Response Surface Methodology for Modelling and Multi-Objective Optimization of Fouling-Induceddegradation in Shell-and-Tube Heat Exchangers

技术摘要：利用响应面法对管壳式换热器结垢诱导退化进行建模与多目标优化

问题陈述
管壳式换热器（STHEs）是工艺、动力和炼油工业中的关键资产，但由于结垢（沉积物或颗粒物的堆积）和腐蚀，其性能会发生渐进性损失。这些机制增加了热阻，降低了总传热系数（$U$），并提高了压降（$\Delta P$），从而导致能量损失、非计划清洗以及潜在的管路失效。虽然操作条件（如入口温度、质量流量和运行时间）会影响这些退化速率，但它们之间复杂的非线性相互作用往往难以被充分理解。现有的文献通常孤立地对结垢阻力进行建模，或者依赖于缺乏物理可解释性的“黑箱”机器学习方法，且无法同时优化热性能、性能指标和水力目标。此外，很少有研究在单一统计框架内探讨结垢与腐蚀作为一种共同退化过程的耦合性质。

研究方法
本研究采用响应面法（RSM）对 STHE 的退化进行建模与优化，使用了包含 5,000 个观测值的模拟操作数据集。该数据集涵盖了 80 种不同的操作场景，其中入口温度范围为 44.88°C 至 130.12°C，质量流量为 3 至 7 kg/s，运行时间为 8 至 8,759 小时。样本包含了腐蚀主导型（2,729 个观测值）和结垢主导型（2,271 个观测值）两种机制的混合。

分析流程遵循八步 RSM 过程：

1. 变量选择： 选择了三个可控因素（入口温度、质量流量、运行时间）和三个响应变量（结垢阻力 $R_f$、总传热系数 $U_{overall}$ 和压降 $\Delta P$）。
2. 编码： 将因素重新缩放至无量纲的 [-1, +1] 范围，以便进行系数比较和数值调节。
3. 模型拟合： 使用普通最小二乘法（OLS）为每个响应变量拟合全二次（二阶）多项式模型。
4. 显著性检验： 通过方差分析（ANOVA）识别显著的线性项、交互项和二次项。
5. 残差诊断： 使用正态概率图、残差与拟合值图、直方图和顺序图对模型进行验证，以检查正态性、常数方差和独立性。
6. 可视化： 生成主效应图、交互作用图和三维响应面，以解释变量间的相互作用。
7. 多响应优化： 应用复合期望函数（Harrington/Derringer–Suich）来同时最小化 $R_f$ 和 $\Delta P$，并最大化 $U_{overall}$。
8. 解释： 根据模型的充分性和物理合理性对最优操作点进行批判性评估。

主要贡献
本文确定了对该领域的五项具体贡献：

1. 联合三响应框架： 不同于以往侧重于单一响应的 RSM 研究，本研究从同一数据集中开发并验证了三个相互独立但又共同优化的二次曲面，分别对应热学（$R_f$）、性能（$U_{overall}$）和水力（$\Delta P$）退化。
2. 中等模型拟合度的诊断用途： 研究将中等的 $R^2$ 值重新定义为一种机制性的发现，而非仅仅将其视为局限性。$R_f$ 模型较低的拟合度（$R^2 \approx 0.60$）被明确诊断为数据集中两种共存退化机制（结垢与腐蚀）的统计特征，而非 RSM 方法的失效。
3. 集成多响应优化： 研究在所有三个响应变量上同时应用期望函数，生成了一个具有单一物理可解释性的操作建议，而非相互冲突的单响应最优解。
4. 透明处理外推风险： 作者明确识别并处理了在优化边界处出现的物理上不可能的负值 $R_f$ 预测，区分了具有方向可靠性的工程指导与数值不可靠的点估计。
5. 可解释性： 该框架提供了一种透明的闭式多项式替代方案，用于取代黑箱机器学习模型，能够提供可追溯的系数和交互结构，供工艺工程师使用。

结果

• 结垢阻力 ($R_f$)： 模型达到了中等拟合水平（$R^2 = 0.598$）。入口温度是主导因素，表现出强烈的正效应。质量流量表现出显著的负效应（减轻结垢）。显著的交互项和二次项证实了非线性行为。残差诊断显示出异方差性和右偏性，这归因于数据集中结垢与腐蚀两种不同机制的混淆。
• 总传热系数 ($U_{overall}$)： 该模型表现出极佳的预测性能（$R^2 = 0.997$）。质量流量是主导因素，显著增强了传热。入口温度由于结垢作用表现出负效应。模型在极端条件下呈现出收益递减现象。
• 压降 ($\Delta P$)： 该模型实现了近乎完美的拟合（$R^2 \approx 1.000$）。质量流量及其二次项是仅有的显著因素，证实了在固定几何结构下，$\Delta P$ 几乎完全受流量控制，与温度或时间无关。
• 多响应优化： 优化确定了以下最佳条件：
  • 入口温度： 低温（约 44.88°C）。
  • 质量流量： 中等范围（约 5.015 kg/s）。
  • 运行时间： 延长（约 8,410 小时）。
  • 复合期望度： 0.68。
  • 注意事项： 在此最优值处，原始 $R_f$ 模型预测了一个物理上不可能的负值，这强调了在使用该模型进行边界处的精确数值预测时需保持谨慎。

意义与主张
论文声称，RSM 提供了一个实用的、统计严谨的框架，用于预测退化并改进操作策略，而不会像深度学习或神经网络那样丧失可解释性。文章断言，将结垢与腐蚀视为一个耦合的、经统计建模的过程，优于孤立的单机制模型。研究强调，中等的模型拟合度可以作为检测退化数据中隐藏类别结构的有效诊断工具。

作者总结道，所提出的框架允许操作人员有效地平衡热学与水力退化。他们指出，特定的操作建议（低温度、中等流量、长时间运行）是一个基于考虑交互作用的模型所导出的可验证假设。然而，论文对于立即部署持谨慎态度，承认结果是基于模拟数据，并且 $R_f$ 模型需要通过引入退化机制作为显式的类别因子来提高预测精度。该研究旨在为实现完全可部署的工厂特定决策支持工具奠定基础，待实验验证及设计空间扩展后进一步完善。