DOI: https://doi.org/10.1016/j.ijhydene.2026.153583
تاريخ النشر: 2026-01-27
المؤلف: Tara Torabi وآخرون
الموضوع الرئيسي: المحفزات لإصلاح الميثان
نظرة عامة
تقدم ورقة البحث إطار عمل الظل الرقمي الذي يجمع بين الديناميكا المائية الحاسوبية (CFD) وتعلم الآلة (ML) لتحسين إعادة تشكيل بخار الميثانول (MSR) لإنتاج الهيدروجين. تقيّم الدراسة أربعة أنواع من المفاعلات—مفاعل السرير المعبأ (PBR)، مفاعل السرير المميع (FBR)، ونظائرها المزودة بالغشاء (PBMR وFBMR)—لتقييم كفاءتها تحت ظروف تشغيل مختلفة. تُلاحظ النماذج الميكانيكية التقليدية لكونها كثيفة الحسابات، مما يبرز الحاجة إلى هذا النهج المبتكر. يقلل الإطار بشكل كبير من وقت الحسابات بينما يمكّن من التنبؤات الدقيقة والرؤى حول عملية MSR. من بين نماذج ML التي تم اختبارها، أظهر خوارزمية الجيران الأقرب (KNN) أعلى دقة تنبؤية، خاصة لتكوين FBMR، حيث حققت R² تبلغ حوالي 0.997 ومتوسط خطأ مربع (MSE) حوالي 0.00027.
تحت ظروف محسّنة (573 كلفن، 1 بار، GHSV قدره 9000 ساعة⁻¹، ونسبة الماء إلى الميثانول 3)، حقق FBMR معدل تحويل الميثانول بنسبة 98.42% وعائد هيدروجين بنسبة 96.15%. كما أظهر PBMR أيضًا انتقائية عالية للهيدروجين (99.90%)، بينما كانت أداء المفاعلات التقليدية (FBR وPBR) أقل فعالية، مما يبرز مزايا دمج الأغشية والتسييل. أظهرت تحليل الحساسية أن نسبة التغذية والضغط كانت أكثر المعلمات تأثيرًا على أداء FBMR، بينما كانت سرعة الفضاء الغازي بالساعة (GHSV) والستويكيويميترية أكثر أهمية في الأنظمة التقليدية. تختتم الدراسة بأن إطار العمل الظل الرقمي هو أداة قيمة لتحسين أنظمة MSR وتقترح تحسينات مستقبلية، مثل دمج القياسات في الوقت الحقيقي وتنقيح افتراضات النموذج، لتحسين الدقة التنبؤية ودعم استراتيجيات إنتاج الهيدروجين القابلة للتوسع.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لبدائل الطاقة المستدامة مع انتقال العالم إلى حلول منخفضة الكربون، حيث يظهر الهيدروجين كمرشح رائد بسبب محتواه العالي من الطاقة وفوائده البيئية. على الرغم من التقدم في طرق إنتاج الهيدروجين، لا تزال التحديات في التخزين والنقل قائمة. يتم تقديم إعادة تشكيل بخار الميثانول (MSR) كطريقة قابلة للتطبيق لتوليد الهيدروجين في الموقع، مستفيدة من خصائص الميثانول المواتية. ومع ذلك، فإن تحقيق هيدروجين عالي النقاء لتطبيقات خلايا الوقود يتطلب عمليات تنقية معقدة، يمكن تبسيطها من خلال استخدام مفاعلات الأغشية (MRs). تعزز MRs كفاءة إنتاج الهيدروجين من خلال دمج الإنتاج والفصل، مما يسهل التقاط CO₂ ويضع أنظمة MSR-MR كمرشحة واعدة لتوليد الهيدروجين الأزرق.
تناقش الفقرة أيضًا مزايا مفاعلات الأغشية في السرير المميع (FBMRs) مقارنة بمفاعلات الأغشية في السرير المعبأ (PBMRs)، خاصة من حيث كفاءة نقل الحرارة والكتلة. تتطلب تعقيدات التدفق متعدد الأطوار في FBMRs نمذجة صارمة، يتم التعامل معها تقليديًا من خلال الديناميكا المائية الحاسوبية (CFD). ومع ذلك، فإن كثافة حسابات CFD تحد من قابليتها للتوسع. للتغلب على ذلك، يقترح البحث إطار عمل الظل الرقمي الذي يجمع بين CFD وتقنيات تعلم الآلة (ML) لتحسين أداء المفاعل. يتضمن هذا الإطار محاكاة CFD عالية الدقة، وتدريب نماذج ML البديلة، وتحسين بايزي لتحديد الظروف المثلى، وتحليل أهمية التبديل لتقييم تأثيرات المتغيرات المدخلة. يهدف هذا النهج المبتكر إلى تعزيز الفهم وكفاءة أنظمة MR في إنتاج الهيدروجين، معالجًا فجوة كبيرة في الأدبيات.
طرق
في هذه الدراسة، تم إنشاء إطار عمل الظل الرقمي لتعزيز توقع الأداء وتحسين أنظمة المفاعلات المختلفة، وخاصة PBR وPBMR وFBR وFBMR، خلال عملية MSR. تشمل المنهجية عدة خطوات رئيسية: (i) توليد والتحقق من البيانات من خلال الديناميكا المائية الحاسوبية (CFD)، (ii) تطوير نماذج تعلم الآلة (ML) البديلة تحت ظروف بيانات محدودة من خلال زيادة مجموعات البيانات الناتجة عن CFD بضوضاء غاوسية وتدريب عدة خوارزميات انحدار، بما في ذلك الشبكة العصبية متعددة الطبقات (MLP)، والانحدار بواسطة الغابة العشوائية (RFR)، والانحدار بواسطة دعم المتجهات (SVR)، والانحدار بواسطة تعزيز التدرج المتطرف (XGB)، والانحدار بواسطة تعزيز التدرج (GBR)، والجيران الأقرب (KNN)، (iii) إجراء تحسين متعدد الأهداف من خلال تقنيات تحسين بايزي، و(iv) إجراء تحليل بعدي من خلال تقييم أهمية الميزات.
يهدف دمج محاكاة CFD مع نماذج ML إلى إنشاء إطار عمل تنبؤي قوي يمكنه تحسين أداء المفاعل بشكل فعال. يتم تقديم تمثيل تخطيطي لتدفق العمل الظل الرقمي في الشكل 1، بينما تتوفر تفاصيل إضافية حول إطار النمذجة والتنفيذ العددي واستراتيجيات التحسين في المعلومات التكميلية.
النتائج
تسلط نتائج الدراسة الضوء على تحسين عملية إعادة تشكيل بخار الميثانول (MSR) عبر تكوينات مفاعلات مختلفة، وخاصة مفاعل السرير المعبأ (PBR)، ومفاعل السرير المعبأ المزود بالغشاء (PBMR)، ومفاعل السرير المميع (FBR)، ومفاعل السرير المميع المزود بالغشاء (FBMR). باستخدام إطار عمل الظل الرقمي، استخدم الباحثون نموذج انحدار الجيران الأقرب (KNN) المدمج ضمن روتين تحسين بايزي قائم على العمليات الغاوسية لتحديد ظروف التشغيل المثلى. تشير النتائج إلى أن FBMR حقق أعلى تحويل للميثانول (98.42%) وعائد هيدروجين (96.15%) تحت ظروف مثلى تبلغ 573 كلفن، 1.00 بار، نسبة تغذية بخار إلى ميثانول قدرها 3.00، وسرعة الفضاء الغازي بالساعة (GHSV) قدرها 9000 ساعة\(^{-1}\). يُعزى هذا الأداء إلى تحسين نقل الكتلة، وتوزيع الحرارة، وإزالة الهيدروجين التي تسهلها الغشاء، مما يحسن بشكل جماعي من كينتيك التفاعل وكفاءة تحويل التوازن.
في المقابل، أظهر PBR أدنى مقاييس الأداء، مع تحويل قدره 79.30% وعائد قدره 79.11%، مما يبرز قيوده في تغيير التوازن دون غشاء. بينما حقق PBMR انتقائية عالية للهيدروجين بنسبة 99.90%، سجل تحويلًا وعائدًا أقل مقارنة بـ FBMR. تؤكد الدراسة على مزايا تكوين FBMR، خاصة قدرته على الحفاظ على تحويلات وعوائد عالية عند قيم GHSV مرتفعة، مما يجعله مرشحًا واعدًا لإنتاج الهيدروجين على نطاق واسع. يثبت التوافق الوثيق بين التنبؤات المستندة إلى تعلم الآلة ومحاكاة الديناميكا المائية الحاسوبية (CFD) فعالية نهج النمذجة الهجينة، مما يظهر كفاءته في تحسين أداء المفاعل مع تقليل التكاليف الحسابية. بشكل عام، تشير النتائج إلى أن الأنظمة المدعومة بالغشاء، وخاصة FBMRs، تمثل تقدمًا كبيرًا في إنتاج الهيدروجين بكفاءة من MSR.
مناقشة
في هذه الدراسة، تم تطوير إطار عمل الظل الرقمي لدمج محاكاة الديناميكا المائية الحاسوبية (CFD) مع تقنيات تعلم الآلة (ML) لتحليل وتحسين إعادة تشكيل بخار الميثانول (MSR) عبر أربعة تكوينات مفاعلات: مفاعل السرير المعبأ (PBR)، مفاعل السرير المميع (FBR)، مفاعل السرير المعبأ المزود بالغشاء (PBMR)، ومفاعل السرير المميع المزود بالغشاء (FBMR). تم إجراء محاكاة CFD باستخدام COMSOL Multiphysics 6.1، مع التركيز على ثلاث تفاعلات رئيسية: إعادة تشكيل بخار الميثانول، تحلل الميثانول، وتفاعل تحويل الماء والغاز. تم توحيد تصميمات المفاعلات لتسهيل المقارنة، حيث أظهر FBMR مقاييس أداء متفوقة، محققًا أقصى تحويل للميثانول بنسبة 98.42% وعائد هيدروجين بنسبة 96.15% تحت ظروف مثلى.
قدم دمج نماذج ML، خاصة خوارزمية الجيران الأقرب (KNN)، قدرات تنبؤية قوية، حيث حقق KNN أعلى دقة (R² = 0.9971) في تكوين FBMR. تم استخدام تحسين بايزي لتحديد ظروف التشغيل المثلى، مما كشف أن نسبة التغذية والضغط كانت حاسمة للأداء في مفاعلات الأغشية، بينما كانت GHSV والستويكيويميترية أكثر أهمية في المفاعلات التقليدية. تؤكد النتائج على فعالية الإطار ليس فقط في توقع أداء المفاعل ولكن أيضًا في توضيح المعلمات التشغيلية التي تحكم الكفاءة، مما يوجه التقدم المستقبلي في أنظمة إنتاج الهيدروجين. تشمل اتجاهات البحث المستقبلية تعزيز قوة النموذج من خلال توسيع مجموعات البيانات ودمج البيانات في الوقت الحقيقي، بالإضافة إلى تنقيح الافتراضات لتحسين الدقة التنبؤية.
DOI: https://doi.org/10.1016/j.ijhydene.2026.153583
Publication Date: 2026-01-27
Author(s): Tara Torabi et al.
Primary Topic: Catalysts for Methane Reforming
Overview
The research paper presents a digital shadow framework that combines computational fluid dynamics (CFD) with machine learning (ML) to optimize methanol steam reforming (MSR) for hydrogen production. The study evaluates four reactor types—packed bed reactor (PBR), fluidized bed reactor (FBR), and their membrane-equipped counterparts (PBMR and FBMR)—to assess their efficiency under varying operational conditions. Traditional mechanistic models are noted for their computational intensity, prompting the need for this innovative approach. The framework significantly reduces computational time while enabling accurate predictions and insights into the MSR process. Among the ML models tested, the K-nearest neighbors (KNN) algorithm demonstrated the highest predictive accuracy, particularly for the FBMR configuration, achieving an R² of approximately 0.997 and a mean square error (MSE) of around 0.00027.
Under optimized conditions (573 K, 1 bar, GHSV of 9000 h⁻¹, and a water-to-methanol ratio of 3), the FBMR achieved a methanol conversion rate of 98.42% and a hydrogen yield of 96.15%. The PBMR also showed high hydrogen selectivity (99.90%), while conventional reactors (FBR and PBR) performed less effectively, underscoring the advantages of membrane integration and fluidization. Sensitivity analysis indicated that the feed ratio and pressure were the most influential parameters for FBMR performance, whereas gas hourly space velocity (GHSV) and stoichiometry were more critical in traditional systems. The study concludes that the digital shadow framework is a valuable tool for optimizing MSR systems and suggests future enhancements, such as incorporating real-time measurements and refining model assumptions, to further improve predictive accuracy and support scalable hydrogen production strategies.
Introduction
The introduction highlights the urgent need for sustainable energy alternatives as the world transitions to low-carbon solutions, with hydrogen emerging as a leading candidate due to its high energy content and environmental benefits. Despite advancements in hydrogen production methods, challenges in storage and transport persist. Methanol steam reforming (MSR) is presented as a viable on-site hydrogen generation method, leveraging methanol’s favorable properties. However, achieving high-purity hydrogen for fuel cell applications necessitates complex purification processes, which can be streamlined through the use of membrane reactors (MRs). MRs enhance hydrogen production efficiency by integrating production and separation, thereby facilitating CO₂ capture and positioning MSR-MR systems as promising for blue hydrogen generation.
The section further discusses the advantages of fluidized bed membrane reactors (FBMRs) over packed bed membrane reactors (PBMRs), particularly in terms of heat and mass transfer efficiency. The complexities of multiphase flow in FBMRs necessitate rigorous modeling, traditionally approached through computational fluid dynamics (CFD). However, the computational intensity of CFD limits its scalability. To overcome this, the paper proposes a digital shadow framework that combines CFD with machine learning (ML) techniques to optimize reactor performance. This framework includes high-fidelity CFD simulations, training of surrogate ML models, Bayesian optimization for identifying optimal conditions, and permutation importance analysis to assess input variable impacts. This innovative approach aims to enhance the understanding and efficiency of MR systems in hydrogen production, addressing a significant gap in the literature.
Methods
In this study, a digital shadow framework was established to enhance the performance prediction and optimization of various reactor systems, specifically PBR, PBMR, FBR, and FBMR, during the MSR process. The methodology encompasses several key steps: (i) generating and validating data through computational fluid dynamics (CFD), (ii) developing machine learning (ML) surrogate models under conditions of limited data by augmenting CFD-generated datasets with Gaussian noise and training multiple regression algorithms, including Multi-Layer Perceptron (MLP), Random Forest Regression (RFR), Support Vector Regression (SVR), Extreme Gradient Boosting (XGB), Gradient Boosting Regression (GBR), and K-Nearest Neighbors (KNN), (iii) conducting multi-objective optimization via Bayesian optimization techniques, and (iv) performing post-analysis through feature importance evaluation.
The integration of CFD simulations with ML models aims to create a robust predictive framework that can effectively optimize reactor performance. A schematic representation of the digital shadow workflow is provided in Figure 1, while further details regarding the modeling framework, numerical implementation, and optimization strategies are available in the Supplementary Information.
Results
The results of the study highlight the optimization of the membrane-assisted steam reforming (MSR) process across various reactor configurations, specifically the packed bed reactor (PBR), packed bed membrane reactor (PBMR), fluidized bed reactor (FBR), and fluidized bed membrane reactor (FBMR). Utilizing a digital shadow framework, the researchers employed a K-nearest neighbors (KNN) regression model integrated within a Gaussian process-based Bayesian optimization routine to identify optimal operating conditions. The findings indicate that the FBMR achieved the highest methanol conversion (98.42%) and hydrogen yield (96.15%) under optimal conditions of 573 K, 1.00 bar, a steam-to-methanol feed ratio of 3.00, and a gas hourly space velocity (GHSV) of 9000 h\(^{-1}\). This performance is attributed to enhanced mass transfer, heat distribution, and hydrogen removal facilitated by the membrane, which collectively improve reaction kinetics and equilibrium conversion efficiency.
In contrast, the PBR exhibited the lowest performance metrics, with a conversion of 79.30% and yield of 79.11%, underscoring its limitations in shifting equilibrium without a membrane. The PBMR, while achieving a high hydrogen selectivity of 99.90%, recorded lower conversion and yield compared to the FBMR. The study emphasizes the advantages of the FBMR configuration, particularly its ability to maintain high conversions and yields at elevated GHSV values, making it a promising candidate for large-scale hydrogen production. The close alignment between machine learning predictions and computational fluid dynamics (CFD) simulations validates the hybrid modeling approach, demonstrating its efficacy in optimizing reactor performance while reducing computational costs. Overall, the findings suggest that membrane-assisted systems, particularly FBMRs, represent a significant advancement in efficient hydrogen production from MSR.
Discussion
In this study, a digital shadow framework was developed to integrate computational fluid dynamics (CFD) simulations with machine learning (ML) techniques for the analysis and optimization of methanol steam reforming (MSR) across four reactor configurations: packed bed reactor (PBR), fluidized bed reactor (FBR), packed bed membrane reactor (PBMR), and fluidized bed membrane reactor (FBMR). The CFD simulations were conducted using COMSOL Multiphysics 6.1, focusing on three key reactions: methanol steam reforming, methanol decomposition, and the water-gas shift reaction. The reactor designs were standardized to facilitate comparison, with the FBMR demonstrating superior performance metrics, achieving a maximum methanol conversion of 98.42% and hydrogen yield of 96.15% under optimal conditions.
The integration of ML models, particularly the K-nearest neighbors (KNN) algorithm, provided robust predictive capabilities, with KNN achieving the highest accuracy (R² = 0.9971) in the FBMR configuration. Bayesian optimization was employed to identify optimal operating conditions, revealing that feed ratio and pressure were critical for performance in membrane reactors, while GHSV and feed stoichiometry were more significant in conventional reactors. The findings underscore the framework’s effectiveness in not only predicting reactor performance but also elucidating the operational parameters that govern efficiency, thereby guiding future advancements in hydrogen production systems. Future research directions include enhancing model robustness through expanded datasets and real-time data integration, as well as refining assumptions to improve predictive accuracy.