Die Erweiterung der dynamischen Optimierung von der binären auf die Mehrkomponenten-Batch-Destillation verändert das Problem von einer Trajektorie mit einer einzigen Zusammensetzung in ein gekoppeltes, höherdimensionales Regelungsproblem. Für ein Gemisch mit (n_c) Komponenten benötigt das Modell im Allgemeinen (n_c-1) unabhängige differentielle Komponentenbilanzen für die Flüssigkeitszusammensetzungen im Sumpf sowie eine Gesamtbilanz des Flüssigkeitsinventars. Die Optimalsteuerungsformulierung muss dann eine adjungierte Variable für jede unabhängige Zusammensetzung enthalten, und die Rücklaufstrategie hängt von der Sensitivität jeder Dampfzusammensetzung gegenüber jeder Flüssigkeitszusammensetzung ab.

Die zentrale Veränderung besteht in der Dimensionalität und Kopplung: Die Mehrkomponentenoptimierung erfordert zusätzliche Zustands- und adjungierte Gleichungen, während thermodynamische Wechselwirkungen dazu führen, dass jede Regelungsentscheidung mehrere Komponentenverläufe gleichzeitig beeinflusst.

Warum sich die binäre Formulierung ändern muss

Das binäre System besitzt eine unabhängige Zusammensetzung

Für ein binäres Gemisch bestimmt die Angabe eines Flüssigkeitsmolenbruchs den anderen, da die Zusammensetzungen zusammen eins ergeben:

[ x_1 + x_2 = 1 ]

Das dynamische Modell kann daher neben der gesamten Flüssigkeitsmenge im Sumpf (M) eine einzige unabhängige Zusammensetzung als Zustand verwenden, beispielsweise (x_1).

Eine vereinfachte Sumpfbilanz kann wie folgt geschrieben werden:

[ \frac{dx_1}{dt} = \frac{x_1-y_1}{M}\frac{dM}{dt} ]

wobei (y_1) die Dampfzusammensetzung am Austritt aus dem Sumpf ist, die durch die Beziehung des Dampf-Flüssigkeits-Gleichgewichts bestimmt wird.

Mehrkomponentensysteme erfordern mehrere Zusammensetzungszustände

Für (n_c) Komponenten gilt für die Molenbruchbedingung:

[ \sum_{i=1}^{n_c}x_i=1 ]

Nur (n_c-1) Flüssigkeitszusammensetzungen sind unabhängig. Das dynamische Modell umfasst daher:

[ x_1,;x_2,;\ldots,;x_{n_c-1} ]

Die letzte Zusammensetzung wird aus folgender Gleichung bestimmt:

[ x_{n_c}=1-\sum_{i=1}^{n_c-1}x_i ]

Das Modell verfolgt außerdem das gesamte Sumpfinventar (M). Im Vergleich zum binären Fall erweitert sich der Zustandsvektor somit von einem Zusammensetzungszustand auf (n_c-1) Zusammensetzungszustände zuzüglich des Inventarzustands.

Wie sich das dynamische Modell erweitert

Für jede unabhängige Komponente wird eine Bilanz benötigt

Für jede unabhängige Komponente (i) besitzt die Sumpfbilanz die allgemeine Form:

[ \frac{d(Mx_i)}{dt}=-Vy_i ]

wobei (V) der Dampfstrom und (y_i) der Dampf-Molenbruch der Komponente (i) ist.

Durch die Kombination dieser Bilanz mit der Gesamtbilanz des Inventars ergibt sich ein System gekoppelter Differentialgleichungen für die Flüssigkeitszusammensetzungen. Die genaue Form hängt von den gewählten Betriebsvariablen, den Definitionen der Stoffströme und davon ab, ob das Modell eine detaillierte Kolonnenbeschreibung oder ein reduziertes Rayleigh-Modell verwendet.

Dampfzusammensetzungen werden zu gekoppelten Funktionen

In einem binären Modell kann die Dampfzusammensetzung häufig als Funktion einer unabhängigen Flüssigkeitszusammensetzung und der Betriebsbedingungen betrachtet werden:

[ y_1 = y_1(x_1,u) ]

Für ein Mehrkomponentengemisch hängt jede Dampfzusammensetzung vom vollständigen Vektor der Flüssigkeitszusammensetzung und der Regelgröße (u) ab, beispielsweise vom Rücklaufverhältnis oder vom Wärmeeintrag:

[ y_i = y_i(x_1,x_2,\ldots,x_{n_c-1},u) ]

Das bedeutet, dass eine Änderung einer Flüssigkeitszusammensetzung mehrere Dampfzusammensetzungen gleichzeitig verändern kann. Thermodynamische Nichtidealitäten, Druck, Temperatur und die Betriebsbedingungen der Kolonne können diese Wechselwirkungen zusätzlich verstärken.

Auch das algebraische thermodynamische Modell wächst

Bei jedem Integrationsschritt müssen möglicherweise das Dampf-Flüssigkeits-Gleichgewicht und in einem detaillierten Kolonnenmodell stufenweise Stoff- und Energiebilanzen gelöst werden. Der Optimierer verarbeitet daher sowohl:

Differenzielle Zustände, beispielsweise das Sumpfinventar und unabhängige Flüssigkeitszusammensetzungen.
Algebraische Variablen, beispielsweise Dampfzusammensetzungen, Temperaturen, Stufenzusammensetzungen und Stoffströme.

Eine detaillierte Implementierung wird üblicherweise als System differentiell-algebraischer Gleichungen und nicht als einfache Menge gewöhnlicher Differentialgleichungen dargestellt.

Wie sich die Formulierung nach Pontrjagin verändert

Der Hamiltonian enthält mehr Zustands- und adjungierte Terme

Sei der unabhängige Zustandsvektor:

[ \mathbf{x}= \begin{bmatrix} M & x_1 & x_2 & \cdots & x_{n_c-1} \end{bmatrix}^{T} ]

Der Hamiltonian für mehrere Komponenten kann allgemein wie folgt ausgedrückt werden:

[ H = L(\mathbf{x},u,t) +\lambda_M f_M(\mathbf{x},u,t) +\sum_{i=1}^{n_c-1}\lambda_i f_i(\mathbf{x},u,t) ]

Hierbei gilt:

(L) ist das laufende Zielfunktional, sofern eines vorhanden ist.
(f_M) beschreibt die Inventardynamik.
(f_i) beschreibt die Zusammensetzungsdynamik für die Komponente (i).
(\lambda_M) ist die dem Inventar zugeordnete adjungierte Variable.
(\lambda_i) ist die der unabhängigen Zusammensetzung (x_i) zugeordnete adjungierte Variable.

Im binären Fall gibt es typischerweise nur eine adjungierte Variable für die unabhängige Zusammensetzung. Die Mehrkomponentenformulierung fügt (n_c-2) zusätzliche adjungierte Variablen für die Zusammensetzungen hinzu.

Die adjungierten Gleichungen werden zu einem gekoppelten System

Jede adjungierte Variable entwickelt sich gemäß:

[ \frac{d\lambda_j}{dt}

-\frac{\partial H}{\partial x_j} ]

für jeden Zustand (x_j). Da jede Dampfzusammensetzung von allen unabhängigen Flüssigkeitszusammensetzungen abhängen kann, enthalten die resultierenden adjungierten Gleichungen Kreuzsensitivitätsterme wie:

[ \frac{\partial y_i}{\partial x_j} ]

für mehrere Kombinationen von (i) und (j).

Die einer Komponente zugeordnete adjungierte Variable spiegelt daher nicht nur deren direktes Trennverhalten wider, sondern auch, wie eine Änderung ihrer Flüssigkeitszusammensetzung die Verdampfung der anderen Komponenten beeinflusst.

Die Stationaritätsbedingung für den Rücklauf wird komplexer

Für eine optimale Regelung im Inneren des zulässigen Bereichs erfüllt die Regelgröße häufig eine Stationaritätsbedingung der Form:

[ \frac{\partial H}{\partial u}=0 ]

In einem Mehrkomponentensystem enthält diese Ableitung Beiträge aus allen Komponentenbilanzen:

[ \frac{\partial H}{\partial u}

\frac{\partial L}{\partial u} + \lambda_M\frac{\partial f_M}{\partial u} + \sum_{i=1}^{n_c-1} \lambda_i \frac{\partial f_i}{\partial u} ]

Das optimale Rücklaufverhältnis wird daher durch die gewichtete Wirkung der Regelgröße auf den gesamten Zusammensetzungsvektor bestimmt und nicht durch das Verhalten eines einzigen binären Zusammensetzungspaars.

Falls die Stationaritätsbedingung keine zulässige Lösung im Inneren besitzt, kann das Optimum an einer Rücklaufgrenze liegen. Dies ist insbesondere bei der praktischen Optimierung von Pilotanlagen wichtig, bei der Rücklaufverhältnisse, Wärmeeintrag und Batchdauer physikalischen Grenzen unterliegen.

Wie Zielfunktion und Nebenbedingungen formuliert werden

Das Optimierungsziel ändert sich grundsätzlich nicht

Das Problem kann weiterhin als Optimierung der Mindestzeit, der maximalen Destillatmenge oder der Wirtschaftlichkeit formuliert werden.

Ein Problem mit minimaler Zeit kann beispielsweise die Minimierung von:

[ J=t_f ]

anstreben, unter Nebenbedingungen für die Reinheit und die Rückgewinnung des Endprodukts. Ein Problem mit maximaler Destillatmenge maximiert dagegen die gesammelte Produktmenge über einen festgelegten Betriebszeitraum.

Die Erweiterung auf mehrere Komponenten verändert die Dimensionen von Zuständen und Nebenbedingungen, das betriebliche oder experimentelle Ziel kann jedoch gleich bleiben.

Produktspezifikationen werden zu Mehrkomponenten-Nebenbedingungen

Bei einer binären Trennung können die Reinheit einer Komponente und deren Rückgewinnung vorgegeben werden. Eine Mehrkomponentenaufgabe muss möglicherweise mehrere Produkteigenschaften beschränken, beispielsweise:

Molenbrüche der Schlüsselkomponenten.
Rückgewinnung einer leichten oder schweren Schlüsselkomponente.
Maximale Verunreinigungsgehalte.
Gesamtmenge an Destillat oder Rückstand.
Spezifikationen für Rücklaufströme oder Zwischenfraktionen.

Diese Nebenbedingungen müssen mit den verfügbaren Freiheitsgraden konsistent bleiben. Bei einer bestimmten Destillationsaufgabe begrenzt der thermodynamische Pfad im Allgemeinen, wie viele unabhängige Produktspezifikationen gleichzeitig vorgegeben werden können.

Aufeinanderfolgende Schnitte erfordern Entscheidungen auf Aufgabenebene

Die Mehrkomponenten-Batch-Destillation wird häufig als Abfolge von Aufgaben organisiert: Hauptschnitte, Übergangsschnitte, Zwischenfraktionen und Rückführungen.

Eine praktische Aufgabe kann anhand zweier unabhängiger Entscheidungsvariablen definiert werden, beispielsweise anhand des Zielmolenbruchs einer Schlüsselkomponente und ihrer fraktionellen Rückgewinnung bezogen auf das Ausgangsmaterial der Aufgabe. Nachfolgende Aufgaben übernehmen dann die durch frühere Aufgaben erzeugte Zusammensetzung des Rückstands oder der Zwischenfraktion.

Entscheidungen früherer Aufgaben wirken sich nachgelagert aus

Eine Rücklaufentscheidung oder ein Schnittpunkt in einer frühen Aufgabe verändert die Zusammensetzung und das Inventar, die in nachfolgende Aufgaben eingehen. Folglich ist eine Optimierung mit mehreren Schnitten sequenziell gekoppelt, selbst wenn die einzelnen Aufgaben separat gelöst werden.

Bei der numerischen Bewertung von Gradienten müssen nur die betroffene Aufgabe und die nachfolgenden Aufgaben erneut optimiert werden. Lösungen für vorangehende Aufgaben können beibehalten werden, da spätere Entscheidungen den bereits abgeschlossenen Vorgang nicht verändern.

Was sich numerisch verändert

Die Optimierungsdimension nimmt zu

Mit (n_c-1) unabhängigen Zusammensetzungen werden die Zustands- und adjungierten Systeme größer, wenn die Anzahl der Komponenten zunimmt. Der Optimierer muss außerdem mehr Zusammensetzungsnebenbedingungen und möglicherweise mehr algebraische VLE-Berechnungen verarbeiten.

Dadurch steigen die Kosten jeder dynamischen Simulation und jeder Gradientenauswertung.

Die Parametrisierung der Regelung wird wichtiger

Die Parametrisierung des Regelungsvektors kann Rücklauf- oder Wärmeeintragsverläufe mithilfe stückweise konstanter oder stückweise glatter Intervalle darstellen. Der Optimierer bestimmt dann den Regelungswert in jedem Intervall zusammen mit den Aufgabendauern oder Schnittzeiten.

Für eine Pilotanlage sind stückweise konstante Rücklaufprofile häufig nützlich, da sie leichter umzusetzen und mit experimentellen Betriebsabläufen zu vergleichen sind. Außerdem liefern sie eine praktische Näherung an kontinuierlich variierende optimale Regelungen.

Die Qualität der Gradienten wird entscheidend

Finite Differenzen sind einfach anzuwenden, können jedoch mit wachsender Modellgröße kostspielig und empfindlich gegenüber Simulationstoleranzen werden. Jede Störung kann das erneute Lösen eines dynamischen Mehrkomponentenproblems und bei einem Betrieb mit mehreren Aufgaben aller betroffenen nachgelagerten Aufgaben erfordern.

Gradienten auf Basis adjungierter Variablen oder Sensitivitäten werden wertvoller, da sie die Kreuzabhängigkeiten zwischen Flüssigkeitszusammensetzungen, Dampfzusammensetzungen und Regelgrößen systematisch berücksichtigen.

Die Modellvalidierung wird anspruchsvoller

Das erweiterte Modell muss überprüft werden anhand von:

Stoffbilanzen der Komponenten.
Gesamterhaltung der Stoffmenge.
Physikalischen Grenzen der Zusammensetzungen.
VLE-Berechnungen.
Druck- und Temperaturverhalten der Kolonne.
Gemessenen Produktreinheiten und Rückgewinnungen.
Beobachteten Schnittübergängen und Batchzeiten.

Eine Lösung, die mathematisch optimal ist, aber von den Messungen der Pilotanlage abweicht, ist kein betrieblich zuverlässiges Optimum.

Die Abwägungen verstehen

Mehr Komponenten führen zu einer realistischeren, aber schwierigeren Optimierung

Die Mehrkomponentenformulierung kann das tatsächliche Fraktionierverhalten einschließlich Zwischenfraktionen und Rückführströmen optimieren. Der Preis dafür ist ein größeres, stärker nichtlineares Modell mit einer stärkeren Kopplung der Zustände.

Eine binäre Näherung kann für eine erste Analyse nützlich sein, möglicherweise jedoch die Anreicherung von Verunreinigungen, Wechselwirkungen zwischen Schlüsselkomponenten und die tatsächliche Lage optimaler Schnittzeiten nicht erfassen.

Ein höherer Rücklauf kann die Trennung verbessern, aber die Produktivität verringern

Eine Erhöhung des Rücklaufs verstärkt im Allgemeinen die Rektifikation, kann jedoch auch den Energiebedarf erhöhen und die für das Sammeln einer bestimmten Produktmenge erforderliche Zeit verlängern.

Der Optimierer muss Reinheit, Rückgewinnung, Batchdauer und Medienverbrauch gegeneinander abwägen, anstatt den Rücklauf als unabhängige Einstellung für die Reinheit zu behandeln.

Mehr Nebenbedingungen können das Problem unlösbar machen

Nicht jede Kombination aus Reinheit, Rückgewinnung, Ausbeute und Batchzeit ist in einer Aufgabe physikalisch erreichbar. Karten der Mehrkomponentendestillation beschränken die zulässigen Produktverläufe.

Wenn die Spezifikation nicht erfüllbar ist, besteht die richtige Reaktion darin, Anforderungen über aufeinanderfolgende Schnitte hinweg zu lockern oder neu zu verteilen und nicht einfach die Toleranzen des numerischen Optimierers zu erhöhen.

Vereinfachte Modelle können wichtige Verhaltensweisen verbergen

Abkürzungsmodelle reduzieren die Rechenzeit, erfassen jedoch möglicherweise nicht die Bodeneffizienz, den Flüssigkeitsinhalt, Druckeffekte, Wärmeverluste, nichtideale Thermodynamik oder die dynamische Transiente der Kolonne.

Für frühe Auslegungsstudien kann ein reduziertes Modell ausreichend sein. Für die Validierung an einer Pilotanlage und die Ableitung von Betriebsempfehlungen sollte das Modell diejenigen Effekte enthalten, die die gemessene Trennung wesentlich beeinflussen.

Die richtige Wahl für Ihr Ziel treffen

Die geeignete Formulierung hängt davon ab, was das Pilotanlagenexperiment oder die Produktionsstudie nachweisen soll.

Wenn Ihr Hauptfokus auf Reinheit und Rückgewinnung liegt: Verwenden Sie (n_c-1) unabhängige Zusammensetzungsbilanzen, ein explizites Mehrkomponenten-VLE-Modell und Produktspezifikationen für die relevanten Schlüsselkomponenten.
Wenn Ihr Hauptfokus auf maximaler Produktivität liegt: Formulieren Sie ein Ziel für maximale Destillatmenge oder maximalen Gewinn, das Produktausbeute, Batchzeit, Rücklaufleistung und Medienverbrauch gegeneinander abwägt.
Wenn Ihr Hauptfokus auf sequenzieller Fraktionierung liegt: Optimieren Sie jeden Schnitt anhand von Entscheidungen zur Zusammensetzung und Rückgewinnung der Schlüsselkomponenten und übertragen Sie dabei die Rückstands- und Rücklaufzusammensetzungen in nachgelagerte Aufgaben.
Wenn Ihr Hauptfokus auf Recheneffizienz liegt: Verwenden Sie eine Parametrisierung des Regelungsvektors, übernehmen Sie die Lösungen nicht betroffener vorangehender Aufgaben und ziehen Sie Sensitivitäts- oder adjungierte Gradienten anstelle wiederholter finiter Differenzen in Betracht.
Wenn Ihr Hauptfokus auf der Genauigkeit der Pilotanlagenabbildung liegt: Validieren Sie das dynamische Mehrkomponentenmodell anhand von Komponentenbilanzen, VLE-Verhalten, Temperaturprofilen, gemessenen Reinheiten, Rückgewinnungen und Batchdauer.

Das wesentliche Prinzip besteht darin, die Mehrkomponenten-Batch-Destillation als gekoppeltes dynamisches Vektorsystem zu behandeln, dessen optimale Rücklaufstrategie durch das gemeinsame Verhalten aller unabhängigen Zusammensetzungen bestimmt wird.

Zusammenfassungstabelle:

Aspekt	Binäre Trennung	Mehrkomponententrennung
Unabhängige Zusammensetzungszustände	1	n_c - 1
Dynamisches Modell	Einzelne Zusammensetzungstrajektorie und Inventarbilanz	Gekoppelte Komponentenbilanzen und Inventardynamik
Thermodynamik	Die Dampfzusammensetzung hängt hauptsächlich von einer Flüssigkeitszusammensetzung ab	Jede Dampfzusammensetzung hängt vom vollständigen Vektor der Flüssigkeitszusammensetzung ab
Optimale Regelung	Basiert auf einer Zusammensetzungstrajektorie	Gleicht die Auswirkungen von Rücklauf oder Wärmeeintrag auf alle Komponenten aus
Adjungierte Gleichungen	Typischerweise eine adjungierte Variable für die Zusammensetzung	Eine adjungierte Variable für jede unabhängige Zusammensetzung sowie für das Inventar
Produktspezifikationen	Üblicherweise ein Ziel für Reinheit und Rückgewinnung einer Schlüsselkomponente	Mehrere Spezifikationen für Reinheit, Verunreinigungen, Rückgewinnung, Ausbeute und Schnitte
Numerische Anforderungen	Geringerer Simulations- und Gradientenauswertungsaufwand	Anspruchsvollere VLE-Berechnungen, Sensitivitätsanalysen und Validierung
Prioritäten der Pilotanlage	Grundlegende Reinheit und Rückgewinnung	Reinheit, Rückgewinnung, Produktivität, Energieverbrauch, Schnittübergänge und Modelltreue

Planen Sie eine Studie zur Mehrkomponenten-Batch-Destillation? Kontaktieren Sie LABPARK, um Ihre Anforderungen zu besprechen. LABPARK bietet Pilotanlagen für Bildungs- und Berufsausbildungseinheiten in der Verfahrenstechnik, für Bioprozess- und Biotechnologieanwendungen sowie für Umwelt- und Wasseraufbereitungsanwendungen. Unsere Pilotanlagen unterstützen Universitäten, Forschungsinstitute und Unternehmen bei der Bewertung von Mehrkomponenten-Trennstrategien unter realistischen dynamischen Betriebsbedingungen, mit konfigurierbarer Rücklauf- und Wärmeeintragsregelung, der Analyse von Produktreinheit und Rückgewinnung sowie der Validierung von Prozessen im Pilotmaßstab. Arbeiten Sie mit LABPARK zusammen, um ein System auszuwählen, das Lehre, Forschung, Prozessentwicklung und zuverlässige Entscheidungen zur Maßstabsübertragung unterstützt.