Материальные балансы многокомпонентных пилотных установок можно решать на Python, представив независимые уравнения в виде матричной системы (A\mathbf{x}=\mathbf{b}) и вычислив неизвестные расходы потоков, концентрации или глубину протекания реакций. Для полностью определенной линейной модели решение обеспечивает функция numpy.linalg.solve() из библиотеки NumPy; для недоопределенных, переопределенных или нелинейных систем требуются другие методы.

Главное — не сама команда Python, а предварительное построение физически корректной и независимой системы уравнений. Определите границы системы, выполните проверку степеней свободы, сформируйте матрицы (A) и (\mathbf{b}) с согласованными единицами измерения, а затем выберите решатель, соответствующий модели.

Преобразование пилотной установки в уравнения

Определение границ системы

Для всей пилотной установки общая граница включает внешние потоки сырья и конечные продукты, но исключает внутренние потоки между аппаратами.

Для реактора, сепаратора, смесителя или узла рецикла определите отдельную границу подсистемы и включите только те потоки, которые пересекают эту границу. Это предотвращает некорректный учет внутренних потоков в общем балансе.

Запись компонентных балансов

Для каждого нереагирующего компонента в установившемся режиме:

[ \sum \dot{n}{i,\text{in}}-\sum \dot{n}{i,\text{out}}=0 ]

где (\dot{n}_i) — молярный расход компонента (i).

Для реагирующего компонента добавьте члены генерации или потребления:

[ \sum \dot{n}{i,\text{in}}-\sum \dot{n}{i,\text{out}} +\sum_j \nu_{ij}\xi_j=0 ]

Здесь (\nu_{ij}) — стехиометрический коэффициент вещества (i) в реакции (j), а (\xi_j) — глубина протекания реакции.

Выбор независимых переменных

Вектор неизвестных может содержать:

Расходы потоков
Расходы компонентов
Концентрации или составы потоков
Расходы рециклов
Глубину протекания реакций
Неизвестные расходы вспомогательных сред, например, распределение пара по коллекторам

Для реагирующих систем использование независимой глубины протекания реакций может сократить количество неизвестных. Если определено (M) независимых реакций, количество веществ можно записать как:

[ N_i=N_{i,0}+\sum_{j=1}^{M}\nu_{ij}\xi_j ]

Это позволяет избежать введения избыточных переменных реакции.

Формирование матричной системы в Python

Интерпретация (A\mathbf{x}=\mathbf{b})

Матричное уравнение состоит из трех частей:

(A): коэффициенты при неизвестных переменных
(\mathbf{x}): неизвестные расходы, концентрации или глубины реакций
(\mathbf{b}): известные параметры сырья, спецификации и константы

Например, предположим, что два потока смешиваются, и на выходе получается 60 единиц компонента А в час. Пусть:

[ \mathbf{x}= \begin{bmatrix} F_1\ F_2\ F_3 \end{bmatrix} ]

где (F_1) и (F_2) — расходы сырьевых потоков, а (F_3) — общий выходной расход. Уравнения выглядят так:

[ F_1+F_2=100 ]

[ 0.8F_1+0.2F_2=60 ]

[ F_3-F_1-F_2=0 ]

Они принимают вид:

[ \begin{bmatrix} 1 & 1 & 0\ 0.8 & 0.2 & 0\ -1 & -1 & 1 \end{bmatrix} \begin{bmatrix} F_1\ F_2\ F_3 \end{bmatrix}

\begin{bmatrix} 100\ 60\ 0 \end{bmatrix} ]

Реализация модели с помощью NumPy

import numpy as np

A = np.array([
    [1.0, 1.0, 0.0],    # Баланс по общему расходу
    [0.8, 0.2, 0.0],    # Баланс по компоненту А
    [-1.0, -1.0, 1.0]   # Спецификация выходного потока
])

b = np.array([100.0, 60.0, 0.0])

# Проверка матрицы коэффициентов
rank_A = np.linalg.matrix_rank(A)

if rank_A < A.shape[1]:
    raise ValueError("Система недоопределена или содержит зависимые переменные.")

x = np.linalg.solve(A, b)

F1, F2, F3 = x

print(f"F1 = {F1:.3f}")
print(f"F2 = {F2:.3f}")
print(f"F3 = {F3:.3f}")

Решение примерно следующее:

F1 = 66.667
F2 = 33.333
F3 = 100.000

Правильная функция NumPy — np.linalg.matrix_rank(). Функция с именем numpy.linalg.rank() не является стандартным интерфейсом NumPy.

Выполнение надлежащей проверки степеней свободы

Подсчет неизвестных и независимых уравнений

Система имеет ноль степеней свободы, когда количество независимых уравнений совпадает с количеством независимых неизвестных.

Однако простого сравнения количества строк и столбцов недостаточно. Уравнения могут дублироваться, быть избыточными или противоречивыми.

Для квадратной системы выполните проверку:

n_equations, n_unknowns = A.shape
rank_A = np.linalg.matrix_rank(A)

print("Уравнения:", n_equations)
print("Неизвестные:", n_unknowns)
print("Ранг:", rank_A)

Для единственного решения матрица коэффициентов должна иметь полный ранговый столбец. В квадратной системе это означает:

rank_A == A.shape[0] == A.shape[1]

Различие между недоопределенными и переопределенными системами

Если независимых уравнений меньше, чем неизвестных, система недоопределена. Требуются дополнительные спецификации или измерения.

Если уравнений больше, чем неизвестных, система переопределена. Это часто случается, когда измерения на пилотной установке содержат избыточность или шум.

Используйте np.linalg.lstsq() для оценки методом наименьших квадратов:

x, residuals, rank_A, singular_values = np.linalg.lstsq(
    A, b, rcond=None
)

Это позволяет оценить переменные, которые наилучшим образом соответствуют измеренным балансам, вместо того чтобы принудительно заставлять каждое измерение точно совпадать.

Проверка согласованности, а не только ранга

Система может иметь полный ранг и при этом содержать ошибку в данных или аппарате. После решения вычислите невязку:

residual = A @ x - b

print("Вектор невязок:", residual)
print("Максимальная абсолютная невязка:", np.max(np.abs(residual)))

Для точной модели невязка должна быть близка к нулю в пределах численной погрешности.

Расширение метода на сети пилотных установок

Моделирование нескольких аппаратов

Технологическую схему, содержащую смесители, реакторы, сепараторы и петли рецикла, можно представить, объединив уравнения каждого аппарата в одну глобальную матрицу.

Например:

Запишите компонентные балансы вокруг каждого аппарата.
Добавьте уравнения, связывающие выходные потоки с входными потоками последующих аппаратов.
Добавьте спецификации по извлечению или доле разделения в сепараторах.
Добавьте стехиометрию реакций или уравнения глубины протекания.
Добавьте известные спецификации по сырью и продуктам.
Соберите все уравнения в (A\mathbf{x}=\mathbf{b}).

Внутренние потоки остаются в векторе глобальных неизвестных, даже если они сокращаются в общем балансе установки.

Включение потоков рецикла и продувки

Системы с рециклом часто создают систему одновременных уравнений, так как поток после аппарата влияет на предыдущий аппарат через петлю рецикла.

Простое линейное соотношение рецикла может выглядеть так:

[ R=\alpha(F+R) ]

что можно перегруппировать в:

[ (1-\alpha)R=\alpha F ]

Полученное уравнение можно напрямую внести в матрицу. Компонентно-специфичные доли рецикла создают дополнительные строки для каждого компонента.

Продувка моделируется аналогично путем добавления расхода или доли продувки в качестве неизвестной или спецификации.

Включение сетей пара и вспомогательных сред

Паровые коллекторы с разным давлением можно моделировать с помощью уравнений баланса расходов на коллекторах и технологических аппаратах.

Для каждого коллектора:

[ \text{пар на входе}+\text{пар сгенерированный}

\text{пар потребителям}+\text{пар на сброс}+\text{пар на выходе} ]

Вектор неизвестных может содержать расходы через коллекторы высокого, среднего и низкого давления, технологические рибойлеры, возвраты конденсата и редукционные клапаны.

Применяется тот же матричный подход, при условии, что зависящие от давления энергетические соотношения либо заданы отдельно, либо включены в подходящую модель.

Работа с нелинейными моделями пилотных установок

Когда `np.linalg.solve()` недостаточно

Прямой матричный решатель применим только тогда, когда уравнения линейны относительно неизвестных.

Нелинейное поведение возникает при:

Равновесных соотношениях
Нелинейной кинетике реакций
Свойствах, зависящих от температуры
Парожидкостном равновесии
Корреляциях перепада давления
Коэффициентах теплопередачи, зависящих от расхода
Произведениях переменных, таких как (F x_i), когда обе переменные неизвестны

Такие системы нельзя представить постоянной матрицей (A) без линеаризации.

Использование нелинейного решателя

Для нелинейных алгебраических балансов используйте SciPy:

import numpy as np
from scipy.optimize import root

def balances(x):
    F1, F2, T = x

    return np.array([
        F1 + F2 - 100.0,
        0.8 * F1 + 0.2 * F2 - 60.0,
        T - (300.0 + 0.1 * F1**2)
    ])

initial_guess = np.array([50.0, 50.0, 300.0])

solution = root(balances, initial_guess)

if not solution.success:
    raise RuntimeError(solution.message)

print(solution.x)
print("Невязки:", balances(solution.x))

Начальное приближение, масштабирование переменных и физические ограничения могут сильно влиять на работу нелинейного решателя.

Валидация результатов относительно физического процесса

Проверка закона сохранения

После решения независимо пересчитайте общие и компонентные балансы.

Для каждого компонента:

[ \text{расход на входе} - \text{расход на выходе} ]

должно равняться нулю для нереагирующего компонента или ожидаемому вкладу реакции для реагирующего компонента.

Проверка физической осуществимости

Математически верное решение может быть физически невозможным. Проверьте, что:

Расходы неотрицательны.
Мольные доли лежат в диапазоне от 0 до 1.
Сумма мольных долей равна единице.
Глубина реакции не потребляет больше реагента, чем доступно.
Доли извлечения и разделения находятся в допустимых пределах.
Значения давления и температуры находятся в пределах ограничений оборудования.

if np.any(x < 0):
    print("Предупреждение: Обнаружен отрицательный расход.")

Согласование экспериментальных измерений

Данные пилотных установок редко сходятся идеально из-за шума измерений, ошибок отбора проб, утечек, накопления и неучтенных потерь.

Для избыточных измерений сформулируйте задачу взвешенных наименьших квадратов. Веса могут отражать неопределенность измерений, чтобы более надежные приборы сильнее влияли на согласование.

Согласованный результат следует сравнивать с «сырыми» измерениями, а не рассматривать как их замену.

Понимание компромиссов

Прямое решение быстрое, но предполагает корректную модель

np.linalg.solve() эффективен и точен для хорошо обусловленных, квадратных, линейных систем.

Он не может исправить пропущенные спецификации, неверные знаки потоков, несогласованные единицы измерения или неправильно выбранные балансы.

Проверка ранга не заменяет инженерное суждение

Матрица полного ранга подтверждает алгебраическую независимость, а не физическую корректность.

Модель может иметь полный ранг, используя неверный состав, некорректный стехиометрический коэффициент или дублирующееся физическое соотношение, выраженное вводящим в заблуждение образом.

Плохая обусловленность может усиливать ошибки измерений

Даже решаемая матрица может быть плохо обусловленной. Небольшие ошибки в измеренных расходах или составах могут привести к большим изменениям в рассчитанных переменных.

Проверьте число обусловленности:

condition_number = np.linalg.cond(A)
print("Число обусловленности:", condition_number)

Очень большое число обусловленности указывает на то, что может потребоваться масштабирование, улучшение измерений, переформулировка или регуляризация.

Несогласованность единиц измерения незаметно портит результаты

Не смешивайте кг/ч, кмоль/ч, моль/с, фунт/ч или объемные единицы без явного пересчета.

Используйте одну согласованную систему единиц для каждого баланса и применяйте молекулярные веса при пересчете между массовым и молярным расходом.

Как применить это к вашей пилотной установке

Надежный рабочий процесс выглядит так:

Если ваш основной фокус — полностью определенная линейная схема: Определите независимые балансы, соберите A и b, проверьте ранг и невязки, решите с помощью np.linalg.solve().
Если ваш основной фокус — согласование экспериментальных данных: Включите избыточные измерения и используйте np.linalg.lstsq() с соответствующим взвешиванием и анализом невязок.
Если ваш основной фокус — реакторные системы: Определите независимые реакции и используйте глубину их протекания со стехиометрическими коэффициентами, чтобы избежать избыточных переменных.
Если ваш основной фокус — рецикл, равновесие или кинетика: Используйте матричный метод для линейных частей и scipy.optimize для нелинейных уравнений.
Если ваш основной фокус — валидация процесса: Проверьте сохранение компонентов, неотрицательность расходов, пределы составов, единицы измерения и соответствие измеренным данным пилотной установки.

Благодаря дисциплинированной настройке уравнений и физической валидации, Python превращает сложные многокомпонентные балансы пилотных установок в прозрачные, проверяемые и повторно используемые модели процессов.

Сводная таблица:

Ситуация моделирования	Рекомендуемый метод Python	Основные проверки
Полностью определенные линейные балансы	`numpy.linalg.solve()`	Подтверждение полного ранга, согласованных единиц и невязок, близких к нулю
Недоопределенная система	Добавление независимых измерений или спецификаций	Проверка степеней свободы
Переопределенные или зашумленные измерения	`numpy.linalg.lstsq()`	Анализ невязок и применение весовых коэффициентов измерений
Сети рецикла и продувки	Глобальная матричная модель	Включение внутренних потоков и соотношений рецикла
Реакции	Стехиометрические коэффициенты и независимая глубина реакций	Проверка доступности реагентов и согласованности реакций
Равновесие, кинетика или свойства, зависящие от расхода	`scipy.optimize.root()` или другой нелинейный решатель	Использование хороших начальных приближений, масштабирования и физических границ
Экспериментальные данные пилотной установки	Согласование методом взвешенных наименьших квадратов	Сравнение согласованных значений с "сырыми" измерениями
Любая модель процесса	Независимые проверки сохранения и осуществимости	Проверка неотрицательности расходов, составов, единиц и пределов оборудования

Нужен надежный способ моделирования вашей пилотной установки? Свяжитесь с LABPARK, чтобы обсудить учебные и профессиональные пилотные установки для химической инженерии, биопроцессов и биотехнологий, а также очистки воды и охраны окружающей среды. LABPARK помогает университетам, научно-исследовательским институтам и предприятиям создавать практические платформы для обучения и исследований с измеримыми материальными балансами, конфигурируемыми технологическими аппаратами, сетями рецикла и вспомогательных сред, а также данными, подходящими для моделирования, валидации и оптимизации процессов на Python. Расскажите нам о целевом процессе, задачах обучения или исследований и требуемом масштабе, чтобы мы могли порекомендовать подходящее решение для пилотной установки.