基于XGBoost-SAC动态效能-能源-经济平衡的自适应分离过程设计

本文创新性地提出了一种融合极端梯度提升（XGBoost）与柔性演员-评论家（SAC）算法的智能分离过程设计框架，通过构建高保真代理模型（SMs）结合深度强化学习（DRL），实现了短链燃料（SCFs）分离过程中回收率、能耗与经济性的多目标动态平衡。该方案平均决定系数>0.90，模拟误差<5%，为化工分离领域提供了可扩展的自主优化新范式。

　　

亮点

本研究通过XGBoost-SAC框架开创性地解决了传统分离过程设计（SPD）中专家经验依赖性强、多目标冲突难以调和的行业痛点。

问题描述与方法提案

费托合成（FTS）产物中短链燃料（SCFs）的分离存在共沸物干扰和含氧副产物等挑战。本研究提出三阶段解决方案：1）基于拉丁超立方采样（LHS）生成3000组单元操作数据；2）采用XGBoost构建四大关键分离单元的高精度代理模型（SMs）；3）通过SAC算法实现回收率-能耗-成本的动态平衡优化。

XGBoost代理模型开发与验证

各单元SMs的决定系数（R²）均突破0.90，其中精馏塔模型对乙醇-水体系的预测误差<3%。模型成功捕捉了非理想汽液平衡（VLE）曲线突变点，为DRL提供了可靠的虚拟环境。

结论

该框架最终获得86%回收率、能耗降低22%的分离序列，验证了人工智能（AI）驱动SPD的可行性。未来可扩展至共沸物分离等复杂场景，推动过程系统工程向自主化演进。