Https://doi.org/10.1021/acs.oprd.6c00279

引言：连续制造时代的分离 "短板"

连续制造在化学与制药行业的关注度持续升温，因为它有望提升工艺效率、产品质量并强化过程集约化。然而，一个显著的不平衡长期存在：连续合成与反应工程进展迅速，连续分离与纯化技术的预测建模和快速设计方法却明显滞后。文献计量数据清晰呈现了这一差距 —— 关于连续制药制造 / 合成的出版物达 5412 篇，涉及分离 / 纯化者 4548 篇，而叠加建模 / 机器学习 / 数字孪生维度后分别骤降至 1637 篇和 628 篇（详见该文 Figure 1，该图统计了 Web of Science 1995-2025 年四组布尔检索式命中的年度出版物数量）。

蒸馏作为工业分离的支柱技术，其严格机理模拟依赖 MESH 方程（物料平衡、相平衡、摩尔分数加和、焓平衡）的非线性代数系统迭代求解，设计空间探索动辄需要数千次重复模拟，对缺乏商业模拟软件经验的使用者极不友好。本文提出了一套完全基于第一性原理机理模拟训练、无需任何实验蒸馏数据、也无需 ChemCad 或 AspenPlus 等商业工具的机器学习代理框架，目标是把蒸馏塔设计变成交互式实时活动。

案例设定：沙丁胺醇连续制造中的在线纯化

框架以沙丁胺醇硫酸盐连续先进制造技术（AMT）平台为案例（流程示意详见该文 Figure 2）。上游层流反应器中，溴代二醇经 SN2 胺化生成胺化沙丁胺醇中间体，为驱动反应完全并清除酸性 HBr 副产物，需显著过量的挥发性胺试剂叔丁胺（TBA）；蒸馏塔必须处理含非挥发性沙丁胺醇中间体、TBA・HBr 络盐、工艺溶剂及大量未反应 TBA 的多变进料。

各组分的大气压沸点与相对挥发度构成分离基础（纯组分热力学常数详见该文 Table 1）：TBA 45.0 ℃；甲醇 64.7 ℃（相对挥发度 αTBA/MeOH≈1.70，存在严重的最低共沸物）；乙醇 78.4 ℃（α≈2.49，无共沸）；异丙醇 82.4 ℃（α≈2.76，VLE 包络最宽）；沙丁胺醇中间体 376.8 ℃（相对所有组分 ΔTBP>330 ℃，完全非挥发）。高沸点差保证了中间体全部留在液相，系统可视为伪二元体系。

方法论：机理模拟器 + 神经网络的组合拳

框架核心（总览详见该文 Figure 3）是一条三层流水线：VLE 神经网络 → 逐级机理蒸馏模拟器（GMRES 求解）→ 基于合成数据训练的代理神经网络 + 耦合优化器。

机理模拟器：以 JAX 科学计算库实现逐级平衡蒸馏，每级由 MESH 方程支配，牛顿迭代中线性化残差系统用广义最小残差法（GMRES）求解（收敛容差 10⁻⁵，100 步内未收敛者剔除）。JAX 的即时编译与 vmap 向量化使数千种不同塔构型可批量并行评估，数据生成时间从数天缩短至数小时。VLE 采用嵌入的可微神经网络（EquiNet 数据训练的 YModel 与 PSatModel，Flax 实现，3 层 64 单元、Swish 激活、约 8000 参数）而非封闭式活度系数表达式，保证整个模拟器可编译可向量化。

数据集生成：对理论级数 N∈{2,...,19}、全部有效进料级位置、50 个进料组成（0.05-0.95）、50 个回流量（0.05-10.0）与 9 个馏出物分数进行系统网格扫描。收敛率随沸点差增大而上升（详见该文 Table 2）：甲醇 / TBA 85.5%、乙醇 / TBA 92.0%、异丙醇 / TBA 99.1%，最终收敛样本数分别为 329 万、354 万、381 万。

代理模型：输入为 9 个标量特征（详见该文 Table 3），包括物理衍生特征 —— 相对进料级位置（f/N，对塔尺寸不变）、回流比与馏出物流的自然对数（压缩长尾分布）、质量平衡上限 mlimit=min (1,xTBA,feed/D)（蒸馏物中 TBA 摩尔分数的显式物理上界）。输出采用相对增量形式（蒸馏物富集 Δdist 与底部耗竭 Δbot），避免网络在大范围进料浓度上预测绝对组成的系统偏差。网络为 [128→256→512→256→128] 对称瓶颈结构全连接前馈网络，批归一化、GELU 激活、10% dropout，约 53 万参数。

训练策略：采用逆密度加权 MSE 损失（详见正文公式），提升稀有但重要的高纯度高塔板工况权重 —— 加权训练使共沸区（x∈[0.20,0.24]）MAE 降低 18%；事后等渗回归校准修正原始预测的系统性偏差（高者调低、低者调高且不反转排序）。AdamW 优化、早停、梯度裁剪、学习率衰减，批次 512。

结果：亚毫秒预测与高精度验证

训练收敛：甲醇 / TBA 69 轮、异丙醇 / TBA 83 轮、乙醇 / TBA 74 轮（损失曲线详见该文 Figure 4），权重在最优验证损失轮次保存。

预测精度（校准后指标详见该文 Table 4）：全部三个体系六个输出 MAE 均低于 0.005 mol/mol、R² 高于 0.9996，且 ≤0.01 mol/mol 误差占比 85.9%-97.5%。

校准奇偶图（详见该文 Figure 5）显示预测与真实值沿对角线紧密聚集。这一精度比同类蒸馏代理工作的 ±0.05 mol/mol 基准高出一个数量级 —— 绝对误差低于 0.005 mol/mol 已足以支撑初步塔径设计。

端到端列设计验证（详见该文 Figure 6）：在 1000 个采样工况下，超过 93% 的代理推荐设计在机理模拟器中以 ±0.010 mol/mol 容差达成目标纯度（甲醇 / TBA 93.0%、异丙醇 / TBA 94.7%、乙醇 / TBA 93.7%）。正的中位纯度残差表明代理略微保守 —— 设计通常略超规格，这正是工艺设计期望的行为。

计算效率（详见该文 Table 5）：单次预测 0.93-0.98 ms（相对模拟器 22.6-23.0 ms 约 24 倍加速）；批量推理（1024 样本）仅 0.0021-0.0022 ms / 样本（加速 1 万倍以上）；完整 Pareto 设计扫描（N=2-19）1.05-6.31 s 完成 —— 均在单 CPU 内核上实现。

应用：从交互式设计到药物案例验证

框架提供两种推理模式：模式 A 直接预测（给定完整塔构型返回馏出物 / 底部组成），模式 B 目标纯度求根（Brent 算法求解满足目标馏出物纯度的最小回流比）。DesignOptimizer 遍历全部 (N, 进料级) 组合构建 Pareto 最优集（资本成本 - 运营成本权衡曲线），推荐设计采用 N×RD 最小化准则（N 正比于塔高、RD 正比于蒸汽负荷）。

案例研究（详见该文 Table 6，进料 xTBA,feed=0.08、D/F=0.46、目标馏出物纯度 0.13）：三个溶剂体系被清晰区分 —— 异丙醇 / TBA 给出良定义 Pareto 前沿（推荐 N=8、RD=0.80），乙醇 / TBA 需要大得多的分离投入（N=15、RD=5.4），甲醇 / TBA 在整个塔板范围内无可行设计（共沸限制）。代理不经过任何严格模拟或实验，就正确识别出异丙醇为操作上最优的溶剂，与实验选溶结论一致。

Aspen Plus 基准（详见该文 Figure 7）：216 个匹配工况 / 体系下，代理预测与 Aspen RadFrac（NRTL 参数回归至相同 EquiNet VLE 数据）均匀吻合，异丙醇 / TBA 体系 MAE 0.0053/0.0044、乙醇 / TBA 0.0085/0.0071、甲醇 / TBA 0.0110/0.0087（馏出物 / 底部）；改用 Aspen 数据库 NRTL 参数则偏差放大 5-9 倍，印证 EquiNet 衍生 VLE 更忠实于实测相行为。

实验对照：推荐异丙醇设计移除 74.8% 的进料胺，与实验报道的约 75% 相当；底部残留胺预测 0.037 mol/mol，与实验值 0.032（计入盐结合当量后）接近。8 个中试塔实验运行中，代理预测底部组成与实验偏差全部在 0.008 mol/mol 以内（Expts 1-5），两个采集馏出物样本的运行偏差分别为 0.017 与 0.032。

结论与展望