近日，田文德教授/崔哲副教授团队在人工智能赋能化工过程优化、风险预警与智能安全控制方向取得一系列系统性创新成果。相关研究相继发表于能源与化工领域国际权威期刊Energy、Energy Conversion and Management、Chemical Engineering Journal、Journal of Cleaner Production。

在智能动态优化控制领域，团队与香港城市大学王伟教授团队合作在Journal of Cleaner Production发表的研究论文，共同提出基于预优化的深度强化学习（DRL）控制新框架，全面展现了两校团队在智能化工交叉前沿领域的深度合作。该研究通过建立高保真动态模型，创新性地将优化约束算法嵌入DRL训练流程，显著提升了智能体的探索效率与策略稳定性，为实现复杂动态过程的智能化生产提供了创新解决方案。

图1 随机合成气切换下游（SSSD）过程经济—㶲（2E）管理的Po-SAC预优化强化学习控制框架

在有机固废资源化方面，团队在Energy与Energy Conversion and Management发表系列研究，提出基于化学链协同气化的多联产系统新方案。该系列研究通过构建集成化学链气化、热电转换及多级化学品合成的系统，实现了生物质与废塑料的协同高值转化，显著提升了合成气品质与系统整体能效。

图2 基于化学链协同气化的生物质与废塑料多联产系统多目标优化框架

在反应活性智能预测方面，团队在Chemical Engineering Journal发表的研究提出融合物理机理模型与机器学习的反应活性动态预测方法。通过典型工况聚类识别、机理模型数据增强以及物理约束深度学习模型构建，实现了对反应器反应活性的高精度预测，提升了模型在复杂工况下的稳定性与可解释性。

在污染源智能追踪方面，团队在Journal of Cleaner Production发表的另一项研究中，创新提出融合动态仿真、长短期记忆网络（LSTM）与贝叶斯网络（BN）的智能溯源框架，实现了污染源的精确定位与传播过程的可视化呈现。

在动态风险预警与主动安全控制领域，团队在ACS Sustainable Chemistry & Engineering发表的研究中，面向多塔分离等高危过程，形成动态定量风险评估（DQRA）-双向长短期记忆网络（Bi-LSTM）-遗传算法（GA）的主动安全管控范式，形成了从风险预测到主动控制的完整解决方案。

相关工作获国家自然科学基金等项目支持，体现了团队服务国家战略、推动学科融合的积极作为。未来，团队将持续深化合作，拓展“智能+”化工前沿，加速成果转化，为我国化工行业核心竞争力提升贡献智慧力量。

论文链接：

https://doi.org/10.1016/j.jclepro.2026.147560

https://doi.org/10.1016/j.energy.2025.134868

https://doi.org/10.1016/j.enconman.2025.120334

https://doi.org/10.1016/j.cej.2025.167895

https://doi.org/10.1016/j.jclepro.2025.146977

https://doi.org/10.1021/acssuschemeng.4c09931