论文标题：Toward Intelligent and Green Ethylene Manufacturing: An AI-Based Multi-Objective Dynamic Optimization Framework for the Steam Thermal Cracking Process

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2025.06.045

微信链接：点击此处阅读微信文章

《Engineering》最新发表的一项研究揭示了一种突破性的绿色乙烯生产方法，对全球可持续化工生产具有深远意义。这项由英国谢菲尔德大学和中国东南大学联合团队开展的研究，创新性地提出了一种基于物理一致性机器学习（PCML）的混合建模框架，应用于蒸汽热裂解过程——石化行业中能耗最高、碳排放最严重的工艺之一。

多目标优化已被证明是平衡化工过程经济效益与二氧化碳排放的有效方法。然而，当该方法应用于蒸汽裂解工艺时，建模工作面临巨大挑战。传统的第一性原理模型虽然解释性强，但由于蒸汽裂解过程中复杂的传热、化学反应和结焦现象，导致其计算量过大,难以用于优化；而纯数据驱动模型又缺乏可靠决策所需的物理鲁棒性。

这项由谢菲尔德大学王美宏教授和东南大学吴啸教授领衔的国际团队开展的研究，开发出一种PCML混合模型，能够将多目标优化的计算耗时从19.2小时大幅缩短至77秒。优化结果表明，根据结焦情况动态调整操作参数能够同时提高利润率并减少二氧化碳排放。尤为值得注意的是，研究发现年利润降低28.97%可带来年二氧化碳排放量显著减少42.89%。该研究提出的多目标优化框架全面考虑了蒸汽裂解工艺的整个运行周期，特别纳入了在现有研究中常被忽视的清焦过程的环境影响。

图1 多目标优化框架。

该研究的核心发现凸显了基于人工智能的建模与优化方法在绿色乙烯制造中的巨大潜力。该成果对工业实践者和政策制定者具有重要指导意义。

论文信息：

Yao Zhang, Peng Sha, Meihong Wang, Cheng Zheng, Shengyuan Huang, Xiao Wu, Joan Cordiner, Toward Intelligent and Green Ethylene Manufacturing: An AI-Based Multi-Objective Dynamic Optimization Framework for the Steam Thermal Cracking Process, Engineering, Volume 52, 2025, Pages 160-171, DOI: 10.1016/j.eng.2025.06.045

更多内容

针对性分析不同尺度化学结构特征有望深化对复杂金属有机框架气体吸附机制的认知

太原理工大学团队创新MOF材料设计，实现裂解气中乙烯一步高效提纯

《工程（英文）》：引领工程科技创新 服务国家战略需求

喜报：Engineering海外传播斩获佳绩！

Engineering征稿启事：人工智能赋能工程科技