文章信息
利用NSGA-Ⅱ对分离环己酮环己醇体系隔壁塔的多目标优化
薄守石1，张家凯1，徐子涵1，孙兰义1，张其克2
1中国石油大学（华东）化学化工学院，山东 青岛 266580；2山东正诺化工设备有限公司，山东 淄博 255080
引用本文
薄守石, 张家凯, 徐子涵, 等. 利用NSGA-Ⅱ对分离环己酮环己醇体系隔壁塔的多目标优化[J]. 化工进展, 2024, 43(11): 6077-6082.
DOI：10.16085/j.issn.1000-6613.2023-1913
摘要
为了降低环己酮环己醇分离过程中的能量消耗以及设备投资，以某厂脱去轻组分的环己酮、环己醇、重组分混合物为原料，提出将传统流程中的酮塔和醇塔耦合成隔壁塔的新工艺。使用MATLAB将改进的非支配排序遗传算法（NSGA-Ⅱ）与Aspen Plus模拟软件联用，以年总费用（TAC）和二氧化碳排放量为目标变量，要求环己酮的质量分数达到99.5%、环己醇的质量分数达到99.0%，同时产品的回收率达到95.0%，对隔壁塔的操作参数进行优化。设计种群大小为400，最大遗传代数为500，交叉分数0.85、变异分数0.1。优化过程中不断向目标函数减少的方向进行，当种群大小进化到400代左右时，目标函数不再有明显变化。选择TAC最小的一组Pareto最优前沿解作为最优解，与传统的双塔流程相比，在分离过程中，二氧化碳排放量降低了31.49％，TAC降低了28.98％。
随着我国经济建设进程推动着有机化工行业的快速发展，作为有机化工主要生产原料的己内酰胺的需求量也越来越高。己内酰胺生产技术复杂，涉及多种反应过程，以不同路径制备环己酮，并对环己酮进行氨肟化和贝克曼重排制取己内酰胺是当前主要的生产路线。为保证己内酰胺能够源源不断地供应，提升其原料环己酮的生产量是关键。环已酮是化工生产中重要的中间体，同时可用于塑料、橡胶、化学纤维、合成树脂、涂料、油器、溶剂等的生产。在工业生产中，环己酮主要通过环己醇在催化剂作用下经脱氢反应制得。反应后的产物先经过气液分离除去氢气，液相粗醇酮经轻塔、酮塔、醇塔进行脱轻、脱重后得到产品环己酮。由于在环己酮制备过程中存在着环己醇脱水、环己酮二聚脱水等多个副反应，造成了在分离过程中存在能耗高、设备投资及运行费用大等弊端。
目前，已有研究人员对环己酮和环己醇的分离技术进行改造和优化。孙培宾针对分离装置内部结构分布不均、加热介质的装置不够优化的问题，通过对设备的改造设计出一种新的循环回路，改变了原有的环己酮生产过程中的热源提供方式，能源利用效率显著提高，径流效率也得到提升。李岩等通过采用Aspen Plus对传统的环己酮分离工艺进行模拟分析，提出了带侧线采出的环己酮蒸馏新工艺，并通过技术改造省去了传统工艺中的轻塔设备，节约了能源消耗，节省了占地面积及设备投资。余超使用Aspen Plus软件的Petlyuk模型对某2×106t/a环己酮装置的醇酮精馏单元分离流程进行了研究，通过灵敏度分析对各参数进行优化，使冷凝器与再沸器的热负荷分别减少了30%以上，从而实现了显著的节能效果。国外Zhao等提供了一种新的大环无孔自适应晶体催化剂（NAC），通过氢键和π键的相互作用与环己酮形成主客体络合物，成功提高了分离过程中对环己酮的选择性以及回收率，在节能和提高产品纯度方面显示出广阔潜力。Wang等针对完整的环己酮分离过程先后提出了双效精馏、热泵精馏、双效热泵精馏、双热泵精馏4种热集成方案，与原型相比TAC分别降低了32.2%、23.6%、29.2%、10.8%。
本文提出采用隔壁塔分离粗酮醇混合物，建立流程模拟，并进行多目标优化研究。
1
研究方法
1.1
分离流程
隔壁塔属于内部完全热耦合塔，在精馏的过程中可以大大提高热力学效率，降低能量损耗，在建设过程中可以减少设备的投资及占地面积等优势，在实际生产的过程中可以创造更高的经济价值，传统双塔流程及隔壁塔流程如图1所示。隔壁塔的操作变量比较多，并且具有强烈的非线性关系和高强度的耦合性，使用Aspen Plus本身的优化算法及灵敏度分析很难求得最优的操作变量。而遗传算法作为一种模拟生物在自然环境中遗传和进化过程而形成的一种自适应全局化概率搜索算法，具有良好的鲁棒性和操作的简明性等特点，求解的过程是一个启发式随机搜索的过程，与传统的优化搜索算法相比具有可以克服局部最优解的陷阱的优势，可搜索得到全局最优解。
图1 分离流程
1.2
优化流程
使用Python将MATLAB中的NSGA-Ⅱ和Aspen模拟软件联用，根据Aspen Plus初步模拟结果中的初始决策变量产生初始种群并确定出种群的变化范围，然后对初始种群进行评价，判断流程是否收敛及是否满足约束条件。为了使产生的子种群尽可能地优秀，在优化过程中遗传算法会对种群进行锦标赛选择、交叉和变异操作，并将父代优秀的个体群和子代个体群进行整合。随后，NSGA-Ⅱ对个体进行快速非支配排序并确定拥挤度，使用锦标赛选择方法选择个体，然后判断是否达到最大代数确定是否生成下一代父代个体群，当遗传至最大代数时将输出Pareto解，优化流程如图2所示。在这个过程中，MATLAB产生的每个种群都将传输到Aspen Plus进行模拟，充分发挥了MATLAB的计算优势和Aspen Plus的流程模拟能力，可以实现对多参数、高耦合数据的处理与优化，对于隔壁塔的优化处理以及结构分析具有重要的实用价值。
图2 遗传算法优化流程
1.3
优化策略
研究选择某工厂脱去轻组分的环己酮、环己醇、重组分混合物为分离物料，进料质量分数如下：0.02%轻组分、1.2%重组分、53.46%环己醇、45.31%环己酮，进料流量3200kg/h，进料温度136.7℃，隔壁塔塔顶操作压力为4kPa，全塔压降1kPa，模拟过程使用UNIFAC热力学方法，关键组分模型参数见表1。优化过程以年总费用（TAC）和二氧化碳排放量（ECO2）为目标函数，要求塔顶产品环己酮质量分数≥99.5%，侧线环己醇质量分数≥99%，产品回收率≥95%。
表1 UNIFAC模型二元交互作用参数
目前，化工企业的能源主要来自于煤炭、燃料油以及天然气等化石燃料的燃烧，燃烧过程中二氧化碳排放量是衡量化工产业的环保性指标，其关联式由Gadalla等给出，见式(1)、式(2)。
式中，ECO2为二氧化碳排放量，kg/h；QFuel为燃料燃烧热负荷，kW；α为二氧化碳与碳原子的摩尔质量之比，其数值为3.67；NHV与C表示燃料的净热值以及二氧化碳与碳的摩尔质量比，分别取39771kJ/kg与86.5%；Qpro为工艺中所需的热负荷，kW；λpro和hproc分别为蒸汽的潜热和焓值，kJ/kg；TFTB为锅炉烟气的火焰温度，TFTB=1800℃；TStack为烟囱温度，TStack=160℃；T0为环境温度，T0=25℃。
隔壁塔的TAC包含操作费用以及设备投资成本，一般假设资本回收周期为3年，计算公式见式(3)。TAC与二氧化碳排放量可通过主塔理论板数Ni、副塔理论板数Nj、进料位置NF、侧线采出位置NS、液相开始分配位置NL、回流比RR、主塔去副塔液相量βl、主塔去副塔气相量βg、塔顶馏出物流量D(kmol/h)、侧线采出量S(kmol/h)10个操纵变量控制。首先确定出这些变量的大致优化范围，然后在优化过程中对优化范围再不断进行调整，最后确定出涉及的优化变量及其取值范围，见表2。设计种群规模大小为400，最大遗传代数为500，交叉分数0.85、变异分数0.1。
表2 优化变量及优化范围
2
结果与讨论
2.1
优化结果
从第100代Pareto最优前沿解（表3）可以看出，隔壁塔的主塔理论塔板数Ni分布在60~68块板之间，其副塔理论塔板数Nj稳定在第29块板，液相开始分配位置NL为15、16块板间；进料位置NF和侧线采出位置NS分别位于9~19、25~36块板之间；主塔去副塔液相量βl和主塔去副塔气相量βg分别稳定在28~39kmol/h和127~136kmol/h。不同优化操作变量对目标函数的敏感度不同，所以导致一些变量的值趋于稳定，一些变量则变化较大。由于隔壁塔的各种操作参数强烈的耦合性，各个变量之间影响程度较大，以上各种操作参数并没有显示出明显规律，分布图解如图3所示。
表3 第100代Pareto最优前沿解
图3 优化参数Pareto分布图解
如第100代Pareto最优前沿解（图4）所示，遗传算法优化的解并不是单个点，而是一条折中后的曲线。由于二氧化碳排放量与TAC是一对竞争变量，优化过程中不存在同时使这两个变量都处于最小值的解。这体现了多目标优化的特点，即不能同时获取所有目标均为最优的唯一解。但通过图5可以看出，经过遗传算法连续产生新的总群，操作参数不断遗传、变异、筛选，目标变量TAC和二氧化碳排放量的值总是朝着减小的方向发展。
图4 第100代Pareto最优前沿解
图5 不同代数Pareto最优前沿解分布
当遗传算法优化到400代左右时，目标函数Pareto解集与前几代相比不再发生明显变化。此时的副塔理论塔板数与液相开始分配位置保持恒定，回流比、塔顶馏出物流量以及侧线采出量仅在较小的范围内波动，对目标函数的值影响较大的优化变量仅剩主塔理论板数、进料位置、侧线采出位置以及气液相分配量。
在多目标优化的过程中，由于各个目标变量之间存在着一定的约束关系，且无法得到满足所有目标函数都处在最优结果的最佳方案，因此需要通过分析各目标变量的变化趋势，根据目标函数的优先级来判断最佳操作点。
2.2
工艺对比
从第400代Pareto最优前沿解（图6）可以看出，当TAC处在较小的值时，二氧化碳排放量仅有微小变化，并且在化工企业生产的过程中经济因素一般是考虑的重点，因此选择第400代Pareto最优前沿解（表4）中TAC最小的第8组解集作为优化过程的最佳操作点。此时主塔和副塔的理论塔板数分别为63块和29块板，进料位置为第16块板，液相开始分配位置为第16块板，侧线采出位置为第25块板，回流比为3.44，液相分配量和气相分配量分别为36.67kmol/h和122.04koml/h，塔顶馏出物流量与侧线采出量分别为138.21kmol/h和155.57kmol/h。与传统的双塔流程相比，二氧化碳排放量和TAC分别降低了31.49%和28.98%，目标参数对比如图7所示。
图6 第400代Pareto最优前沿解
表4 第400代Pareto最优前沿解
图7 常规流程与DWC工艺对比
3
结论
（1）使用MATLAB将NSGA-Ⅱ和Aspen Plus模拟软件联用，以TAC和二氧化碳排放量为目标函数，对隔壁塔的10个操作参数进行优化，当遗传代数达到400时，目标函数的值基本不再变化。
（2）选择第400代Pareto最优前沿解中TAC最小的第8组解集作为最佳操作方案，此时隔壁塔二氧化碳排放量减少为2114.30kg/h，TAC降至264.10×104USD/a，与传统的双塔流程相比，二氧化碳排放量和TAC分别降低了31.49%和28.98%。
（3）研究将隔壁塔的优化过程与遗传算法相结合，提供了三组分体系化工分离过程的新思路。由于隔壁塔本身具有局限性，待分离体系需满足中间组分质量占比不低并且侧线产品纯度较高的分离条件才可获得理想的经济效益。此外，由于隔壁塔参数的复杂性和高度耦合性，需要研究人员赋予良好的初值和限制条件并对参数范围进行合理的调控才可使模拟结果容易收敛。
作者简介
第一作者及通信作者：薄守石，博士，研究方向为过程强化技术。
（扫码关注我们）
邮发代号：82-311
订阅热线：010-64519502
网址：http://hgjz.cip.com.cn
欢迎您分享、点赞、收藏、在看
