💻 computer science

Superstructure Optimization with Embedded Neural Networks for Sustainable Aviation Fuel Production

本研究引入一种将人工神经网络嵌入混合整数二次约束规划模型的多目标优化框架，以确定具有成本效益的可持续航空燃料生产路径，结果表明，结合自热重整与生物质气化的混合配置提供了最具经济性的零排放解决方案，同时显著优于固定参数设计。

原作者： Alexander Klimek, Christoph Plate, Sebastian Sager, Kai Sundmacher, Caroline Ganzer

发布于 2026-04-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Alexander Klimek, Christoph Plate, Sebastian Sager, Kai Sundmacher, Caroline Ganzer

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

1. 问题情境：用乐高制造飞机燃料

我们需要在不使用化石燃料（石油）的情况下，利用木材（生物质）或空气中的二氧化碳（CO₂）来制造飞机燃料。然而，这一过程极为复杂。

原料：包括木材、水、空气、电力等多种材料。
工艺：涉及加热、加压、引发化学反应等无数步骤。
目标：以最低的成本生产出最清洁的燃料。

以往的研究通过简化这一复杂过程来进行计算。这好比假设“烹饪时始终只开小火，且按固定比例混合食材”。但实际上，只要稍微调整火力大小或食材用量，结果（燃料的质量与价格）就会发生巨大变化。

2. 解决方案：雇佣一位“聪明的厨师（人工智能）”

本研究的核心在于将**人工智能（ANN，人工神经网络）**直接嵌入到数学优化模型中。

传统方式：如同阅读乐高拼装说明书，仅遵循"A 部件连接 B 部件即得到 C"的固定规则。
本研究方式：不依赖说明书，而是雇佣一位积累了实际经验的“聪明厨师（AI）”。这位厨师能够根据“今天电费较贵，那就稍微调小火力，换个木材种类”等具体情况实时做出决策。

该 AI 通过 Aspen Plus 专业模拟程序进行了数万次实验学习，因此能够准确预测复杂化学反应中的非线性（非直线）关系。

3. 研究结果：哪种组合表现最佳？

研究人员利用该 AI 对数千种组合进行了模拟，得出了以下惊人结果：

① 若只考虑成本？（化石燃料）

若不考虑二氧化碳排放，寻找最便宜的方法，利用天然气（化石燃料）的方式具有压倒性的成本优势（约 0.79 美元/千克）。但这种方法对环境危害极大。

② 若考虑环境？（生物质 + 碳捕集）

若要减少排放，必须通过燃烧**木材（生物质）制造气体，或直接从空气中吸收 CO₂（DAC）**将其转化为燃料。

最佳组合：将天然气（ATR）与木材（生物质）适当混合，并将剩余的 CO₂ 埋入地下（碳捕集），这种方式成本效益最高（约 2.38 美元/千克）。
仅用纯木材？ 仅使用木材成本略高（约 2.43 美元/千克），但仍比仅使用天然气并去除 CO₂ 的方式更便宜。
仅用空气？ 仅利用空气中的 CO₂ 制造燃料，价格高达 10.8 美元，因能耗过高而完全不切实际。

③ 最重要的发现：“灵活性”能省钱

本研究最大的成果在于AI 能够观察情况并调整条件。

固定模式：即使电费上涨，仍按相同条件生产燃料。
灵活模式（本研究）：若电费上涨，AI 会立即调整：“那就多烧些木材，改变反应器的温度和压力”。
结果：通过这种灵活应对，成本最高可降低 20%。这就像“天冷开暖气，天热开空调”的智能家居一样，系统能自动寻找最佳状态。

4. 结论：我们能学到什么？

本论文向我们传递了两个重要信息：

没有简单的解决方案：若要 100% 清洁地制造飞机燃料，成本将非常高昂。但目前，**混合木材与天然气并采用碳捕集技术的“混合策略”**是最现实的妥协方案。
AI 不仅仅是计算器：AI 的作用不仅是加快计算速度，更是通过实时调节工厂的温度、压力和原料比例，找出我们未曾想象的优化组合。

一句话总结：

“若要环保地制造飞机燃料，必须让 AI 根据情况灵活运营工厂，这样可节省 20% 以上的成本，而适当混合木材与天然气是最明智的方法。”

这项研究展示了在设计未来环保能源系统时，基于数据和 AI 的灵活思维远比固定规则更为重要。

技术摘要：用于可持续航空燃料生产的嵌入神经网络的超结构优化

问题陈述
航空业的脱碳需要大规模生产可持续航空燃料（SAF），特别是煤油范围的碳氢化合物（C8–C16）。设计经济和环境影响最优的 SAF 生产路径是一个复杂的多维优化问题。它涉及大量的原材料（生物质、捕获的 CO2、可再生 H2）、中间化学工艺和转化技术。传统的超结构优化方法通常依赖于过度简化的假设，例如线性过程模型、固定操作条件和集总组分表示。这些简化无法捕捉 SAF 合成中至关重要的非线性热力学关系和组分依赖性行为，特别是在费托（FT）转化等过程中，产物选择性对操作参数高度敏感。此外，现有方法往往缺乏灵活性，无法在考虑详细混合物组分和碳管理策略的同时，对离散过程选择和连续操作变量（如温度、压力、进料组分）进行同步优化。

方法论
作者提出了一种先进的多目标优化框架，将人工神经网络（ANNs）作为数据驱动的代理模型，集成到混合整数二次约束规划（MIQCP）公式中。

超结构公式化：该框架将生产网络建模为具有明确过程入口和出口端口的一般化图。与传统方法不同，物流被表示为混合物，其中质量分数是决策变量。这允许对过程拓扑和物流组分进行同步优化。
嵌入 ANNs：为了解决关键子过程的非线性问题，同时避免使优化变得不可行，三个关键过程——生物质气化、逆水煤气变换（RWGS）和 FT 合成——使用基于严格 Aspen Plus®模拟数据训练的 ANNs 进行建模。这些 ANNs 捕捉了输出组分、选择性和能量需求对操作条件（如反应器温度、压力、入口比率）的非线性依赖关系。
数学集成：训练好的 ReLU 激活 ANNs 通过混合整数线性规划（MILP）重构（利用优化与机器学习工具包 OMLT）嵌入到 MIQCP 问题中。这种方法在准确表征复杂非线性行为的同时，保持了全局优化的计算可行性。
优化目标：该框架求解一个多目标问题，在系统性地约束总 CO2 排放量（包括生产和燃烧）的同时，最小化总年度化成本（CAPEX 和 OPEX）。使用 $\epsilon$ -约束法生成帕累托最优前沿。
系统边界：本研究考虑了一个全面的超结构，包括生物质气化（芒草、小麦秸秆、松木屑）、天然气的自热重整（ATR）、直接空气捕获（DAC）、水电解和碳封存（CS）。

主要贡献

先进的 MIQCP 公式化：开发了一种超结构公式，明确将物流组分作为决策变量纳入，从而实现网络中质量分数的优化。
嵌入代理建模：成功将 ANNs 集成到全局优化框架中以模拟非线性过程行为，使得操作条件（温度、压力、进料组分）能够作为决策变量而非固定参数进行处理。
在基于 FT 的 SAF 中的应用：将该框架应用于通过 FT 合成煤油，展示了其处理复杂混合物约束和碳管理的能力。
灵活性的证明：证明了通过神经网络代理在单元操作层面允许更大的自由度，与固定参数设计相比，能在成本和 CO2 强度方面带来更优越的系统性能。

结果

成本与排放的权衡：在无 CO2 排放约束的情况下，最低成本配置完全依赖基于化石燃料的 ATR 路线（约 0.79 美元/公斤煤油），排放较高（约 4.47 公斤 CO2/公斤）。施加碳约束则必须整合生物质气化和 DAC-CS。
最优路径：在零排放极限下，结合 ATR 和生物质气化的混合配置实现了最低成本（约 2.38 美元/公斤），紧随其后的是仅生物质气化（约 2.43 美元/公斤）。两者均优于仅采用 ATR 并配合 DAC-CS 的路径（约 2.65 美元/公斤）。
仅 DAC 的局限性：完全依赖大气 CO2（DAC）和水电解的路径被证明成本过高（约 10.8 美元/公斤），突显了使用完全氧化碳源的热力学和经济惩罚。
碳减排：基于生物质的 SAF 的 CO2 减排成本估计约为 390 美元/吨 CO2。实现净零或负排放需要碳封存；仅靠生物质是不够的，因为供应链存在排放。
适应性与固定设计的对比：一项敏感性分析比较了“可适应”（优化操作条件）与“固定”（预定条件）的设计，结果显示适应性可带来高达 20% 的成本节约。最优操作参数（如 FT 反应器压力、气化温度）会随电价等外部因素发生显著变化。
热集成：热集成的经济效益取决于设计。它在基于生物质的系统中提供边际节约（约 7%），但在依赖 DAC 的系统中变得至关重要（约 14% 的节约），这是由于 CO2 解吸的高热需求所致。

意义与主张
本文主张，所提出的方法论通过在严格的数学框架内实现离散系统决策和连续操作参数的联合优化，克服了传统基于超结构方法的固有局限性。通过嵌入数据驱动的代理模型，本研究证明，考虑可变物流组分和非线性过程行为对于识别真正最优的 SAF 生产路线至关重要。结果强调，具有成本效益且符合气候目标的 SAF 生产取决于引入热力学上有利的碳形式（生物质或甲烷），而不是完全氧化的 CO2。此外，研究强调，根据不断变化的技术经济环境调整过程操作条件的灵活性是经济性能的关键且常被忽视的驱动因素，相较于静态设计方法可提供显著的成本降低。作者指出，虽然该框架具有稳健性，但其准确性取决于用于训练 ANNs 的基础过程模拟的保真度，未来的工作可以扩大范围，纳入更多的子过程和下游升级技术。