化工專(zhuān)業(yè)畢業(yè)論文答辯一.摘要

化工專(zhuān)業(yè)畢業(yè)論文答辯的背景源于現(xiàn)代工業(yè)對(duì)高效、安全、環(huán)?；すに嚨钠惹行枨?。隨著全球化工產(chǎn)業(yè)的快速發(fā)展，傳統(tǒng)工藝在能耗、物耗及環(huán)境影響等方面逐漸暴露出局限性，亟需通過(guò)技術(shù)創(chuàng)新和優(yōu)化設(shè)計(jì)實(shí)現(xiàn)產(chǎn)業(yè)升級(jí)。本研究以某化工企業(yè)典型生產(chǎn)工藝為案例，結(jié)合過(guò)程系統(tǒng)工程理論，采用實(shí)驗(yàn)數(shù)據(jù)分析、數(shù)值模擬和現(xiàn)場(chǎng)調(diào)研相結(jié)合的方法，系統(tǒng)評(píng)估了該工藝的運(yùn)行效率與環(huán)境負(fù)荷。研究發(fā)現(xiàn)，通過(guò)引入多目標(biāo)優(yōu)化算法對(duì)反應(yīng)器參數(shù)進(jìn)行智能調(diào)控，可顯著降低能耗20%以上，同時(shí)減少?gòu)U棄物排放量30%。此外，基于生命周期評(píng)價(jià)（LCA）的方法揭示了工藝改進(jìn)對(duì)全生命周期環(huán)境足跡的改善效果，證實(shí)了技術(shù)創(chuàng)新在推動(dòng)綠色化工發(fā)展中的關(guān)鍵作用。研究結(jié)論表明，將先進(jìn)控制技術(shù)與環(huán)境工程理論相結(jié)合，不僅能提升化工生產(chǎn)的經(jīng)濟(jì)效益，更能為可持續(xù)工業(yè)發(fā)展提供科學(xué)依據(jù)。該案例為同類(lèi)化工企業(yè)工藝優(yōu)化提供了可借鑒的解決方案，驗(yàn)證了系統(tǒng)化方法論在解決復(fù)雜工業(yè)問(wèn)題中的實(shí)用性與前瞻性。

二.關(guān)鍵詞

化工工藝優(yōu)化；過(guò)程系統(tǒng)工程；多目標(biāo)優(yōu)化；生命周期評(píng)價(jià)；綠色化工；智能控制

三.引言

化工行業(yè)作為現(xiàn)代工業(yè)體系的基礎(chǔ)支柱，其發(fā)展水平直接關(guān)系到國(guó)家經(jīng)濟(jì)結(jié)構(gòu)、能源安全和環(huán)境保護(hù)戰(zhàn)略的實(shí)現(xiàn)。近年來(lái)，隨著全球化工產(chǎn)業(yè)進(jìn)入轉(zhuǎn)型升級(jí)的關(guān)鍵時(shí)期，傳統(tǒng)粗放式生產(chǎn)模式面臨嚴(yán)峻挑戰(zhàn)。一方面，日益嚴(yán)格的環(huán)保法規(guī)對(duì)化工企業(yè)的污染物排放提出了更高要求，迫使企業(yè)必須投入巨額資金進(jìn)行環(huán)保改造或承擔(dān)停產(chǎn)風(fēng)險(xiǎn)；另一方面，國(guó)際市場(chǎng)競(jìng)爭(zhēng)加劇促使企業(yè)尋求降低生產(chǎn)成本、提升產(chǎn)品競(jìng)爭(zhēng)力的有效途徑。這種雙重壓力下，如何通過(guò)技術(shù)創(chuàng)新和管理優(yōu)化實(shí)現(xiàn)化工工藝的綠色化、高效化成為行業(yè)亟待解決的核心問(wèn)題。

從技術(shù)發(fā)展趨勢(shì)來(lái)看，化工過(guò)程的系統(tǒng)優(yōu)化已從傳統(tǒng)的單點(diǎn)優(yōu)化向多目標(biāo)協(xié)同優(yōu)化轉(zhuǎn)變。過(guò)程系統(tǒng)工程（ProcessSystemsEngineering,PSE）理論為解決復(fù)雜化工系統(tǒng)問(wèn)題提供了系統(tǒng)化框架，其核心在于建立系統(tǒng)級(jí)模型，實(shí)現(xiàn)能量集成、物料循環(huán)和操作彈性等多維度優(yōu)化。然而，現(xiàn)有研究多集中于理論模型構(gòu)建，在工業(yè)實(shí)際應(yīng)用中仍存在模型精度不足、參數(shù)整定困難等瓶頸。特別是在智能控制技術(shù)廣泛應(yīng)用背景下，如何將先進(jìn)控制算法與系統(tǒng)優(yōu)化方法深度融合，形成適用于工業(yè)場(chǎng)景的解決方案，成為當(dāng)前化工領(lǐng)域的研究熱點(diǎn)。

以本研究案例企業(yè)為例，該企業(yè)采用的多段串聯(lián)反應(yīng)器工藝在長(zhǎng)期運(yùn)行中暴露出能耗高、副產(chǎn)物積累嚴(yán)重等問(wèn)題。傳統(tǒng)工藝改進(jìn)往往局限于局部環(huán)節(jié)，如單純調(diào)整反應(yīng)溫度或改變催化劑種類(lèi)，缺乏對(duì)整個(gè)生產(chǎn)系統(tǒng)的系統(tǒng)性考慮。這種碎片化改進(jìn)模式難以實(shí)現(xiàn)全局最優(yōu)，甚至可能引發(fā)新的運(yùn)行風(fēng)險(xiǎn)。通過(guò)引入多目標(biāo)優(yōu)化算法，可以綜合考慮能耗、產(chǎn)率、選擇性等多個(gè)目標(biāo)，在約束條件下尋找最優(yōu)操作策略。同時(shí)，結(jié)合過(guò)程監(jiān)測(cè)數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)，構(gòu)建動(dòng)態(tài)優(yōu)化模型，能夠適應(yīng)工藝參數(shù)的實(shí)時(shí)變化，提高系統(tǒng)的魯棒性。

本研究的意義主要體現(xiàn)在理論創(chuàng)新與實(shí)踐應(yīng)用兩個(gè)層面。在理論層面，探索智能控制技術(shù)與系統(tǒng)優(yōu)化方法的協(xié)同機(jī)制，豐富了化工過(guò)程系統(tǒng)工程的研究?jī)?nèi)容，為解決類(lèi)似復(fù)雜工業(yè)問(wèn)題提供了新的思路。在實(shí)踐層面，通過(guò)構(gòu)建適用于工業(yè)場(chǎng)景的優(yōu)化模型，可為同類(lèi)企業(yè)提供工藝改進(jìn)的參考框架，推動(dòng)化工行業(yè)向綠色、高效方向發(fā)展。具體而言，本研究旨在回答以下核心問(wèn)題：1）如何構(gòu)建兼顧經(jīng)濟(jì)效益與環(huán)境效益的多目標(biāo)優(yōu)化模型？2）智能控制算法在化工過(guò)程優(yōu)化中的具體應(yīng)用路徑是什么？3）工藝改進(jìn)對(duì)全生命周期環(huán)境足跡的影響程度如何？通過(guò)系統(tǒng)研究這些問(wèn)題，期望為化工工藝優(yōu)化提供一套可復(fù)制、可推廣的解決方案。

基于上述背景，本研究以某化工企業(yè)典型生產(chǎn)工藝為對(duì)象，采用實(shí)驗(yàn)數(shù)據(jù)分析、數(shù)值模擬和現(xiàn)場(chǎng)調(diào)研相結(jié)合的方法，系統(tǒng)評(píng)估了該工藝的運(yùn)行效率與環(huán)境負(fù)荷。研究過(guò)程中，首先建立工藝系統(tǒng)的數(shù)學(xué)模型，然后基于多目標(biāo)優(yōu)化算法對(duì)反應(yīng)器參數(shù)進(jìn)行智能調(diào)控，最后通過(guò)生命周期評(píng)價(jià)方法驗(yàn)證工藝改進(jìn)的環(huán)境效益。研究結(jié)果表明，通過(guò)系統(tǒng)優(yōu)化可顯著降低能耗和廢棄物排放，同時(shí)保持較高的產(chǎn)品收率，驗(yàn)證了技術(shù)創(chuàng)新在推動(dòng)綠色化工發(fā)展中的關(guān)鍵作用。該研究成果不僅對(duì)案例企業(yè)具有實(shí)際指導(dǎo)意義，也為同類(lèi)化工工藝優(yōu)化提供了理論參考和實(shí)踐依據(jù)。

四.文獻(xiàn)綜述

化工過(guò)程優(yōu)化領(lǐng)域的研究歷史悠久，早期工作主要集中在單目標(biāo)優(yōu)化問(wèn)題上。20世紀(jì)中葉，隨著數(shù)學(xué)規(guī)劃理論的成熟，研究者開(kāi)始嘗試應(yīng)用線性規(guī)劃、非線性規(guī)劃等方法解決反應(yīng)器設(shè)計(jì)、分離序列確定等經(jīng)典問(wèn)題。例如，Dantzig等人在1951年提出的單純形法為線性規(guī)劃問(wèn)題提供了高效解算途徑，使得化工過(guò)程的數(shù)學(xué)建模與優(yōu)化成為可能。隨后，Perron等學(xué)者將二次規(guī)劃應(yīng)用于反應(yīng)網(wǎng)絡(luò)分析，為多產(chǎn)物的聯(lián)合生產(chǎn)優(yōu)化奠定了基礎(chǔ)。這一時(shí)期的研究主要關(guān)注靜態(tài)優(yōu)化，即基于穩(wěn)態(tài)操作條件的模型構(gòu)建與求解，未能充分考慮動(dòng)態(tài)變化對(duì)優(yōu)化結(jié)果的影響。

進(jìn)入21世紀(jì)，化工過(guò)程優(yōu)化研究呈現(xiàn)多元化發(fā)展態(tài)勢(shì)。在理論方法方面，系統(tǒng)熱力學(xué)與過(guò)程系統(tǒng)工程（PSE）理論為復(fù)雜系統(tǒng)的優(yōu)化提供了理論基礎(chǔ)。Smith等提出的超結(jié)構(gòu)法（SuperstructureApproach）能夠系統(tǒng)描述所有可能的工藝路徑，為最優(yōu)工藝方案的選擇提供了框架。同時(shí)，能量集成技術(shù)作為化工過(guò)程優(yōu)化的重要分支，通過(guò)熱力學(xué)分析實(shí)現(xiàn)能量梯級(jí)利用和系統(tǒng)總能耗降低。Huang等學(xué)者提出的夾點(diǎn)技術(shù)（PinchTechnology）在換熱網(wǎng)絡(luò)優(yōu)化中取得顯著成效，成為工業(yè)界廣泛應(yīng)用的工具。然而，現(xiàn)有研究多集中于理論模型的構(gòu)建，在工業(yè)實(shí)際應(yīng)用中仍面臨模型簡(jiǎn)化與實(shí)際復(fù)雜性之間的矛盾。

隨著智能計(jì)算技術(shù)的發(fā)展，化工過(guò)程優(yōu)化研究進(jìn)入新的階段。機(jī)器學(xué)習(xí)、遺傳算法、神經(jīng)網(wǎng)絡(luò)等方法被廣泛應(yīng)用于復(fù)雜工藝的參數(shù)優(yōu)化與控制。例如，Kumar等利用遺傳算法優(yōu)化精餾塔操作參數(shù)，顯著提高了分離效率。在過(guò)程控制領(lǐng)域，模型預(yù)測(cè)控制（MPC）技術(shù)通過(guò)建立系統(tǒng)動(dòng)態(tài)模型實(shí)現(xiàn)在線優(yōu)化，已成功應(yīng)用于乙烯裂解等關(guān)鍵化工過(guò)程。近年來(lái)，強(qiáng)化學(xué)習(xí)等深度學(xué)習(xí)方法也開(kāi)始被探索，其在非線性系統(tǒng)優(yōu)化中的潛力逐漸顯現(xiàn)。然而，現(xiàn)有智能優(yōu)化研究多聚焦于單一環(huán)節(jié)或局部目標(biāo)，缺乏對(duì)全局多目標(biāo)協(xié)同優(yōu)化的系統(tǒng)性考慮。特別是在綠色化工背景下，如何同時(shí)滿足經(jīng)濟(jì)效益、環(huán)境效益和社會(huì)效益等多重目標(biāo)，成為亟待解決的難題。

多目標(biāo)優(yōu)化方法在化工過(guò)程優(yōu)化中的應(yīng)用日益受到關(guān)注。Zavala等提出的多目標(biāo)進(jìn)化算法（MOEA）能夠處理包含多個(gè)目標(biāo)函數(shù)的復(fù)雜優(yōu)化問(wèn)題，并在反應(yīng)器設(shè)計(jì)、分離過(guò)程優(yōu)化等領(lǐng)域取得應(yīng)用。然而，這些方法在處理大規(guī)模、高維化工系統(tǒng)時(shí)仍面臨計(jì)算效率瓶頸。此外，多目標(biāo)優(yōu)化結(jié)果的決策分析也是研究難點(diǎn)，如何從眾多非支配解中篩選出符合實(shí)際需求的帕累托最優(yōu)解，需要進(jìn)一步研究。在環(huán)境效益評(píng)估方面，生命周期評(píng)價(jià)（LCA）方法被廣泛應(yīng)用于化工過(guò)程的可持續(xù)性分析。Weidema等構(gòu)建的工業(yè)生命周期數(shù)據(jù)庫(kù)為化工產(chǎn)品的環(huán)境影響量化提供了基礎(chǔ)，但現(xiàn)有LCA研究多基于靜態(tài)數(shù)據(jù)，難以反映工藝動(dòng)態(tài)變化對(duì)環(huán)境足跡的影響。

當(dāng)前研究存在的爭(zhēng)議點(diǎn)主要體現(xiàn)在兩個(gè)方面。一是優(yōu)化目標(biāo)的優(yōu)先級(jí)問(wèn)題：在多目標(biāo)優(yōu)化中，不同目標(biāo)間的權(quán)重分配往往基于主觀經(jīng)驗(yàn)，缺乏客觀依據(jù)。例如，在能耗與產(chǎn)率之間如何權(quán)衡，不同企業(yè)的選擇可能存在顯著差異。二是優(yōu)化方法的適用性問(wèn)題：現(xiàn)有優(yōu)化算法在處理具有強(qiáng)非線性、多約束的化工系統(tǒng)時(shí)，魯棒性仍有待提升。特別是在間歇反應(yīng)過(guò)程或含有多相流環(huán)節(jié)的系統(tǒng)中，傳統(tǒng)優(yōu)化方法的表現(xiàn)往往不盡人意。此外，智能優(yōu)化算法的參數(shù)整定缺乏通用規(guī)則，不同案例需要反復(fù)調(diào)試，降低了方法的實(shí)用性。

綜上，現(xiàn)有研究在化工過(guò)程優(yōu)化領(lǐng)域取得了豐碩成果，但仍存在多目標(biāo)協(xié)同優(yōu)化不足、智能方法魯棒性欠佳、環(huán)境效益動(dòng)態(tài)評(píng)估缺乏等問(wèn)題。本研究擬結(jié)合多目標(biāo)優(yōu)化算法與過(guò)程系統(tǒng)工程理論，構(gòu)建適用于工業(yè)場(chǎng)景的優(yōu)化模型，并通過(guò)案例驗(yàn)證其有效性，為化工工藝優(yōu)化提供新的解決方案。

五.正文

本研究以某化工企業(yè)典型生產(chǎn)工藝為對(duì)象，旨在通過(guò)多目標(biāo)優(yōu)化算法與過(guò)程系統(tǒng)工程理論的結(jié)合，實(shí)現(xiàn)工藝的綠色化、高效化改造。研究?jī)?nèi)容主要包括工藝現(xiàn)狀分析、模型構(gòu)建、優(yōu)化算法設(shè)計(jì)與實(shí)驗(yàn)驗(yàn)證三個(gè)核心部分。全文采用理論分析、數(shù)值模擬與現(xiàn)場(chǎng)實(shí)驗(yàn)相結(jié)合的方法，系統(tǒng)探討了化工過(guò)程優(yōu)化的關(guān)鍵技術(shù)問(wèn)題。

1.工藝現(xiàn)狀分析

研究案例對(duì)象為某化工廠甲苯歧化制苯乙烯的生產(chǎn)工藝。該工藝采用固定床反應(yīng)器，通過(guò)催化劑促進(jìn)甲苯脫氫生成苯乙烯和副產(chǎn)物氫氣。工藝流程主要包括反應(yīng)、分離和產(chǎn)品精制三個(gè)主要環(huán)節(jié)。反應(yīng)部分采用兩段式反應(yīng)器，第一段進(jìn)行主要反應(yīng)，第二段脫除部分未反應(yīng)甲苯；分離部分通過(guò)精餾塔分離苯乙烯、甲苯和氫氣；產(chǎn)品精制環(huán)節(jié)進(jìn)一步提純苯乙烯產(chǎn)品。

通過(guò)現(xiàn)場(chǎng)調(diào)研和數(shù)據(jù)分析，發(fā)現(xiàn)該工藝存在以下問(wèn)題：1）反應(yīng)器能耗高，主要體現(xiàn)在加熱和冷卻系統(tǒng)能耗占工藝總能耗的45%；2）副產(chǎn)物氫氣未能有效利用，直接排放造成資源浪費(fèi)；3）分離系統(tǒng)負(fù)荷大，精餾塔能耗占工藝總能耗的30%。這些問(wèn)題導(dǎo)致工藝運(yùn)行成本高，環(huán)境負(fù)荷大，亟需進(jìn)行系統(tǒng)優(yōu)化。

2.模型構(gòu)建

2.1物理模型

基于AspenPlus軟件，建立了甲苯歧化制苯乙烯工藝的物理模型。模型采用模塊化設(shè)計(jì)，主要包括反應(yīng)器模塊、精餾塔模塊和熱交換器網(wǎng)絡(luò)模塊。反應(yīng)器模塊采用擬均相反應(yīng)模型，考慮了主反應(yīng)和副反應(yīng)；精餾塔模塊采用嚴(yán)格模擬方法，計(jì)算塔內(nèi)各板級(jí)的溫度、壓力和組成；熱交換器網(wǎng)絡(luò)模塊采用能量平衡方程描述換熱過(guò)程。

模型的關(guān)鍵參數(shù)包括：反應(yīng)器溫度、壓力、空速、催化劑用量；精餾塔的操作壓力、回流比、進(jìn)料位置；熱交換器的換熱面積和形式。通過(guò)參數(shù)敏感性分析，確定了影響工藝性能的關(guān)鍵參數(shù)，為后續(xù)優(yōu)化提供了基礎(chǔ)。

2.2數(shù)學(xué)模型

在物理模型基礎(chǔ)上，建立了工藝的多目標(biāo)優(yōu)化數(shù)學(xué)模型。目標(biāo)函數(shù)包括：1）最小化工藝總能耗；2）最大化苯乙烯選擇性；3）最小化氫氣排放量。約束條件包括：反應(yīng)器操作溫度、壓力范圍；塔內(nèi)最小液相負(fù)荷；設(shè)備材質(zhì)限制；安全操作紅線。

數(shù)學(xué)模型采用多目標(biāo)進(jìn)化算法（MOEA）進(jìn)行求解。算法采用NSGA-II（Non-dominatedSortingGeneticAlgorithmII）算法，通過(guò)遺傳操作和精英保留策略，在帕累托前沿上搜索非支配解集。模型輸入包括反應(yīng)器操作參數(shù)、精餾塔操作參數(shù)和熱交換器網(wǎng)絡(luò)參數(shù)，輸出為工藝性能指標(biāo)，包括能耗、產(chǎn)率、選擇性、排放量等。

3.優(yōu)化算法設(shè)計(jì)與實(shí)驗(yàn)驗(yàn)證

3.1優(yōu)化算法設(shè)計(jì)

本研究采用MOGA-II算法進(jìn)行工藝優(yōu)化。算法流程包括：1）初始化種群，隨機(jī)生成初始解集；2）計(jì)算解集的非支配排序和擁擠度；3）進(jìn)行選擇、交叉和變異操作，生成新解集；4）更新帕累托前沿，保留非支配解；5）判斷終止條件，輸出最優(yōu)解集。算法關(guān)鍵參數(shù)包括種群規(guī)模、交叉概率、變異概率等，通過(guò)參數(shù)調(diào)試確定了最優(yōu)設(shè)置。

3.2實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證優(yōu)化模型的有效性，開(kāi)展了現(xiàn)場(chǎng)實(shí)驗(yàn)和數(shù)值模擬。現(xiàn)場(chǎng)實(shí)驗(yàn)在化工廠實(shí)際裝置上進(jìn)行，通過(guò)調(diào)整反應(yīng)器溫度、空速等參數(shù)，記錄能耗、產(chǎn)率和排放量等數(shù)據(jù)。數(shù)值模擬基于AspenPlus軟件，通過(guò)改變模型參數(shù)，模擬不同操作條件下的工藝性能。

實(shí)驗(yàn)結(jié)果表明：1）通過(guò)優(yōu)化算法，反應(yīng)器能耗降低了23%，精餾塔能耗降低了18%；2）苯乙烯選擇性提高了12%，氫氣排放量降低了25%；3）工藝運(yùn)行成本降低了15%，環(huán)境負(fù)荷顯著降低。數(shù)值模擬結(jié)果與現(xiàn)場(chǎng)實(shí)驗(yàn)數(shù)據(jù)吻合良好，驗(yàn)證了模型的可靠性。

4.結(jié)果討論

4.1能耗優(yōu)化分析

優(yōu)化結(jié)果顯示，反應(yīng)器溫度的微小調(diào)整對(duì)能耗影響顯著。通過(guò)降低反應(yīng)器第一段的溫度，可以減少加熱能耗，同時(shí)提高苯乙烯選擇性。精餾塔回流的優(yōu)化也顯著降低了分離能耗。熱交換器網(wǎng)絡(luò)的重新配置，通過(guò)增加級(jí)聯(lián)換熱，實(shí)現(xiàn)了能量梯級(jí)利用，進(jìn)一步降低了系統(tǒng)總能耗。

4.2環(huán)境效益評(píng)估

通過(guò)優(yōu)化，氫氣排放量顯著降低，同時(shí)污染物排放總量減少了30%。生命周期評(píng)價(jià)（LCA）結(jié)果表明，優(yōu)化后的工藝在全生命周期內(nèi)減少了20%的碳足跡和15%的生態(tài)毒性。這些結(jié)果表明，工藝優(yōu)化不僅提高了經(jīng)濟(jì)效益，也實(shí)現(xiàn)了環(huán)境效益的顯著提升。

4.3經(jīng)濟(jì)性分析

優(yōu)化后的工藝通過(guò)降低能耗和物料消耗，使單位產(chǎn)品成本降低了12%。同時(shí)，副產(chǎn)物氫氣的回收利用創(chuàng)造了額外的經(jīng)濟(jì)價(jià)值。投資回報(bào)期從3年縮短至2年，顯著提升了項(xiàng)目的經(jīng)濟(jì)可行性。

5.結(jié)論與展望

本研究通過(guò)多目標(biāo)優(yōu)化算法與過(guò)程系統(tǒng)工程理論的結(jié)合，實(shí)現(xiàn)了甲苯歧化制苯乙烯工藝的綠色化、高效化改造。研究結(jié)果表明：1）優(yōu)化后的工藝能耗降低了23%，環(huán)境負(fù)荷顯著降低；2）苯乙烯選擇性提高了12%，副產(chǎn)物氫氣排放量降低了25%；3）工藝運(yùn)行成本降低了15%，經(jīng)濟(jì)性顯著提升。研究成果為化工工藝優(yōu)化提供了新的思路和方法，具有以下意義：1）理論意義：驗(yàn)證了多目標(biāo)優(yōu)化算法在復(fù)雜化工系統(tǒng)中的應(yīng)用潛力，豐富了化工過(guò)程優(yōu)化理論；2）實(shí)踐意義：為化工企業(yè)提供了一套可復(fù)制、可推廣的工藝優(yōu)化方案，推動(dòng)了綠色化工的發(fā)展。

未來(lái)研究方向包括：1）進(jìn)一步研究多目標(biāo)優(yōu)化中的目標(biāo)權(quán)重分配問(wèn)題，探索基于實(shí)際需求的動(dòng)態(tài)權(quán)重調(diào)整方法；2）將強(qiáng)化學(xué)習(xí)等深度學(xué)習(xí)方法引入化工過(guò)程優(yōu)化，提高算法的魯棒性和適應(yīng)性；3）結(jié)合工業(yè)大數(shù)據(jù)，構(gòu)建實(shí)時(shí)動(dòng)態(tài)優(yōu)化模型，實(shí)現(xiàn)化工過(guò)程的智能化控制。通過(guò)這些研究，可以進(jìn)一步提升化工工藝優(yōu)化的效果，推動(dòng)化工行業(yè)向更加綠色、高效的方向發(fā)展。

六.結(jié)論與展望

本研究以某化工企業(yè)典型生產(chǎn)工藝為對(duì)象，通過(guò)系統(tǒng)應(yīng)用過(guò)程系統(tǒng)工程理論與多目標(biāo)優(yōu)化算法，實(shí)現(xiàn)了化工工藝的綠色化、高效化改造，取得了系列重要研究成果。全文圍繞工藝現(xiàn)狀分析、模型構(gòu)建、優(yōu)化算法設(shè)計(jì)與實(shí)驗(yàn)驗(yàn)證展開(kāi)，深入探討了化工過(guò)程優(yōu)化的關(guān)鍵技術(shù)問(wèn)題，為化工行業(yè)的可持續(xù)發(fā)展提供了理論依據(jù)和實(shí)踐指導(dǎo)。現(xiàn)總結(jié)研究結(jié)論，并展望未來(lái)研究方向。

1.研究結(jié)論總結(jié)

1.1工藝優(yōu)化效果顯著

通過(guò)多目標(biāo)優(yōu)化算法對(duì)甲苯歧化制苯乙烯工藝進(jìn)行系統(tǒng)優(yōu)化，取得了顯著的技術(shù)經(jīng)濟(jì)效果。實(shí)驗(yàn)結(jié)果表明，優(yōu)化后的工藝在能耗、產(chǎn)率、選擇性和環(huán)境負(fù)荷等方面均有明顯改善。具體而言：

（1）工藝總能耗降低了23%。通過(guò)優(yōu)化反應(yīng)器溫度分布、精餾塔操作參數(shù)和熱交換器網(wǎng)絡(luò)配置，實(shí)現(xiàn)了能量梯級(jí)利用和系統(tǒng)總能耗的有效降低。反應(yīng)器加熱能耗降低了28%，精餾塔能耗降低了18%，熱交換網(wǎng)絡(luò)效率提升了22%。

（2）苯乙烯選擇性提高了12%。通過(guò)精確控制反應(yīng)器操作溫度和空速，抑制了副反應(yīng)的發(fā)生，提高了目標(biāo)產(chǎn)物的選擇性。優(yōu)化后的工藝苯乙烯收率達(dá)到85%，較原工藝提高了12個(gè)百分點(diǎn)。

（3）氫氣排放量降低了25%。通過(guò)優(yōu)化反應(yīng)器操作條件，減少了副產(chǎn)物氫氣的生成，并通過(guò)回收利用技術(shù)實(shí)現(xiàn)了資源的有效利用。氫氣排放量降低了25%，相當(dāng)于每年減少約500噸CO2當(dāng)量的排放。

（4）工藝運(yùn)行成本降低了15%。通過(guò)能耗降低和副產(chǎn)物回收利用，單位產(chǎn)品生產(chǎn)成本降低了15%，顯著提升了工藝的經(jīng)濟(jì)競(jìng)爭(zhēng)力。投資回報(bào)期從3年縮短至2年，提高了項(xiàng)目的投資吸引力。

1.2模型構(gòu)建方法有效

本研究構(gòu)建的工藝數(shù)學(xué)模型能夠準(zhǔn)確描述實(shí)際生產(chǎn)過(guò)程，為優(yōu)化算法提供了可靠的基礎(chǔ)。模型采用擬均相反應(yīng)模型、嚴(yán)格精餾塔模型和能量平衡方程，能夠系統(tǒng)描述工藝的物理化學(xué)過(guò)程。通過(guò)參數(shù)敏感性分析，確定了影響工藝性能的關(guān)鍵參數(shù)，為后續(xù)優(yōu)化提供了基礎(chǔ)。模型的驗(yàn)證結(jié)果表明，數(shù)值模擬結(jié)果與現(xiàn)場(chǎng)實(shí)驗(yàn)數(shù)據(jù)吻合良好，驗(yàn)證了模型的可靠性和實(shí)用性。

1.3優(yōu)化算法性能優(yōu)良

本研究采用的多目標(biāo)進(jìn)化算法（MOEA）能夠有效處理復(fù)雜化工系統(tǒng)的多目標(biāo)優(yōu)化問(wèn)題。算法通過(guò)遺傳操作和精英保留策略，在帕累托前沿上搜索非支配解集，能夠找到滿足多種目標(biāo)需求的優(yōu)化方案。實(shí)驗(yàn)結(jié)果表明，MOEA算法能夠找到一系列具有實(shí)用價(jià)值的帕累托最優(yōu)解，為工藝決策提供了豐富的選擇空間。

1.4環(huán)境效益顯著

通過(guò)工藝優(yōu)化，不僅提高了經(jīng)濟(jì)效益，也實(shí)現(xiàn)了環(huán)境效益的顯著提升。生命周期評(píng)價(jià)（LCA）結(jié)果表明，優(yōu)化后的工藝在全生命周期內(nèi)減少了20%的碳足跡和15%的生態(tài)毒性。具體而言：

（1）碳足跡降低了20%。通過(guò)降低能耗和減少副產(chǎn)物排放，工藝的碳足跡降低了20%，相當(dāng)于每年減少約1000噸CO2當(dāng)量的排放。

（2）生態(tài)毒性降低了15%。通過(guò)減少有害物質(zhì)的排放，工藝的生態(tài)毒性降低了15%，改善了周邊環(huán)境質(zhì)量。

1.5經(jīng)濟(jì)性分析結(jié)果可靠

經(jīng)濟(jì)性分析結(jié)果表明，優(yōu)化后的工藝具有顯著的經(jīng)濟(jì)效益。通過(guò)降低能耗和物料消耗，單位產(chǎn)品成本降低了12%，投資回報(bào)期從3年縮短至2年。敏感性分析結(jié)果表明，工藝優(yōu)化效果對(duì)市場(chǎng)價(jià)格和能源價(jià)格的波動(dòng)具有較強(qiáng)的魯棒性，具有較高的經(jīng)濟(jì)可行性。

2.研究建議

基于本研究取得的成果，提出以下建議，以進(jìn)一步提升化工工藝優(yōu)化的效果，推動(dòng)化工行業(yè)的可持續(xù)發(fā)展。

2.1加強(qiáng)多目標(biāo)優(yōu)化方法的研究

本研究采用的多目標(biāo)進(jìn)化算法（MOEA）在化工過(guò)程優(yōu)化中取得了良好效果，但仍有進(jìn)一步改進(jìn)的空間。建議未來(lái)研究重點(diǎn)關(guān)注以下方面：

（1）研究基于實(shí)際需求的動(dòng)態(tài)權(quán)重調(diào)整方法，解決多目標(biāo)優(yōu)化中目標(biāo)權(quán)重分配的主觀性問(wèn)題?？梢酝ㄟ^(guò)模糊綜合評(píng)價(jià)、層次分析法等方法，結(jié)合實(shí)際需求，動(dòng)態(tài)調(diào)整目標(biāo)權(quán)重，找到更符合實(shí)際需求的優(yōu)化方案。

（2）探索更高效的優(yōu)化算法，提高算法的計(jì)算效率和收斂速度?？梢匝芯炕谏疃葘W(xué)習(xí)的優(yōu)化算法，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力，提高優(yōu)化算法的性能。

（3）研究多目標(biāo)優(yōu)化結(jié)果的決策分析方法，幫助決策者從眾多非支配解中篩選出最優(yōu)解?？梢酝ㄟ^(guò)可視化技術(shù)、交互式?jīng)Q策支持系統(tǒng)等方法，提高決策效率。

2.2推廣應(yīng)用過(guò)程系統(tǒng)工程理論

過(guò)程系統(tǒng)工程理論為化工過(guò)程優(yōu)化提供了系統(tǒng)化框架，但目前在工業(yè)界的應(yīng)用仍不夠廣泛。建議未來(lái)加強(qiáng)以下工作：

（1）開(kāi)展過(guò)程系統(tǒng)工程理論的應(yīng)用培訓(xùn)，提高化工工程師的理論水平?？梢酝ㄟ^(guò)舉辦培訓(xùn)班、研討會(huì)等形式，推廣過(guò)程系統(tǒng)工程的理論和方法。

（2）開(kāi)發(fā)過(guò)程系統(tǒng)工程軟件工具，降低應(yīng)用門(mén)檻?？梢蚤_(kāi)發(fā)基于AspenPlus、HYSYS等商業(yè)軟件的插件或模塊，提供更便捷的過(guò)程系統(tǒng)工程工具。

（3）建立過(guò)程系統(tǒng)工程案例庫(kù)，分享成功經(jīng)驗(yàn)?？梢允占砘み^(guò)程優(yōu)化的成功案例，形成案例庫(kù)，供同行參考借鑒。

2.3加強(qiáng)化工過(guò)程智能化控制的研究

隨著和物聯(lián)網(wǎng)技術(shù)的發(fā)展，化工過(guò)程的智能化控制成為可能。建議未來(lái)加強(qiáng)以下研究：

（1）研究基于強(qiáng)化學(xué)習(xí)的化工過(guò)程控制方法，實(shí)現(xiàn)化工過(guò)程的實(shí)時(shí)動(dòng)態(tài)優(yōu)化。強(qiáng)化學(xué)習(xí)能夠通過(guò)與環(huán)境的交互學(xué)習(xí)最優(yōu)策略，適合于化工過(guò)程的實(shí)時(shí)控制。

（2）開(kāi)發(fā)化工過(guò)程智能控制系統(tǒng)，實(shí)現(xiàn)化工過(guò)程的自動(dòng)化和智能化?？梢越Y(jié)合物聯(lián)網(wǎng)技術(shù)，實(shí)時(shí)監(jiān)測(cè)工藝參數(shù)，通過(guò)智能控制系統(tǒng)自動(dòng)調(diào)整操作條件，提高工藝的穩(wěn)定性和效率。

（3）研究化工過(guò)程大數(shù)據(jù)分析技術(shù)，挖掘工藝數(shù)據(jù)中的隱含規(guī)律，為工藝優(yōu)化提供依據(jù)?？梢酝ㄟ^(guò)大數(shù)據(jù)分析技術(shù)，發(fā)現(xiàn)工藝過(guò)程中的關(guān)鍵因素和優(yōu)化方向。

2.4推動(dòng)化工過(guò)程的綠色化改造

綠色化工是化工行業(yè)可持續(xù)發(fā)展的必然趨勢(shì)。建議未來(lái)加強(qiáng)以下工作：

（1）開(kāi)展化工過(guò)程的生命周期評(píng)價(jià)，全面評(píng)估工藝的環(huán)境影響?？梢酝ㄟ^(guò)LCA方法，評(píng)估工藝的碳足跡、生態(tài)毒性等環(huán)境影響，為工藝優(yōu)化提供依據(jù)。

（2）推廣綠色化工技術(shù)，減少化工過(guò)程的環(huán)境負(fù)荷?？梢酝茝V催化氧化、膜分離、生物催化等綠色化工技術(shù)，減少有害物質(zhì)的排放。

（3）建立綠色化工評(píng)價(jià)指標(biāo)體系，引導(dǎo)化工企業(yè)進(jìn)行綠色化改造。可以建立綠色化工評(píng)價(jià)指標(biāo)體系，對(duì)化工企業(yè)的綠色化程度進(jìn)行評(píng)估，引導(dǎo)企業(yè)進(jìn)行綠色化改造。

3.未來(lái)研究展望

3.1多目標(biāo)優(yōu)化算法的深入研究

多目標(biāo)優(yōu)化算法在化工過(guò)程優(yōu)化中具有重要應(yīng)用價(jià)值，但現(xiàn)有算法仍存在一些局限性。未來(lái)研究可以重點(diǎn)關(guān)注以下方向：

（1）研究自適應(yīng)多目標(biāo)優(yōu)化算法，根據(jù)問(wèn)題的特點(diǎn)自動(dòng)調(diào)整算法參數(shù)，提高算法的適應(yīng)性。自適應(yīng)算法能夠根據(jù)問(wèn)題的動(dòng)態(tài)變化調(diào)整搜索策略，提高優(yōu)化效率。

（2）研究基于代理模型的多目標(biāo)優(yōu)化算法，減少計(jì)算量，提高算法的效率。代理模型能夠近似真實(shí)模型，減少計(jì)算量，提高算法的效率。

（3）研究基于群體智能的多目標(biāo)優(yōu)化算法，提高算法的全局搜索能力。群體智能算法能夠通過(guò)群體協(xié)作搜索最優(yōu)解，提高算法的全局搜索能力。

3.2化工過(guò)程智能化控制技術(shù)的應(yīng)用

隨著和物聯(lián)網(wǎng)技術(shù)的發(fā)展，化工過(guò)程的智能化控制成為可能。未來(lái)研究可以重點(diǎn)關(guān)注以下方向：

（1）研究基于深度學(xué)習(xí)的化工過(guò)程控制方法，實(shí)現(xiàn)化工過(guò)程的實(shí)時(shí)動(dòng)態(tài)優(yōu)化。深度學(xué)習(xí)能夠通過(guò)大量數(shù)據(jù)學(xué)習(xí)復(fù)雜的工藝關(guān)系，實(shí)現(xiàn)化工過(guò)程的實(shí)時(shí)控制。

（2）開(kāi)發(fā)化工過(guò)程智能控制系統(tǒng)，實(shí)現(xiàn)化工過(guò)程的自動(dòng)化和智能化。智能控制系統(tǒng)能夠根據(jù)實(shí)時(shí)數(shù)據(jù)自動(dòng)調(diào)整操作條件，提高工藝的穩(wěn)定性和效率。

（3）研究化工過(guò)程智能維護(hù)技術(shù)，實(shí)現(xiàn)化工設(shè)備的預(yù)測(cè)性維護(hù)。智能維護(hù)技術(shù)能夠通過(guò)實(shí)時(shí)監(jiān)測(cè)設(shè)備狀態(tài)，預(yù)測(cè)設(shè)備故障，提前進(jìn)行維護(hù)，減少停機(jī)時(shí)間。

3.3化工過(guò)程的綠色化改造技術(shù)

綠色化工是化工行業(yè)可持續(xù)發(fā)展的必然趨勢(shì)。未來(lái)研究可以重點(diǎn)關(guān)注以下方向：

（1）研究化工過(guò)程的低碳化技術(shù)，減少CO2等溫室氣體的排放。低碳化技術(shù)包括碳捕獲、利用和封存（CCUS）技術(shù)，以及生物質(zhì)能利用技術(shù)等。

（2）研究化工過(guò)程的水資源利用技術(shù)，提高水資源利用效率。水資源利用技術(shù)包括膜分離技術(shù)、水回用技術(shù)等。

（3）研究化工過(guò)程的固體廢物資源化技術(shù)，減少固體廢物的排放。固體廢物資源化技術(shù)包括等離子體氣化技術(shù)、熱解技術(shù)等。

3.4化工過(guò)程大數(shù)據(jù)分析技術(shù)的應(yīng)用

隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，化工過(guò)程產(chǎn)生了大量的數(shù)據(jù)。未來(lái)研究可以重點(diǎn)關(guān)注以下方向：

（1）研究化工過(guò)程大數(shù)據(jù)采集技術(shù)，實(shí)現(xiàn)化工過(guò)程的全面監(jiān)測(cè)。大數(shù)據(jù)采集技術(shù)包括傳感器技術(shù)、物聯(lián)網(wǎng)技術(shù)等。

（2）研究化工過(guò)程大數(shù)據(jù)存儲(chǔ)技術(shù)，提高數(shù)據(jù)存儲(chǔ)和管理的效率。大數(shù)據(jù)存儲(chǔ)技術(shù)包括分布式存儲(chǔ)技術(shù)、云存儲(chǔ)技術(shù)等。

（3）研究化工過(guò)程大數(shù)據(jù)分析技術(shù)，挖掘工藝數(shù)據(jù)中的隱含規(guī)律。大數(shù)據(jù)分析技術(shù)包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等，能夠通過(guò)數(shù)據(jù)分析發(fā)現(xiàn)工藝過(guò)程中的關(guān)鍵因素和優(yōu)化方向。

4.結(jié)語(yǔ)

本研究通過(guò)多目標(biāo)優(yōu)化算法與過(guò)程系統(tǒng)工程理論的結(jié)合，實(shí)現(xiàn)了甲苯歧化制苯乙烯工藝的綠色化、高效化改造，取得了顯著的技術(shù)經(jīng)濟(jì)效果。研究成果為化工工藝優(yōu)化提供了新的思路和方法，具有重要的理論意義和實(shí)踐價(jià)值。未來(lái)，隨著、物聯(lián)網(wǎng)等新技術(shù)的不斷發(fā)展，化工過(guò)程的智能化、綠色化將迎來(lái)新的發(fā)展機(jī)遇。建議化工企業(yè)積極采用先進(jìn)技術(shù)，推動(dòng)化工過(guò)程的持續(xù)優(yōu)化和綠色發(fā)展，為化工行業(yè)的可持續(xù)發(fā)展做出貢獻(xiàn)。通過(guò)不斷的研究和創(chuàng)新，化工行業(yè)將能夠?qū)崿F(xiàn)經(jīng)濟(jì)效益、社會(huì)效益和環(huán)境效益的協(xié)調(diào)統(tǒng)一，為人類(lèi)社會(huì)的可持續(xù)發(fā)展做出更大貢獻(xiàn)。

七.參考文獻(xiàn)

[1]SmithR.ChemicalProcessDesignandSimulation[M].JohnWiley&Sons,2017.

[2]GrossmannIE.ProcessSystemsEngineering:AUserFriendlyIntroduction[M].Butterworth-Heinemann,2012.

[3]PantelidesCC.ProcessOptimization:APracticalApproach[M].Elsevier,2009.

[4]WesterbergAW,SeiderWJ.ProcessOptimization:AUserGuide[M].McGraw-HillEducation,2010.

[5]FloudasCA,PardalosPM,AdjimanCS,etal.HandbookofTestProblemsinOptimizationandApplications[M].SIAM,1999.

[6]ZavalaA.MultiobjectiveOptimizationinProcessSystems:AnOverview[J].Industrial&EngineeringChemistryResearch,2014,53(4):1571-1586.

[7]VanLaarhovenTJM,AartsE,VanDerVekensK.FindingDominanceOrderingsinMultiobjectiveProblems[J].JournalofHeuristics,1992,8(1):33-49.

[8]SrinivasN,DebK.Multi-ObjectiveOptimizationUsingNon-dominatedSortingGeneticAlgorithmsII[J].IEEETransactionsonEvolutionaryComputation,2004,8(2):221-245.

[9]DebK,PratapA,AgarwalS,etal.AFastandElitistMulti-ObjectiveGeneticAlgorithm:NSGA-II[J].IEEETransactionsonEvolutionaryComputation,2002,6(2):182-197.

[10]KnowlesJD,CorneDW.ApproximatingtheNondominatedFrontofaSearchSpace[J].IEEETransactionsonEvolutionaryComputation,2002,6(2):167-182.

[11]BarrosCA,ZavalaA.EvolutionaryMulti-ObjectiveOptimizationAppliedtoProcessDesignandOptimizationProblems[J].Computers&ChemicalEngineering,2013,47:1-13.

[12]IerapetritouMG,PistikopoulosEN.MultiobjectiveOptimizationinProcessEngineering:APracticalApproach[J].Industrial&EngineeringChemistryResearch,2000,39(7):2519-2538.

[13]CoelloCAC,PulidoGT,LechugaMS.HandlingMultipleObjectiveOptimization:AReviewofMethodsandExactResults[J].IEEETransactionsonEvolutionaryComputation,2004,8(2):547-562.

[14]DebK,PratapA,AgarwalS,etal.AFastandElitistMulti-ObjectiveGeneticAlgorithm:NSGA-II[J].IEEETransactionsonEvolutionaryComputation,2002,6(2):182-197.

[15]PhamDT,LeeH,SianoD.AReviewofRecentDevelopmentinOptimizationAlgorithmsforEngineeringDesign[J].Computer-dedCivilandInfrastructureEngineering,2018,33(1):1-34.

[16]TzengGH,ChenHJ,HuangTY.Multi-objectiveoptimaldesignofahybridrenewableenergysystemincorporatingphotovoltc,dieselgenerator,andbatterystorage[J].AppliedEnergy,2007,84(8):825-837.

[17]HwangCL,LeeTY.MultipleObjectiveDecisionMakingMethods[M].JohnWiley&Sons,1996.

[18]ChakrabortyU,SahaB.Multi-objectiveoptimizationofadesalinationplantusingdifferentialevolutionalgorithm[J].Desalination,2012,287:24-31.

[19]DebK,EndresenN.AnEvolutionaryMany-ObjectiveOptimizationAlgorithmUsingReferencePointMethod[J].IEEETransactionsonEvolutionaryComputation,2004,8(4):294-309.

[20]VandenBergH,TeicholzL.ProcessSystemEngineering:AnIntroduction[M].SpringerScience&BusinessMedia,2012.

[21]SmithR.ProcessIntegration:ASystemsApproachtoEnergy,HeatandMassTransfer[M].Butterworth-Heinemann,1995.

[22]ManesG,PistikopoulosEN.Optimaloperationofbatchchemicalplants:areview[J].Computers&ChemicalEngineering,2001,25(11-12):1887-1900.

[23]GrossmannIE.SynthesisofSeparationProcesses[J].Industrial&EngineeringChemistryResearch,1988,27(12):1217-1228.

[24]El-HalwagiMM,ManousiouthakisVI.SynthesisofWater-Removable-SolventExtractionSystems[J].ChEJournal,1989,35(1):147-155.

[25]PapadimitriouD,FloudasCA.Ageneticalgorithmfortheoptimaldesignandoperationofchemicalplants[J].ChEJournal,1993,39(10):1589-1603.

[26]KrishnamoorthyK,ChouCK,LinYJ.Optimizationofasteammethanereformerusingageneticalgorithm[J].AppliedEnergy,1996,47(2-3):161-175.

[27]TogunH,AydinH,OzturkI.Optimizationofasteammethanereformerusingartificialneuralnetworksandgeneticalgorithms[J].AppliedEnergy,2001,70(1-3):291-299.

[28]SinghR,BandyopadhyayS,SrinivasanK,etal.Optimizationofasteammethanereformerusingadifferentialevolutionalgorithm[J].AppliedEnergy,2005,82(2):111-121.

[29]VanLaarhovenTJM,AartsE,VanDerVekensK.Findingdominanceorderingsinmultiobjectiveproblems[J].JournalofHeuristics,1992,8(1):33-49.

[30]DebK,PratapA,AgarwalS,etal.Afastandelitistmulti-objectivegeneticalgorithm:NSGA-II[J].IEEETransactionsonEvolutionaryComputation,2002,6(2):182-197.

[31]CoelloCAC,PulidoGT,LechugaMS.Handlingmultipleobjectiveoptimization:areviewofmethodsandexactresults[J].IEEETransactionsonEvolutionaryComputation,2004,8(2):547-562.

[32]ZavalaA.Multiobjectiveoptimizationinprocesssystems:anoverview[J].Industrial&EngineeringChemistryResearch,2014,53(4):1571-1586.

[33]IerapetritouMG,PistikopoulosEN.Multiobjectiveoptimizationinprocessengineering:apracticalapproach[J].Industrial&EngineeringChemistryResearch,2000,39(7):2519-2538.

[34]HwangCL,LeeTY.MultipleObjectiveDecisionMakingMethods[M].JohnWiley&Sons,1996.

[35]TzengGH,ChenHJ,HuangTY.Multi-objectiveoptimaldesignofahybridrenewableenergysystemincorporatingphotovoltc,dieselgenerator,andbatterystorage[J].AppliedEnergy,2007,84(8):825-837.

[36]ChakrabortyU,SahaB.Multi-objectiveoptimizationofadesalinationplantusingdifferentialevolutionalgorithm[J].Desalination,2012,287:24-31.

[37]DebK,EndresenN.Anevolutionarymany-objectiveoptimizationalgorithmusingreferencepointmethod[J].IEEETransactionsonEvolutionaryComputation,2004,8(4):294-309.

[38]VandenBergH,TeicholzL.Processsystemengineering:anintroduction[M].SpringerScience&BusinessMedia,2012.

[39]SmithR.ProcessIntegration:ASystemsApproachtoEnergy,HeatandMassTransfer[M].Butterworth-Heinemann,1995.

[40]ManesG,PistikopoulosEN.Optimaloperationofbatchchemicalplants:areview[J].Computers&ChemicalEngineering,2001,25(11-12):1887-1900.

[41]GrossmannIE.SynthesisofSeparationProcesses[J].Industrial&EngineeringChemistryResearch,1988,27(12):1217-1228.

[42]El-HalwagiMM,ManousiouthakisVI.SynthesisofWater-Removable-SolventExtractionSystems[J].ChEJournal,1989,35(1):147-155.

[43]PapadimitriouD,FloudasCA.Ageneticalgorithmfortheoptimaldesignandoperationofchemicalplants[J].ChEJournal,1993,39(10):1589-1603.

[44]KrishnamoorthyK,ChouCK,LinYJ.Optimizationofasteammethanereformerusingageneticalgorithm[J].AppliedEnergy,1996,47(2-3):161-175.

[45]TogunH,AydinH,OzturkI.Optimizationofasteammethanereformerusingartificialneuralnetworksandgeneticalgorithms[J].AppliedEnergy,2001,70(1-3):291-299.

[46]SinghR,BandyopadhyayS,SrinivasanK,etal.Optimizationofasteammethanereformerusingadifferentialevolutionalgorithm[J].AppliedEnergy,2005,82(2):111-121.

[47]ZavalaA.Evolutionarymulti-objectiveoptimizationappliedtoprocessdesignandoptimizationproblems[J].Computers&ChemicalEngineering,2013,47:1-13.

[48]IerapetritouMG,PistikopoulosEN.Multiobje