机器学习在化学工程中应用研究的若干进展_程全中.pdf

第 50 卷 第 9 期2022 年 9 月化学工程CHEMICAL ENGINEEING(CHINA)Vol 50 No 9Sep 2022收稿日期:2022-03-24基金项目:国家自然科学基金资助项目(22178350)作者简介:程全中(1997)，男，硕士，研究方向为溶剂萃取与过程强化，电话:[phone]，E-mail:chengquanzhong20 ipe ac cn;王勇(1979)，男，博士，研究员，通信联系人，研究方向为湿法冶金与溶剂萃取，E-mail:wangyong ipe ac cn。传质过程及设备机器学习在化学工程中应用研究的若干进展程全中1，2，谭博仁1，2，王勇1，3，齐涛1，3(1 中国科学院过程工程研究所，北京100190;2 中国科学院大学，北京100190;3 中国科学院赣江创新研究院，江西 赣州341119)摘要:随着计算机算力的提高与数学算法的不断突破，机器学习作为一种科学研究方法逐渐在化学工程中的过程优化、故障诊断等领域得到了应用，了解机器学习在化工中的研究进展对拓展化工领域的科研方法，改变传统的科研范式有较大意义。文章通过综述机器学习在萃取、精馏等单元操作中的应用场景及其使用的算法，归纳出化工数据用于机器学习的优势和劣势，提出采用机器学习模型对复杂多维非线性关系进行预测和对生产过程进行整体优化，是提高生产连续化和自动化水平的重要手段和方向。最后对机器学习应用于化工中其他领域(如计算流体力学、系统工程等)进行了展望。关键词:机器学习;算法;优化;工业互联网;单元操作;连续化;自动化中图分类号:TQ 011文献标识码:A文章编号:1005-9954(2022)09-0023-07DOI:10 3969/j issn 1005-9954 2022 09 005Progress of application of machine learning in chemical engineeringCHENG Quan-zhong1，2，TAN Bo-ren1，2，WANG Yong1，3，QI Tao1，3(1 Institute of Process Engineering，Chinese Academy of Sciences，Beijing 100190，China;2 University of Chinese Academy of Sciences，Beijing 100190，China;3 Ganjiang Innovation Academy，Chinese Academy of Sciences，Ganzhou 341119，Jiangxi Province，China)Abstract:As a scientific research method，machine learning has been applied in multiple fields of chemicalengineering，such as process optimization and fault diagnosis This phenomenon is a result from the improvement ofcomputing power and the continuous breakthrough of mathematical algorithms It is momentous to investigate thecurrent progress of machine learning in chemical engineering，which is of great significance for expanding scientificresearch methods in the field of chemical engineering and changing the traditional scientific research paradigm Theadvantages and disadvantages of using the data of chemical engineering in machine learning were summarized byreviewing the application scenarios and the algorithms of machine learning in extraction，distillation and other unitoperations The application of machine learning models in predicting the complex multi-dimensional nonlinearrelationships and optimizing the overall production process is an important means and direction to improve thecontinuity and automation of production Finally，the application of machine learning in other fields of chemicalengineering(such as computational fluid dynamics，systems engineering，etc)were also discussed in this paperKey words:machine learning;algorithm;optimization;industrial internet;unit operation;continuity;automation过去的二十年，机器学习在化学、化工、能源、医疗、光伏、半导体制造和钢铁等行业中越来越受到重视1-4。人类与化工的关系十分密切，一些化工产品在人类发展历史中，起着划时代的重要作用，它们的生产和应用，代表着人类文明的一定历史阶段5。根据2020 年石油和化学工业经济运行报告，全行业规模以上企业实现营业收入11 08 万亿元，占全国规模工业营业收入的 10 4%，化工行业营收利润率为 6 51%。国家统计局数据显示，2020年规模以上工业企业的平均利润率为 7 25%，化工化学工程2022 年第 50 卷第 9 期投稿平台Https:/imiy cbpt cnki net行业的体量虽然很大，但利润率却低于平均值。工业互联网是互联网、大数据、人工智能(AI)与实体经济深度融合的新模式6，国家推进“5G+工业互联网”，就是要支撑实体经济提质增效、绿色发展。将 AI，特别是机器学习(ML)8 应用于化工领域，是推进化工行业工业互联网建设，促进化工产业高质量发展的重要措施。图灵奖得主 Gray 在“科学方法的革命”演讲中提出，将科学研究分为 4 类范式，依次为实验归纳、模型推演、仿真模拟和数据密集型科学发现7。其中，“数据密集型科学发现”，也就是现在的将 ML用于科学研究的方法。化工是紧随人类文明出现的传统行业，而 AI 是近年来迅速发展的新兴技术9，事实上，早在 20 世纪 50 年代，AI 作为一门学科就已经被正式提出了10，60 年代研究者开始尝试研究 AI 在化工中的应用，1983 年由 ychner 等开发出化工中的第一个专家系统 CONPHYDE11，用于预测复杂液体混合物的热物理性质。AI 从专家系统12 到机器学习再到深度学习13 的发展过程中，研究者们一直在努力将最新的 AI 算法运用到故障诊断14、过程控制15 等化工应用场景中。本文将从萃取、精馏、结晶、流态化等单元操作的应用角度出发，综述机器学习与化工结合的研究进展，并对未来化工过程与机器学习结合的发展趋势进行展望。1机器学习在萃取中的应用萃取是利用液液体系中各组分在溶剂中溶解度的不同来分离混合物的单元操作，广泛应用于化工、冶金、食品、石油炼制等行业中。Plathottam 等16 针对分离稀土元素混合物的最佳溶剂萃取工艺设计问题，利用深度强化学习(DL)构建了萃取流程模型来实现所需的分离效果，并得到进料 pH 值、萃取剂浓度、体积流量等所需的操作参数值。评估模型时发现:可以通过调整权重和训练时间来使模型更加偏重于提高纯度或者提高收率，这种灵活性可以适应不同的生产工艺，并且模型生成的流程工艺可以和传统的优化方法设计的工艺相媲美。Hemmati 等17 利用人工神经网络(ANN)和响应面法(SM)对脉冲板环塔的分散相持液量、滑移速度和特征速度进行了预测，以脉冲强度、界面张力、连续相速度和分散相速度 4 个变量为响应，统计参数的结果显示，用 ANN 和 SM 对溶剂萃取过程建立的模型的平均相关系数(2)值分别为 0 996和 0 987，说明两个模型都具有较高的准确性，可以用于萃取塔参数的预测，而且与响应面法相比，神经网络能更好地模拟溶剂萃取过程。Oeing 等18 用正常状态和液泛状态下共 2 688张萃取塔的照片对卷积神经网络(CNN)进行训练以预测萃取塔是否会发生液泛，预测的准确率为99 7%。随后，他们又在模型中加入了类激活映射(CAM)来识别图像中哪些部分对决策的影响最大，发现图像中两相流动部分是决定是否液泛的决定性因素，而其他部分(比如图片的背景、法兰等零部件)几乎不会影响判断，这说明了模型的决策过程是合理的。Swetha 等19 使用随机森林(F)结合自动编码器的随机森林(AF)来预测转盘塔的持液量和液滴直径。结果表明，F 模型预测持液量的平均相对误差(AAE)为 18 29%，AF 的 AAE 为 26 26%，F 模型预测液滴尺寸的 AAE 为 15 79%，AF 的AAE 为 20 44%。F 预测较好的原因可能是输入变量的独立性较强，而自动编码器破坏了各个变量的独立性。综上所述，已有工作探索了 ML 应用于萃取设备水力学和传质参数预测、工艺设计以及故障诊断的可行性，结果较好，但 ML 方法的选择很重要，不同的任务要选择最适合的方法才得到较好的效果。2机器学习在精馏中的应用精馏是利用混合物中各组分挥发度不同而将各组分分离的一种单元操作，是工业上应用最广的化工分离操作，广泛用于石油、化工、轻工、食品、冶金等行业。Battisti 等20 开发了一种通过两相封闭热虹吸管提供热量的降膜蒸馏装置，为了评估该装置对乙醇-水二元混合物蒸馏过程的强化能力，把进料温度、蒸发器温度和进料流量 3 个参数作为输入变量，用基于 ANN 的模型对馏出物的收率等参数进行了预测，在设置了合适的 ANN 模型参数之后，所有预测数据的 2均大于 0 95，并用遗传算法(GA)得到了最佳操作条件，使该装置的运行性能达到预期。Subramanian 等21 用两种广泛使用的“白盒”机器学习方法SINDy 法和 Symeg 法提取出了精馏塔的动力学方程。使用 SINDy 从数据中提取的动力学模型具有更好的性能，大多数变量的准确率高于 80%，但抗扰动能力不强;使用 Symeg 的模型预42程全中等机器学习在化学工程中应用研究的若干进展投稿平台Https:/imiy cbpt cnki net测准确率较低，但给出的方程更加简单，且抗扰动能力更强，这可能是因为 SINDy 更易过拟合，而 Sym-eg 容易欠拟合。这项工作表明了 ML 在识别动力学方程方面的可行性，并且比单纯的数据驱动模型更具备可解释性反应精馏(D)是一种过程强化手段，但反应精馏过程复杂，经常会出现催化剂失活等异常运行现象，Ge 等22 以甲酸强化生产为例，提出了一种基于 CNN 的复杂 D 故障检测与诊断模型，将带有测量噪声的过程数据转化为 m 个时间点和 n 个过程变量组成的二维时序数据，通过对不同结构的 CNN进行训练，得到的最合适的 CNN 对 13 种故障的预测精度为 91 31%，错判原因是一些相似的故障会出现误判，总体来说仍有改进的空间。Onel 等23 针对经典 Tennessee Eastman 过程提出了一种基于支持向量机(SVM)的方法来进行故障诊断，首先收集特定故障运行时的过程数据与正常运行时的过程数据，并用这些数据为 21 种故障训练故障诊断模型。在工业环境中进行测试时，这些故障特异性模型对正在进行的过程进行实时监测，并对每一种故障独立的生成“是”或“非”的检测结果。该模型可以区分精馏塔内部、外部的故障，比如回流故障、再沸器热负荷变化、进料变化，塔板损坏等，预测结果显示:识别 21 种故障的平均准确率为89 97%。近年来，随着分布式控制系统的广泛应用，工厂得以收集到海量的过程数据24，Kundu 等25 利用现有的石化炼油厂的原油蒸馏装置的数据建立了一个预测炼油厂原油精馏塔入口温度和炉盘管出口温度的随机森林模型，并用测试集对模型进行了评估，该模型的 2=0 993 7，MSE=0 372 1，表明模型的预测性能很好，可以实际运用于工厂生产。这些使用数据驱动的软传感器已经成功地应用于化工的很多领域26-27，如测量气力输运时的固体流量28、测量 SU 脱硫系统中 SO2和 H2S 的流量29 等。Qiu 等30-31 开发了一种数据驱动分析框架来求解丙烯/丙烷分离精馏塔(EHIDiC)的最低年化总成本(TAC)。首先使用 Aspen Plus 耦合 MATLAB 来获取模拟数据并用主成分分析(PCA)等方法对数据进行预处理，然后用径向基函数网络(BFN)和遗传算法的数据驱动模型来逼近 6 个输入变量和 TAC之间的非线性关系，发现压缩机的资金成本和运行成本是 TAC 的最大影响因素，而外热交换器的布置方式是减小 TAC 的关键，并提出了一种改进的EHIDiC 方案，该方案提高了提馏段到精馏段的蒸汽焓，减少了 TAC。无论是工艺上还是理论上，精馏都是一个早已成熟的单元操作，很多模拟软件如 ASPEN 都可以实现对精馏塔的高精度模拟优化，但 ML 的应用可以使复杂的模拟变得简单和自动化，易于工业的实际部署。3机器学习在结晶中的应用结晶是溶液由于过饱和而析出晶体的过程，是常见的分离操作。Manee 等32 用 4 种不同的 DL 算法(A2C、PPO、SAC、TD3)来计算半间歇结晶器的最佳配置来控制晶体的平均尺寸和方差。结果显示，4 种算法都能快速达到目标，策略代理方法(A2C 和 PPO)和非策略代理方法(SAC 和 TD3)都能控制晶体的平均尺寸，而非策略代理方法既能控制晶体的平均尺寸，又能控制晶体的方差。悬浮液冻结结晶(SFC)法是处理液态危险废物(LHWs)的有效方法，但该方法复杂、耗时、成本高。Yuan 等33 利用 ANN 和 F 两种方法，建立了 8 种LHWs 的 SFC 处理性能预测模型，将 COD、TOC 等作为输入变量，去除效率作为输出变量。结果显示，两种方法的 MSE 分别为 0 032 3 和 0 048 1，2分别为 0 981 1 和 0 961 5，说明两种方法都可以较好地预测去除效率。该工作可以代替 SFC 实验以减少有毒废物对实验人员的伤害，还可应用于智能决策系统，实时调整处理条件以提高去除效率。在制药过程中，小分子药物的溶解度对结晶过程有很大影响。Ma 等34 使用随机深度森林(DF)和 ANN 建立了两个预测模型，采用混合焓、溶剂相互作用能等对溶解过程有明确物理意义的参数作为输入变量，以 120 种药物在乙醇中的溶解度数据进行训练。在测试集上的测试结果显示，DF 模型预测值的 2=0 954，MSE=0 449，ANN 模型预测值的 2=0 979，MSE=0 323，两种模型的精度都可以满足预测要求，ANN 的精度稍高一点。多元线性回归和逐步回归结果表明，活性药物成分的性质和溶质的溶解作用是影响溶解度的重要因素，其效果大致相同，而溶质-溶剂相互作用对溶解度的影响并不显著。针对蔗糖结晶过程，Meng 等35 构建了基于最小二乘支持向量回归(LSSV)的数据驱动模型，以糖料糖度、真空度等易测参数作为输入变量，输出糖52化学工程2022 年第 50 卷第 9 期投稿平台Https:/imiy cbpt cnki net料的晶体粒度分布(CSD)参数，用粒子群优化(PSO)算法对 LSSV 模型的正则化参数和核函数进行优化，建立了 PSO-LSSV 模型。验证结果显示:CSD 预测值的 2=0 9993，MSE 小于 0 005，表明该模型可以准确的预测蔗糖结晶的 CSD 参数。Zhang 等36 开发机器学习与计算机辅助设计的分子设计手段来设计和筛选现在工业上广泛应用的各种芳香分子，建立了一个 MILP/MINLP 模型，并采用基于分解的算法进行求解，发现 C9H18O2分子比现有产品具有更强的香味。Chai 等37 将这种方法扩展至结晶溶剂的设计，以 2-巯基苯并噻唑为例，采用大产品设计模型对工业结晶过程中的溶剂进行筛选，并得到了 6 种候选溶剂，结果表明:从这6 种候选溶剂得到的产品纯度均高于 99%，而目前工业上使用的溶剂(甲苯)的纯度为 98 58%。结晶对操作条件很敏感，很多实验费时费力，而利用机器学习进行参数预测、系统优化、产品设计可以很大程度上节省人力物力。4机器学习在流态化中的应用固体流态化是固体颗粒在流体的作用下呈现出与流体相似的流动性能的现象，流态化技术已被广泛应用于炼油、化工、冶金、轻工、动力等工业部门。Chew 等38 用 F 和 ANN 模型探索循环流化床提升管中各流态化特性之间的相互影响。他们用材料类型、操作条件等过程参数作为输入变量，局部质量流量、浓度等作为输出变量来训练 F 和 ANN 模型。结果显示:提升管位置对局部质量通量影响最大，其次是颗粒特性，其他参数的影响因素影响较小。ANN 模型的 20 9 且 MSE 0 04。这说明不同的机器学习方法可以组合使用以提高总体的性能，同时使模型更具有可解释性。能量最小多尺度(EMMS)39 方法是李静海等提出的针对气-固流态化系统发展的基于结构分解和稳定性条件封闭的多尺度方法，该方法经过几十年的发展，已经拓展到单相湍流和液-液两相流等领域40-41。Yang 等42 把空隙率、黏度等参数作为输入变量来预测曳力系数的不均匀性指数，用实验和从文献中收集到的 9000 万组数据对 ANN 进行了训练，并把模型用于计算流体力学(CFD)模拟中。结果显示两种模型对曳力系数不均匀性指数预测的平均相对误差都在 10%以内，但 ANN-EMMS 模型的计算速度是常规 EMMS 模型的约 40 倍。Nikolopou-los44 等也有类似的研究。以上研究表明用机器学习加速 CFD 计算也是一个很有前景的研究方向。Sezer 等45 用 ANN 对鼓泡流化床气化炉中生物质合成气的值进行了研究，用 Aspen Plus 构建了训练所用的数据集，采用 Levenberg-Marquardt 算法对 ANN 进行训练，选择 16 种不同生物质的氧、氢和碳含量等作为模型的输入参数来预测。测试结果表明预测值的 2都在 0 99 以上，说明该模型已经抽象出了与各元素含量之间的关系，可以用于不同生物质的预测。最小流态化速度(Umf)受到操作条件和两相性质的影响，是流态化研究中的重要参数，一般是采用经验关联式计算。Zhou 等46 用文本挖掘技术从40 000篇文献中提取了包含颗粒直径、颗粒密度等8个参数的 Umf数据库，然后用这些数据训练 ANN 模型，经过测试集的评估，模型的 MSE=0 11，2=0 874，表明该模型具有较高的准确性。You 等47 采用了 4 种不同的数据驱动模型(SVM，ANFIS，MLP 和 F)对城市固体废弃物在循环流化床锅炉中的燃烧过程进行了模拟，对燃烧过程中能量和质量之间的转化关系进行了量化。在对我国生活垃圾的特点进行分析后，选用固废给料速度、煤给料速度等参数作为输入变量，以固废热值作为输出变量。结果显示:SVM 训练时间只需要028 s，预测精度也达到了 87 5%，综合性能较好。综上，在流态化领域看到了一些运用机器学习的新思路，即用机器学习加速 CFD 模拟、用文本挖掘来从海量文献中搜索过程数据和用化工模拟软件来生成训练数据集，这些普适性的方法在其他化工领域也是很有借鉴意义的。5机器学习在其他单元操作中的应用除以上外，机器学习方法在吸收、过滤等其他化工单元操作的预测和优化中也得到了一些重要应用。Flores 等48 使用智利北部采矿作业产生的 4 个数据集，对 3 种预测浸出铜回收率的模型(F，SVM，ANN)进行了详细比较。使用总加酸量、铜总品位浸出比等参数作为输入变量，以铜的回收率作为输出变量，并把各个连续的变量值进行了离散，从而把回归问题转化成了分类问题。测试结果显示:各个数据集的分类精度都在 99 9%以上。Agnese 等49 首先用 CFD 模拟不同几何条件和运行参数下多孔介质的过滤情况，得到渗透率和沉积速率，以此构建数据集，并对 ANN 进行训练，预测62程全中等机器学习在化学工程中应用研究的若干进展投稿平台Https:/imiy cbpt cnki net结果显示:单分散情况的平均误差为 3 24%，多分散情况的平均误差为 2 69%，并且相比于 CFD，ANN 模型不需要复杂的数学运算，几乎可以立即输出结果。Amar 等50 使用 Levenberg-Marquardt 算法优化了级联神经网络(CFNN)，用来预测硫在硫化氢和酸性气体混合物中的溶解度，结果表明:两种气体混合物体系预测值的 MSE 分别为 3810 1 和 0.023 2。灵敏度分析显示:压力和温度对硫溶解度的影响最大。Sahai 等51 用人工神经网络预测粗管的压降，以代替莫迪图，模型的预测误差小于 5%，他们计划开发一个图形界面，供人们在网站上免费使用。Song 等52 使用 ANN-GC 模型预测二氧化碳的溶解度，结果显示大多数预测偏差都接近于 0，极少数比例显示绝对误差高于 0 1，最大绝对偏差在0.20 左右，可以较为准确地预测不同温度和压力下二氧化碳在离子阱中的溶解度。6结语(1)数据方面，机器学习需要大量数据来进行训练，但有些情况下的数据获取困难，或获取成本较高，制约了机器学习的应用。但化工数据格式规整，且几乎全是数值型数据，因此只需要进行适当的预处理(如降维、样本和变量选择、归一化等53-56)就能使 数 据 质 量 得 到 较 大 的 提 升，使 模 型 更 加高效57。(2)模型选择方面，同样是由于化工数据类型的简单性和单一性，使得模型的多样性受到限制，多集中于 SVM、ANN、F 等有限几个模型;不同算法的组合使用也较少，使模型的深度也受到限制。但从预测结果来看，简单的模型也能获得很高的精度，有些复杂的模型反而会使精度降低。因此模型的选择并不是越复杂越好，复杂模型可能会使数据中包含的部分物理规律被忽略58。(3)应用场景方面，机器学习主要集中在化工过程的监测与控制、故障诊断和系统优化中，因为这几个场景的数据量足够多且在化工中最为常见。针对目前的研究，提出以下展望:(1)未来的趋势是工业互联网和数字孪生，随着过程系统工程的发展，整体优化和分布式机器学习模型59 也将在化工生产中广泛应用，以前的仪器测量+人工决断的操作方式也可能会逐步发展为全部由机器学习进行操作的智能工厂模式，工厂的过程数据也得以在云端汇聚，从而在根本上解决机器学习数据集不足的问题。(2)机器学习会向着化学工程里更深的领域渗透，比如与 CFD 的协同计算，辅助偏微分方程的求解，实现计算机的资源的高效配置;根据几何外形特征表达等已知信息，实现流场的图形重构、流型识别，结合第一性原理的混合建模实现高精度预测与参数修正60 等。参考文献:1NAASINGAM A，SANG-IL KWON J Data-driven i-dentification of interpretable reduced-order models usingsparse regression J Computers Chemical Engineer-ing，2018，119:101-111 2ONEL M，BEYKAL B，WANG M C，et al Optimalchemical grouping and sorbent material design by dataanalysis，modeling and dimensionality reduction tech-niquesJ Comput-Aided Chem En，2018，43:421-426 3BEYKAL B，BOUKOUVALA F，FLOUDAS C A，et alGlobal optimization of grey-box computational systemsusing surrogate functions and application to highly con-strained oil-field operationsJ Computers ChemicalEngineering，2018，114:99-110 4ASSOULINE D，MOHAJEI N，SCATEZZINI J LQuantifying rooftop photovoltaic solar energy potential:Amachine learning approach J Sol Energy，2017，141:278-296 5李国庭 化工设计概论M 北京:化学工业出版社，2015 6余晓晖，刘默，蒋昕昊，等 工业互联网体系架构2.0 J 计算机集成制造系统，2019，25(12):14 7HEY T，TANSLEY S，TOLLE K The fourth paradigm:data-intensivescientificdiscovery M edmond，Washington:Microsoft esearch，2009 8JODAN M I，MITCHELL T M Machine learning:Trends，perspectives，and prospects J Science，2015，349(6245):255-260 9USSELL S，NOVIG P Artificial intelligence:A mod-ern approach M Englewood Cliffs，NJ:PrenticeHall，1995 10 谭铁牛 人工智能的历史、现状和未来J 智慧中国，2019(z1):87-91 11 BANAES-ALCANTAA，WESTEBEG A W，YCHENE M D Development of an expert system forphysical property predictions J Computers ChemicalEngineering，1985，9(2):127-142 12 WATEMAN D A A guide to expert systemsM Massachusetts:Addison-WesleyLongmanPublishing72化学工程2022 年第 50 卷第 9 期投稿平台Https:/imiy cbpt cnki netCo，Inc，1985 13 GOODFELLOW I，BENGIO Y，COUVILLE A Deeplearning M Cambridge:MIT Press，2016 14 HOSKINS J，KALIYU K，HIMMELBLAU D M Faultdiagnosis in complex chemical plants using artificial neu-ral networksJ AIChE Journal，1991，37(1):137-141 15 BASILA J M，STEFANEK G，CINA A A model-object based supervisory expert system for fault tolerantchemical reactor controlJ Computers ChemicalEngineering，1990，14(4/5):551-560 16 PLATHOTTAM S J，ICHEY B，CUY G，et al Sol-vent extraction process design using deep reinforcementlearningJ Journal of Advanced Manufacturing andProcessing，2021，3(2):e10079 17 HEMMATI A，GHAEMI A，ASADOLLAHZADEH MSM and ANN modeling of hold up，slip，and character-istic velocities in standard systems using pulsed disc-and-doughnut contactor columnJ Separation Science andTechnology，2021，56(16):2734-2749 18 OEING J，NEUENDOF L M，BITTOF L，et alFlooding prevention in distillation and extraction columnswith aid of machine learning approachesJ ChemieIngenieur Technik，2021，93(12):1917-1929 19 SAASWATHI K S，BHOSALE H，OVHAL P，et alandom Forest and Autoencoder Data-Driven Models forprediction of dispersed-phase holdup and drop size in ro-tating disc contactorsJ Industrial EngineeringChemistry esearch，2020，60(1):425-435 20 BATTISTI，CLAUMANN C A，MANENTI F，et alMachine learning modeling and genetic algorithm-basedoptimization of a novel pilot-scale thermosyphon-assistedfalling film distillation unit J Separation and Purifica-tion Technology，2021，259:118122 21 SUBAMANIAN，MOA ，SINGH S White-boxmachine learning approaches to identify governing equa-tions for overall dynamics of manufacturing systems:Acase study on distillation column J Machine Learningwith Applications，2021，3:100014 22 GE X，WANG B，YANG X，et al Fault detection anddiagnosis for reactive distillation based on convolutionalneural network J Computers Chemical Engineering，2021，145:107172 23 ONEL M，KIESLICH C A，PISTIKOPOULOS E N Anonlinear support vector machine-based feature selectionapproach for fault detection and diagnosis:Application tothe Tennessee Eastman processJ AIChE Journal，2019，65(3):992-1005 24 WANG F Y A big-data perspective on AI:Newton，Merton，and analytics intelligence J IEEE IntelligentSystems，2012，27(5):2-4 25 KUNDU D，KHANOLKA T，SHAH T，et al Applica-tion of machine learning technique to predict crude distil-lation column inlet temperature/furnace coil outlet tem-perature in order to maximize distillate yield and to mini-mize fuel firing in furnacesJ International Journal ofComputer Applications，2021，975:8887 26 MAMU A Soft contact:Measurement and interpreta-tion of contact anglesJ Soft Matter，2006，2(1):12-17 27 QIAO J，CHAI T Soft measurement model and its appli-cation in raw meal calcination processJ Journal ofProcess Control，2012，22(1):344-351 28 ZHANG P，YANG Y，HUANG Z，et al Machine learn-ing assisted measurement of solid mass flow rate in hori-zontal pneumatic conveying by acoustic emission detec-tion J ChemicalEngineeringScience，2021，229:116083 29 KE W，HUANG D，YANG F，et al Soft sensor devel-opment and applications based on LSTM in deep neuralnetworks C/Proceedings of the 2017 IEEE SymposiumSeries on Computational Intelligence(SSCI)IEEE，2017 30 QIU P，HUANG B，DAI Z，et al Data-driven analysisand optimization of externally heat-integrated distillationcolumns(EHIDiC)J Energy，2019，189:116177 31 QIU P，HUANG B，DAI Z，et al Data on propylene/propane separation by the externally heat-integrated dis-tillation column(EHIDiC)using data-driven analysis J Data in Brief，2020，30:105559 32 MANEE V，BAATTI，OMAGNOLI J A Optimalstrategies to control particle size and variance in antisol-ven