生：何强学号：班级：能化1402指导老师：计算机辅助催化剂设计何强（西南科技大学材料科学与工程学院能化1402班 绵阳621000）摘要：计算机辅助催化剂设计方法可分为三类,即数学模型法、专家系统法和混合法。数学 模型法提供的信息确定，有助于推动催化理论的发展；专家系统法继承专家的经验，有助于 以后的催化剂设计，混合法结合数学模型法和专家系统法的特点，是辅助催化剂设计最有效 的手段。目前催化剂广泛应用化学工业、石油加工工业、食品工业以及其他许多工业部门， 大多数化学过程都少不了催化过程。但由于催化剂设计本身的复杂性，制备一种新的催化剂 或改进一种

2、原有的催化剂需要消耗大量的人力、物力和财力。随着人们对催化过程了解的不 断深入，对于催化剂设计过程已提出许多模型，有些模型已经应用到催化剂设计中。但是催 化剂设计是复杂的，影响催化剂的因素是多方面的，作为催化剂的设计者，主要限制是这些 因素之间并不相互独立，所以在优化催化剂设计时，必须把催化剂特性和反应器及过程反应 特性联系起来。但人们在用模型设计时会遇到某些问题，一方面由于影响催化剂设计因素之 间高度的非线性比，所需要的计算量极大；另一方面催化知识中包含大量非素质知识，用传 统的计算方法不能解决。随着现有计算机运算速度猛增和非数值求解的发展，计算机辅助催 化剂设计成为可能，并在催化剂中扮演越

3、来越重要的角色。关键词：计算机数学模型专家系统法群蚁算法遗传算法一、计算机辅助催化剂设计难点随着测试手段的日益先进和催化理论及其相关知识的不断发展，催化剂的开发由纯技艺 性向“分子设计”水平方向发展，但用计算机辅助设计催化剂仍然存在困难。1、基本无理论催化剂设计从全凭经验和技艺发展到现在相当程度的理论指导，而这些理论指导很大程 度是建立在经验上，催化理论“分子水平”成熟的时代尚未到来，现代催化理论还有待于突破。2、催化过程内在复杂性催化剂整个设计过程极其复杂，影响催化剂性能的因素多，而且这些因素之间并非相互 独立。例如，对于烷烃部分氧化，流化床比固定床反应器效果更佳，但流化床反应器必须采 用高

4、机械性能和高耐磨性能的催化剂，相反又限制了催化剂的物理特性和化学组成，而这些 又必须采取适当的化学组成使主反应更有效地进行。正由于催化理论的不健全和催化过程的 复杂性，所以目前催化剂设计主要仍以经验、以试探性的方法为主。一种新的或改进的催化剂的研制成功还需要进行大量的试验工作。一方面，催化这门学科已有某些零散的理论和前 人的大量经验;另一方面，随着计算机运算速度的增大和解决非数值问题能力的增强，使运 用计算机辅助催化剂设计成为可能。二、计算机辅助催化剂设计分类根据实验结果模拟辅助催化剂设计关联出确定的数学模型，将有助于催化理论的完善和 发展。由于专家系统辅助催化剂设计采用前人所总结出来的经验，

5、采用逻辑推理的方法模仿 人类专家进行辅助设计，这对于设计新催化剂或改进催化剂具有较好的效果，但对于催化理 论的完善和发展不如数学模型模拟。1、数学模型模拟辅助催化剂设计一个典型的数学模型模拟方法如图所示。从图可看出，一旦给定特定化学过程，给催化 过程模型提供催化剂的类型、动力学与传递特性及反应机理等信息，这模型就可用于催化剂电1敷学横主模抵辅助催化制设计典里示崽0EFig. 电1敷学横主模抵辅助催化制设计典里示崽0EFig. I Computer-aideduf calftiyats withMlLwlIb” 口Ik of matheiiialical inodel(1)、催化剂的孔结构及扩散

6、反应物和产物在复杂孔结构中的扩散是一个很重要的问题，若孔较小，比表面积高，催 化剂的活性也会增大，但反应物和产物较难从孔结构中扩散出，影响产物的选择性，因此一 定要平衡各因素。由于很难用标准的实验方法测出某一反应物或产物在孔结构中的有效扩散 系数，借助于计算机采用模拟的方法可以有效地分析出催化剂颗粒的结构和传递特性。人 们已在这方面做了相当的工作，在这里主要介绍两种方法第一种方法是采用e Bt h e网 来描述颗粒中无序的孔结构。在Behte网中，孔结构被描述成无规则的，但由不同直径的 圆柱孔相互连接并具有特定拓扑结构。这些无规则的孔网可描述颗粒孔的特性，并且由此可 分析得出孔的其他物理特性和

7、传递特性。第二种方法是采用三维结构模拟法，这里用到M o nt eC a r l。模拟法:通过建立无序的三维孔结构，对这种催化剂结构的物理和传递特性进行测定。上述两种方法已经开始应用，各有长短。B e t h e网法简单，但须标定;而三维 结构模拟法则提供了更为真实的孔结构模型。（2）、催化剂失活通常催化剂的寿命实验费时、费力、费资金。为加快开发工业催化剂的速度，可对引起 催化剂失活的因素进行强化，在苛刻的条件下对新的或改进的催化剂进行“催速失活”实验 预测催化剂的寿命。随着计算机辅助催化剂设计的不断深入，人们采用失活模型来预测催 化剂的寿命，至今已有多种模型可用于预测失活速率，如最通用的衰变

8、定理:d A/ d, =k A “式中:A是活性，k和n是取决于工艺条件和反应机理的常数可用这种方法来预测长一年 的活性，这种预测在1 0 0 1 000小时的范围内可提供精确的数据;进行范围更广泛的数 学模拟也是可以的，利用速率方法、类似于衰变定理的失活函数和计算机程序，模拟颗粒状 固定床反应器的行为。利用计算机进行预测具有快速和花费不多的优点，使工艺设计者们 得益非浅。采用模型模拟方法的关键是真正理解反应和失活两方面的机理和动力学。2、专家系统辅助催化剂设计典型专家系统辅助催化剂设计如所示在专家的指导下建立催化知识库，当用户向系统提问时，推理机通过访间催化知识库 中的知识给以解答和解释。这

9、样一 个专家系统中，催化知识库的组织 是非常关键的。例如在开发高纯乙 醇新的催化剂时，t S i l es等人经 过长达八年的研究得到大量的实验 制备表征和测试的数据根，据这些 数据，问时，推理机通过访间催化知识库 中的知识给以解答和解释。这样一 个专家系统中，催化知识库的组织 是非常关键的。例如在开发高纯乙 醇新的催化剂时，t S i l es等人经 过长达八年的研究得到大量的实验 制备表征和测试的数据根，据这些 数据，H.c.o Fl e y等人建立了知识诳林柔渊嘛妫段计恐示麒 Fir 2 Computer-tided dfsipi of catalysts with expert sys

10、tem库系统，其知识库被有效地分为四类:即制备的完备性、制备的均匀性、催化剂的体相和表 面相以及反应的机理。通过此专家系统，反过来合理地指导实验研究，制备出有效化剂。3、混合辅助催化剂设计数学模型根据实验数据模拟催化剂设计，提供了确定性的信息，但催化剂设计过程实际上却是以试验性为主的过程。二，羊洗化刑!因此只有把确定性的模型（数；学模型）和非确定性模型（专家瑚型改枣拓化刑I图3胳合轴碾化州毋汁典朋示微图Fig；” 3ilnnEire! eoj-nputrr-asjdrrl； detugri. nf catalysts系统）综合起来考虑，才能更有效地辅助催化剂设计图给出了混合辅助催化剂F i g

11、设计简 单示意图。如在N I A ?系统中，设计者把他们的催化剂任务分解为5个较易解决的子模 块，在模块设计中，把数学模型同催化知识库联系一起运转结果预测sno:是主催化剂，而 5 1 0:、zno、PZ o s、N b Z os MoO3为有效助催化剂实验也证明了 n SOZ/ 5 10和s nOZ/P Z O S催化剂对于乙苯脱氢具有高选择性。类似的系统还有D E c A D E等。综观三种辅助催化剂设计方法，数学模型法提供的信息确定，有利于催化理论的发展; 而由于现有催化知识的少理论化，专家系统有利于把大量宝贵的催化经验继承下去，并有利 于在以后的催化剂设计中充分利用;混合法结合数学模型

12、法和专家系统的特点，是辅助催化 剂设计最有效的手段。虽然计算机辅助催化剂设计已有应用到实际催化剂设计中的实例，但 由于催化剂设计本身的极其复杂性，只能将计算机计作为一种辅助手段，设计出的催化剂是 否真正有效一定要通过实验证实。一个计算机辅助催化剂设计过程应该是不断地用计算机 进行设计，不断地进行实验证实的过程。三、优化方法1、遗传算法遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种，具有良好的 全局搜索能力，可以快速地将解空间中的全体解搜索出，而不会陷入局部最优解的快速下 降陷阱；并且利用它的内在并行性，可以方便地进行分布式计算，加快求解速度。侯嫚丹 在对催化裂化反再过程分析中，

13、将遗传算法引入模型的建立和优化控制中，充分利用遗传 算法的搜索下和适应性，实现了轻收最大、损耗最小的多目标优化；并且设计了一组新的 神经网络模型，通过输入8个已知操作参数可以输出6个需要的操作参数，可达到10-3 以上的精确度，取得了良好的效果。杨三八等采用多重交叉策略和多重变异策略的改进遗 传算法求解计算乙基叔丁基醚合成反应动力学参数，并讨论了遗传策略和编码方式等对算 法性能的影响。结果表明，各反应活化能的值符合一般化学反应活化能的取值范围，与单 一策略的标准遗传算法相比，该方法估算精度高，能有效避免局部最优的问题，动力学参数 可靠，模型计算结果与实验结果吻合良好。为实现催化重整过程生产指标

14、的综合优化，基于已实现工业应用的催化重整17集总 反应动力学模型和催化重整过程机理模型，考虑相应的多种约束条件，建立了以最小化重芳 烃收率和最大化总芳烃收率为目标的操作优化模型，以基本遗传算法为基础引入多重退火 交叉，并以多种变异模式竞争取代单一的变异策略，以随着遗传代数和个体适应度动态调节的交叉和变异概率代替固定不变的交叉和变异概率提出了一种改进的混合遗传算法HNAGA。研究结果表明，与一般的遗传算法相比，HNAGA在寻找Pareto最优解前沿方 面具有一定的优越性，可以有效提高决策的准确性。基本遗传算法为基础，引入多重退火交叉,并以多种变异模式竞争取代单一的变异策略， 以随着遗传代数和个体

15、适应度动态调节的交叉和变异概率代替固定不变的交叉和变异概率 提出了一种改进的遗传算法;用于研究包含复杂组分、同时进行多种反应的催化裂解反应集 总动力学，并与传统的算法比较,证明改进的遗传算法可迅速、准确获得有物理意义的动力学 参数优化值，是研究复杂反应动力学的有效数值工具。郁浩等提出1种以亲子竞争和最优个 体保护策略相结合的新遗传算法，新算法采取全局交叉和自适应变异，既保证了最大范围搜 索解空间、避免算法在计算初期就陷入局部最优又能在后期对局部细致搜索，提高了计算精 度;克服了老算法随机性大、容易陷入局部最优的缺点。为测试新算法的效果首先用某多参 数复杂模型做测试,结果证明无论是遗传代数相同情

16、况下的计算精度，还是为了达到某一精 度而要求的计算代数，新算法都优于老算法。然后用于估计催化裂化提升管反应器集总动力 学动态模型参数。最后，取工业实际数据验证模型参数，泛化结果表明模型预测值与实际测量 值基本吻合，120组数据的平均相对误差为1.71%，证明新算法适用性较好。韩晓霞等24 根据组合化学在新催化剂研制方面的应用，结合遗传算法的基本原理和特点，介绍了遗传算 法在催化剂库的设计和优化中的应用步骤和计算流程，对快速高效开发新催化剂有一定的借 鉴。黄凯将SWIFT方法和遗传算法相结合构成混合遗传算法，提出了一种基于人工神经 网络和混合遗传算法的催化剂配方设计方法。该催化剂设计方法通用性较

17、强，无须过多初始 样本，建模效率较高，特别适合多组分催化剂配方的设计。张楠将基于人工神经网络和遗传 算法用于重油轻质化催化剂配方设计的优化过程中，并且以影响因素作为输入层，H/C比值 作为输出层，构成4-6-1型网络用于重油轻质化催化剂配方建模，取得了最优解。2、蚁群算法蚁群算法是一个用来求解组合优化问题的具有通用性质的内启发式优化组合算法。具 有稳健性强、全局优化、智能搜索、分布式计算、易于其他方法结合等优点，是求解复杂 的组合优化问题的有力工具。刘业奎研究了蚁群算法在催化剂计算机辅助设计的应用，结 果表明，在理论上采用蚁群算法进行催化剂计算机辅助设计可行。周晓静提出一种新的改 进蚁群算法作

18、为智能优化手段，对分馏塔的优化过程作单位化和数字位的处理，通过研究优 化过程中参数的取值对优化的影响，确定一组合适的参数组合去优化分馏塔。实验数据表 明，优化结果较好，并大大缩短了优化时间，为在线优化分馏塔提供行之有效的方法。总之， 蚁群算法有望成为一种有效的指导催化剂开发的方法。3、其他方法通过对比优化前后的芳烃产率，优化后芳烃产率提高较大，证实了差分进化算法的有效 性。栗伟等针对催化裂化八集总模型的动力学参数估计问题，考察了不同类型优化算法的应 用效果，结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖， 并进一步提出Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工 业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。四、结论计算机辅助催化剂设计在我们的工业生产和现实生活中都是不可缺少的方法。利用不同 的设计方法能达到我们需要的要求，数学模型法和专家系统法在我们的生