没有合适的资源?快使用搜索试试~ 我知道了~
工程3(2017)161研究智能流程制造-展望过程系统工程师伊恩·大卫·洛克哈特·贝恩斯伦敦大学学院化学工程系过程系统工程中心,伦敦WC1E 7JE,英国ARt i clEINf oA b s tRAC t文章历史记录:2016年11月24日收到2017年1月16日修订2017年1月17日接受2017年3月16日在线发布保留字:智能制造过程系统工程不确定性灵活性优化基于模型的控制本文讨论了智能制造对过程工业和过程系统工程(PSE)研究人员提出的挑战。在实现工厂和现场范围的优化方面已经取得了很大的进展,但基准测试会给人更大的信心。讨论了过程系统工程师在开发使能工具和技术方面面临的技术挑战,包括灵活性和不确定性、响应性和敏捷性、鲁棒性和安全性、混合物性质和功能的预测以及新的建模和数学范式。利用大数据中的智能来推动敏捷性将需要应对新的挑战,例如如何通过漫长而复杂的供应链确保数据的一致性和机密性。建模挑战也存在,并涉及确保所有关键方面都正确建模,特别是在健康,安全和环境问题需要准确预测特定位置的少量但关键的量的情况下。环境问题将要求我们更密切地跟踪所有分子物种,以便它们被最佳地用于创造可持续的解决方案。可能会导致颠覆性的商业模式,特别是新的个性化产品,但这很难预测。© 2017 The Bottoms.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版这是CC BY-NC-ND下的开放获取文章许可证(http://creati v ecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍智能制造是大多数主要经济体的优先事项,包括美国,中国和欧盟。它主要是在更好地利用大数据方面,即测量和市场数据,以及机器内部的连接,特别是使用物联网。虽然全面和及时的数据和大规模连接是这场革命的必要条件,但它们还不够。同样重要的是要有智能算法,以便智能和及时地使用数据。这是过程系统工程(PSE)的领域。过程制造中,产品大多是具有流体性质和分子差异的连续流体或固体流,与机械制造相比,存在不同的挑战。本文回顾了智能过程制造的前景,以及PSE、其研究和实践社区在充分利用这一点方面革命这是一个简短的观点,所以参考文献是非常有选择性的,并不意味着是全面的。智能制造革命分为三个阶段:• 厂企一体化、全厂优化,• 开发制造智能,以及• 创造颠覆性的商业模式。这三个阶段在过程工业中都有共鸣。第一阶段已经在进行中,PSE社区一直处于提供工具和技术以促进集成设计和操作的先锋地位。第二阶段的想法和研究结果表明,整个供应链可以更加无缝地整合,以便更快速、有效和可持续地提供产品;然而,这种整合肯定仍然是行业的主要挑战。尽管在过去的几十年里,我们看到流程工业的商业模式几乎没有变化,但智能制造有望使我们能够开发新的商业模式,例如,提供个性化的药品,电子邮件地址:d.bogle@ucl.ac.ukhttp://dx.doi.org/10.1016/J.ENG.2017.02.0032095-8099/© 2017 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。 这是CC BY-NC-ND许可证下的开放获取文章(http://creati v ecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect工程杂志主页:www.elsevier.com/locate/eng162国际日期 生物学/工程3(2017)161在未来的高效和可持续的方式。目前在化学品供应链的每一部分之间签订大量供应的长期合同的模式是不适当的。我们需要一种允许少量定制产品供应的模式,这种模式可能具有更高的附加值,并且需要产品开发成本、制造成本和需求强度这仍然是一个重大挑战。在2008年4月的一次研讨会上,讨论了智能流程制造在美国面临的一系列挑战,综合报告[1]。提出了一个特定的试验台-甲烷蒸汽重整-以证明和基准测试进展[2]。最近,Li[3]从工业的角度解决了石化行业面临的挑战这些挑战在国际上对于具有良好加工工业基础的国家来说是共同的。从这两个贡献中可以清楚地看出,PSE是智能流程优化挑战的核心。在过去的50年里,PSE研究人员一直在开发方法学-主要是计算,但不是全部-能够优化整个系统,无论是在单位,工厂或企业级。最近一期的美国化学工程师学会(AIChE)杂志[4]庆祝了该领域的先驱罗杰·萨金特教授的工作,他自20世纪50年代以来一直在工作。萨金特教授了世界各地的许多人,并启发了更多的人,正如本期的38篇论文所反映的那样,其中大部分都与这个主题有关。本文依次考虑这三个阶段,然后研究出现的一些关键技术挑战。我将特别考虑PSE研究社区在使智能流程制造更快发展方面所面临的研究进展和挑战我将不仅反思石化和日用化学品制造,还将反思专业和药品,以及考虑更广泛环境影响的贡献,这些影响是我们影响的系统的一部分。虽然某些挑战和机遇与其他制造业部门的挑战和机遇相似,但也存在明显的差异。2. 厂企一体化、全厂优化智能制造的一个关键原则是工厂范围的优化,这在工艺工程中并不新鲜。 过程工程师长期以来一直在考虑连接单元操作系统,并寻找更好甚至优化的解决方案,这些活动推动了他们的教育。工厂范围的优化是PSE思维的核心。具有嵌入式优化功能的模拟工具的日常使用已使工厂在追求可持续生产的同时,不断优化盈利能力,并将对环境的影响降至最低。已经开发了许多用于过程集成的工具(使用启发式[5,6]、基于优化的[7]或基于属性的[8]方法),所有这些工具都基于稳态模型。过程集成方法已用于设计热集成工厂,并在一定程度上用于整个工厂[9]。实时优化和基于模型的控制已经实现了用于在短到中等时间尺度内优化操作的动态行为的解决方案(参见例如,参考文献[10])。它们的实施并不普遍,但很常见,特别是在石油化工厂[3]。通过使用整个供应链模式和商业软件系统,企业一体化也是一个目标有许多可用的工具,以及部署这些工具的一些经验工具将在第5节中讨论。工厂范围内的优化是一个可以从更多的基准测试和测试中受益的领域,以获得更多的信心。协调多个企业及其客户,其中大多数是延伸供应链中的其他企业,仍然是一个挑战。虽然这是一个技术问题,但也与关系有关:确保已建立的宝贵的商业和战略关系不会因任何拟议的技术解决方案而3. 制造智能智能制造寻求更紧密地参与客户,以拥有更灵敏和敏捷的系统。许多生产国内产品的供应链现在都是按需生产,生产和交货时间都很短加工工业通常生产中间产品,这些中间产品要么被进一步加工,要么用于生产特定产品。例如,塑料工业生产许多聚合物和许多不同的等级用于不同的最终用途。原料聚合物的制造之后是处理、成型、模塑和组装的各个阶段,然后聚合物成为消费者的最终产品。作为 因此,大多数工艺制造商与最终产品的最终用户之间的关系很远。每个阶段都有自己的动力学、库存、不确定性和商业驱动因素。为了提高响应速度和敏捷性,流程工业需要整合信息技术(IT)支持的制造智能,并在供应链的所有部分之间进行通信。显然,商业和技术挑战与以下方面有关:这个目标。它需要能够处理供应链中多个阶段的计算方法,这些阶段支持不同类型的商业关系以及每个阶段的不同动态。它需要能够考虑到每个阶段对柔性制造的技术限制,并具备处理需求和生产不确定性的能力。这些进程将以客户为驱动力,对市场敏感,但在供应链不同要素之间的交易中将包括各种合同限制。最终用户供应商将拥有大量关于客户需求趋势的数据,以便能够预测预期需求,就像他们目前对面向消费者的产品行业所做的那样。这将转向收集更多的即时需求数据,这些数据将迅速影响供应链各个环节的虽然即时需求数据现在在新鲜食品行业和加工食品行业很常见[11],但对于化学,石化和制药行业来说,这将是一个相当大的偏离。Cao等人[12]提出了一种数据驱动的精炼调度模型,该模型可以从一天内的数据中纳入意外事件;然而,这种方法距离食品行业常见的整体系统响应性还有很长的路要走智能流程制造的目标是支持敏捷、稳健和可持续的流程工业,最大限度地减少浪费,同时最大限度地提高盈利能力。4. 颠覆性的商业模式在过去的几十年里,化工厂最大的变化可能是引入了现在已经到位的协调控制系统。在相当长的一段时间内,连接单元操作集的基本结构没有太大的变化。环境绩效给该行业带来了巨大的压力,导致设计和运营更加一体化,管道末端处理更少。智能制造可以通过小规模和微型本地生产为重大变革提供更多动力,例如,这将使生产更接近消费者。这对个性化医疗的潜在发展至关重要,也许对制造更多个性化的个人产品和专业化的国际日期 生物学/工程3(2017)161163使用.这种性质的变化将需要新的进程综合和强化方法。我们还可能看到我们生产的分子和混合物发生了重大变化。也许最重要的变化可能是跨学科研究的扩大,因为工程与自然科学、社会科学和医学的互动更加密切,以便为寻求更快、更准确地满足客户需求的企业提供框架和工具。这一阶段无疑是智能制造三个阶段中最不明确的一个。5. 技术研究挑战在上面的讨论中,我从流程工业的角度考虑了智能制造的三个阶段。我现在考虑一组使能主题和相关的研究挑战。这些主题是:灵活性和不确定性,响应性和敏捷性,鲁棒性和安全性,混合物性质和功能的预测,以及新的建模和数学范式。5.1. “谁知道呢?”灵活性和不确定性智能制造的一个关键问题是灵活应对市场和原材料质量不确定性自20世纪80年代以来,大量的研究工作已经解决了这个问题。基于不确定性的假设范围,已经提出了基于优化的方法来解释不确定性,从随机规划开始[13],并使用超结构作为优化问题的基础,以最小化可量化的不确定性指数[14]。一个好的最近的审查可以在Steimel et al.[15]中找到。大多数方法发现,基于稳态分析的设计将满足所有预期的不确定条件,不可避免地导致保守的设计。Steimel等人[16] 展示了他们对十二碳-1-烯加氢精制的两阶段优化框架。我们需要一种方法来平衡使用概率方法的大偏移的可能性,该方法还可以使用历史数据和数据中的模式来通知设计。当然,极端事件可能会发生,因此有必要在设计中考虑极端事件,并使用数据中的模式来提供接近极端事件的指示,从而使我们能够避免采取可能破坏环境甚至可能导致关闭的极端行动。尽管一些研究人员已经通过控制措施或增强设计考虑了动态响应中的不确定性[17Wang和Baldea[19]使用伪随机信号来识别数据驱动的输入/输出模型,而不是解决完整的动态优化问题,这对于现实问题来说通过简化、数据分析或多级表示来使用流程智能,提供了一种有效解决大规模问题的可能方法,同时允许持续改进预测和操作。确定性优化方法确定产生最小操作空间的参数,该操作空间将容纳全部范围的预期不确定性。这些方法产生保守的结果,因为不确定性范围的外部极限是非常不可能的,可能不是关键的。上面列出的最早的论文[17] 使用具有巨大潜力的随机方法,如Sahinwei[20]的评论中所讨论的。随机解决方案允许设计人员确定可接受的风险水平,然后进行相应的设计;因此,它们需要对最终设计鲁棒性以及是否必须处理极端事件进行一些工程判断。所有这些方法都是非常昂贵的计算,因为它们需要解决许多优化问题。因此,有很大的余地,以提高其效率,以及测试和评估的方法,从工业实践中的大规模的问题然后,我们可以更全面地确定这些方法但是,我们有一个相当全面的工具集可以使用。找到使这些方法既实用又不过于保守的方法是具有挑战性的。5.2. “我现在就要!”响应能力和敏捷性如上所述,智能制造的一个关键要素是通过预测和实时控制使生产与需求相匹配。这有两个要素:根据收到的信息决定行动方针的能力,以及实现这一结果的能力。在PSE中,第二个要素是通过关注可控性来解决的:这些动作能否根据模型实现,以及如何实际实现?PSE社区已经在可控性方面做了很多工作(参见参考文献中的最近评论)。[21、22])。这些方法还不足以解决具有非线性的大型问题,并且很难将经验丰富的从业人员的启发式知识结合起来。过程控制现在主要是基于模型的控制[23],它允许集成操作,尽管计算负担可能变得很大。实时优化器通常使用稳态模型来确定最优策略,然后使用基于模型的控制器来实现它们,以确保协调和响应系统。虽然这些都是成熟的技术,但它们可能还没有虽然已经收集了大量的历史趋势数据,但化学工业并没有将大型需求数据库直接纳入其控制系统。然而,现在许多消费品行业都在这样做,包括食品行业。由此产生的响应性在确保鲁棒性方面带来了新的挑战[24]。数据存储库提供需求趋势,并且在变化规律且相对平稳时是可靠的。然而,由于重大事件(如失败或应对政策变化的大规模市场变化),挑战也会出现。通过使用控制措施使生产与需求相匹配是否有可能使系统更加敏感,还是会使系统不稳定?这也将是一个重大挑战,以确保所需的准确性,数据驱动的模型是适合每个特定领域。准确度要求(例如,考虑到原材料或产品的需求或质量)对于不同的地区将有很大的不同。PSE研究人员已经使用离散优化模型对供应链研究进行了大量研究。在最近的一次回顾中,学者们认为供应链优化与高价值低批量产品特别相关[25]。虽然他们没有确定任何一种方法是最好的,但评审员得出结论,分解和分层算法一直提供良好的结果。流程工业将逐渐看到客户数据和需求驱动制造之间的更多联系。Li等人[26]展示了如何将数据驱动的全局优化框架用于规划过程整个石化联合企业。Sahay和Ierapetritou[27]展示了如何使用基于代理的技术来优化多企业供应链。用户公司面临许多实际的实施问题。例如,企业需要能够处理整个供应链中的公司接口以及存在的广泛的商业和合同关系的方法和工具。164国际日期 生物学/工程3(2017)161例如,疫苗生产可能需要在紧急情况下做出快速反应,同时在有效的时间跨度内保持产品的安全性和质量。个性化医疗将需要非常小规模的生产,并可能需要一种全新的商业模式和技术解决方案。5.3. “你能保证吗?”鲁棒性和安全性除了速度和灵活性,客户还需要确定性:供应、质量和安全。文献中关于不确定性下设计的讨论部分解决了这一问题,因为所产生的当然,我们的模型是基于所涉及的物理和化学假设的近似值,并且具有可能不准确或有缺陷的参数然而,即使假设我们已经考虑了所有可能的不确定性,事情仍然可能出错:制造过程中的元素故障,通信系统故障,预测错误,等等。有丰富的工作探索过程工厂中的故障检测[28]。故障检测可能变得更加重要,因为我们使用越来越复杂的仪器来获得更好的质量测量,这些测量也更容易预测偏差或完全失败。危险检测必须直接纳入系统,因为接近最佳条件的操作通常会给操作带来额外的压力,从而导致更大的故障可能性。数据健壮性和安全性问题是需要考虑的一个新方面我们能否保证数据的准确性,并确保竞争对手和其他代理商的安全性?随着仪器增加其本地智能,以及随着物联网发生更大的互联性,安全漏洞的可能性也在增长,正如最近的黑客案件所示。虽然PSE研究人员传统上并不从事这一领域的工作通过与计算机科学领域的同事密切合作,PSE研究人员可以确保网络安全的发展为我们的方法和软件提供信息。5.4. “What 卖分子,混合物,还是功能?过程工业的业务是制造化学产品。长期以来,我们专注于生产进一步加工所需的分子,如甲醇和乙烯。化学工业最初植根于染料的生产-纺织工业的合成染料,用于取代昂贵的天然矿物质。染料产生的效果或功能,客户愿意支付。这种功能有时来自单个分子,有时由混合物产生.事实上,我们仍然生产具有特定功能的产品;例如,汽油是一种复杂的碳氢化合物混合物,具有特定的功能要求,如辛烷值、闪点和浊点。个人产品行业也一直在寻求制造具有特定功能的产品。在未来,我们是否能够根据数据趋势、预测和市场情报更紧密地跟踪客户需求?这个问题包含许多挑战。一个挑战是我们预测功能的能力有限,因此我们设计混合物以实现客户特定功能需求的能力有限。在设计聚合物共混物、溶剂混合物和电解质的能力方面已经取得了很大进展,导致预测方法的大量商业应用[29,30]。关于预测许多物质的复杂混合物的功能效果和设计用于控制所需的特定功能的混合物,sumers,特别是当很难使用模型来描述函数本身时。许多性质,如味道,是非常个人化的,难以预测。另一个挑战是需要优化整个供应链的分子特性,从初级制造,通过中间体,并通过最终产品。一个供应链可能涉及许多企业,这些企业有不同的系统、不同的商业模式,并且需要保守其独特的卖点和商业秘密,特别是在特定产品方面。这一点能否实现?最后,个体化医疗的发展是一个即将到来的重大药物将根据疾病及其进展、新陈代谢、身体状况和个人需求定制个性化需求。个性化医疗对药品监管机构提出了许多挑战;然而,假设这些挑战得到解决,它将需要一个非常不同的制造策略,具有个性化的功能,剂量和交付规格。为了优化客户需求,我们可以考虑基于生理模型[31,32]与生产模型集成优化功能的能力。5.5. “救命啊!”推动因素:建模和数学高性能计算和通信对于PSE的发展至关重要。然而,数学一直是PSE工具和技术的关键推动因素,并将继续成为智能流程制造的关键推动因素。计算优化技术在20世纪50年代和60年代的发展导致了强大的在20世纪80年代和90年代,离散优化作为一个可靠和易于处理的问题的发展导致了混合整数非线性规划(MINLP)解决方案技术的发展[33],这反过来又导致了整个领域的巨大进步。析取编程现在允许我们处理具有逻辑条件的问题的解决方案[34]。我们仍然在努力解决不连续性和寻找全局最优解决方案[35],并且处理全方位的动态场景仍然是一个挑战。我们需要能够可视化大规模问题的方法,以帮助理解和验证解决方案。另一个推动因素是对大规模问题复杂的混合物和复杂的几何形状。一般来说,建模工具仍然是专家的领域。尽管在考虑如何最好地自动化过程建模工作流以及单元和系统的建模方面已经取得了进展[36,37],但这些工具仍然难以使用。工程教育和培训已经接受了这个问题;然而,使工具更加直观和强大肯定会有所帮助。模型的准确性是重要的,并且强烈依赖于预测复杂混合物的性质和功能性能的能力。最后,当工具与大数据存储库(历史存储库和与客户需求相关的存储库)交互时,可以系统地考虑模型准确性,例如使用量化不确定性的方法,以便在数据不可靠时考虑情况。计算机科学领域的大量研究人员正在研究处理大数据所涉及的问题。这将涉及新形式的数据,如大量的图像,文本等,并将需要知识管理的工具。启用方法是PSE研究人员的工作,因此新方法的开发将继续是我们工作的重要组成部分我们还将继续与其他学科的同事合作,包括计算机科学,数学和物理学。智能流程制造使我们面临越来越多的跨学科挑战。国际日期 生物学/工程3(2017)1611656. 讨论和结论过程工业已经在智能制造理念方面取得了进展,PSE研究人员和实践者是关键的推动者。我提到了一些重要的已发表的研究工作。其中许多想法已经付诸实践。然而,在公共领域很少有基准。这些信息的发布总是有争议的。需要对全厂范围优化的具体有益结果的报告进行整合,可能是匿名的,或者是在一个或多个工业规模的工厂和地点应用我强调了PSE研究界在实现智能制造的全部好处方面面临的一些挑战这些挑战中的许多都围绕着如何在特定供应链中所涉及的所有企业的单元、工厂和站点之间共享和传递信息在确保所有关键方面都正确建模方面也存在挑战,特别是在健康、安全和环境问题需要准确预测特定位置的少量但关键量的情况下。尽管我们拥有快速敏捷地响应客户需求所需的一些技术,但过程工业与最终用户的关系(直接或间接)使其成为一个特殊的挑战。很难预测这种转变是否会带来全新的商业模式。一个关键的信息是,为了实施智能制造,PSE研究和实践社区需要与其他学科合作。在大多数情况下,流程工业是以挑战为导向的,团队并不基于传统的学科界限。大学中工程师的教育和培训也变得更加跨学科。协作无疑是实现智能流程制造的关键要求。确认作者要感谢评论者非常有帮助的评论。引用[1] [10] David J,Edgar T,Porter J,Bernaden J,Sarli M.智能制造、制造智能和需求动态性能。计算机化学工程2012;47:145-56。[2] Kumar A,Baldea M,Edgar TF,Ezekoye OA.工业蒸汽-甲烷转化器高效运行的智能制造方法。Ind Eng Chem Res 2015;54(16):4360-70.[3] Li D.石化行业智能工厂展望。Comput Chem Eng 2016;91:136-48.[4] Grossmann IE,Doherty MF,Harold MP.向罗杰·萨金特致敬AIChE J 2016;62(9):2950。[5] 史密斯河化学过程:设计和集成。奇切斯特:约翰威利父子有限公司; 2005年[6] 道格拉斯JM。化工过程的概念设计。New York:McGraw-Hill Book Company.[7] Biegler LT , Grossmann IE , Westerberg AW. 化 工 过 程 设 计 的 系 统 方 法Englewood Cliffs:Prentice-Hall; 1997.[8] Jakarta CA,Gani R,Lien KM.基于热力学见解的分离过程设计与综合。化学工程科学1995;50(3):511[9] 巴松·迪杰科马复杂性和工业生态学:从分析到行动。J Ind Ecol 2009;13(2):157[10] 赫伯特·D使用MPC进行实时优化控制[互联网]。2013年9月12日[cit- ed 2016年10月20日]。可从以下网址获得:http://www.controlglobal.com/articles/2013/real-time-optimization-with-mpc/。[11] He X,Hayya JC.即时生产对食品质量的影响全面质量管理2002;13(5):651[12] 曹C,顾X,辛Z.炼油厂柴油生产的数据驱动滚动时域在线调度模型。AIChE J2013;59(4):1160[13] Grossmann IE,Sargent RWH.不确定参数化工装置的优化设计。AIChE J 1978;24(6):1021-8.[14] Halemane KP,Grossmann IE.不确定条件下的最优过程设计。AIChE J. 1983;29(3):425[15] 张晓刚,张晓刚.不确定性下过程超结构的建模与优化框架。化学与工程科学2014;115:225-37.[16] Steimel J, Engell S. 不 确 定 性 下基 于 优 化 的 工 艺 设 计 支持 AIChE J 2016;62(9):3404[17] Mohideen MJ,Perkins JD,Pistikopoulos EN.不确定条件下动态系统的最优设计。AIChE J 1996;42(8):2251[18] 华盛顿ID,Swartz CLE。不确定性下的并行多周期动态优化设计。AIChE J2014;60(9):3151[19] 王 S, 巴 迪 亚 M.不 确 定 性 下 动 力 系 统 的 基 于 辨 识 的 优 化 计 算 机 化 学 工 程2014;64:138[20] Sahinavia NV.不确定性下的优化:最新技术和机会。计算机化学工程2004;28(6[21] 袁志,陈斌,赵军。化工过程可控性分析综述。AIChE J 2011;57(5):1185[22] 沙里夫扎德过程设计与控制的集成:综述。Chem Eng Res Des 2013;91(12):2515-49.[23] Ellis M,Durand H,Christofides PD.经济模型预测控制方法教程综述。J ProcessContr 2014;24(8):1156[24] Youssef MA,Youssef EM.基于时间的技术对制造业竞争优先级的协同影响。Int JTechnol Manage 2015;67(2-4):245- 68.[25] Sousa RT , Shah N , Papageorgiou LG. 高 价 值 低 产 量 产 品 的 供 应 链 。 在 :Pistikopoulos EN,Georgiadis MC,Dua V,Papageorgiou LG,编辑过程系统工程:供应链优化,第4卷。Weinheim:Wiley-VCH Verlag GmbH Co. KGaA; 2008.p. 1-27号。[26] 李军,肖晓,布库瓦拉F,弗劳达斯CA,赵波,杜刚,等。数据驱动的石油化工全过程规划数学建模与全局优化框架。AIChE J 2016;62(9):3020[27] Sahay N,Ierapetritou M.多企业供应链:模拟与优化。AIChE J 2016;62(9):3392-403。[28] 文卡塔苏布拉马尼安V,Rengaswamy R,尹K,Kavuri SN.过程故障检测与诊断综述:第一部分:基于定量模型的方法。计算机化学工程2003;27(3):293-311.[29] 张L,巴比DK,加尼R.化工产品和工艺设计的新前景。Annu Rev Chem Biomol2016;7:557[30] Jonuzaj S,Akula PT,Kleniati PM,Jesiman CS.广义析取规划最优混合物的公式化:溶剂设计案例研究。AIChE J 2016;62(5):1616[31] 巴塞岛。过程系统工程在医学中的应用。Curr Opin Chem Eng 2012;1(4):453[32] Ashworth W,Perez-Galvan C,Davies N,Battlefield IDL.肝功能作为一个工程系统。AIChE J 2016;62(9):3285-97。[33] Duran MA,Grossmann IE.一类混合整数非线性规划的外逼近算法。数学计划1986;36(3):307[34] Ruiz JP,Grossmann IE.非凸广义析取程序的全局优化:关于重构和松弛技术的评论。J Global Optim 2017;67(1-2):43-58.[35] Floudas CA,Pardalos PM.全局优化的最新技术:计算方法和应用。Dordrecht:Kluwer Academic Publishers; 2012.[36] [10]杨文,王文.基于本体论的设计过程知识管理方法。计算机化学工程2008;32(1-2):320-42.[37] 赵毅,江春,杨爱。走向计算机辅助多尺度建模:概念建模的一种计算机化学工程2012;36:10-21.[38] Lopez Flores R,Belaud JP,Negny S,Le Lann JM.开放计算机辅助创新,促进过程工程创新。Chem Eng Res Des 2015;103:90- 107.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- SSM动力电池数据管理系统源码及数据库详解
- R语言桑基图绘制与SCI图输入文件代码分析
- Linux下Sakagari Hurricane翻译工作:cpktools的使用教程
- prettybench: 让 Go 基准测试结果更易读
- Python官方文档查询库,提升开发效率与时间节约
- 基于Django的Python就业系统毕设源码
- 高并发下的SpringBoot与Nginx+Redis会话共享解决方案
- 构建问答游戏:Node.js与Express.js实战教程
- MATLAB在旅行商问题中的应用与优化方法研究
- OMAPL138 DSP平台UPP接口编程实践
- 杰克逊维尔非营利地基工程的VMS项目介绍
- 宠物猫企业网站模板PHP源码下载
- 52简易计算器源码解析与下载指南
- 探索Node.js v6.2.1 - 事件驱动的高性能Web服务器环境
- 找回WinSCP密码的神器:winscppasswd工具介绍
- xctools:解析Xcode命令行工具输出的Ruby库
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功