论文部分内容阅读
由于聚合物具有多种多样的功能特性,它被越来越多地运用到人们的日常生活当中。众所周知,聚合物的这些特性是由相应的微观质量指标直接决定的。聚合反应过程可以根据反应物的种类数简单的分为均聚和共聚两类。由于聚合物种类的不同,均聚与共聚下的微观质量指标并不一样。均聚下的微观质量指标主要有分子量分布(MWD);而共聚下的微观质量指标则包括分子量分布、化学组成分布(CCD)以及序列分布(SLD)等。然而,在需要进一步提高聚合物产品的产率与性能时,如何更好更快地解决基于这些微观质量指标的复杂计算问题成为一大难点。基于此,本文分别从均聚与共聚出发,针对不同的微观质量指标,提出了一系列提高计算效率的模拟优化计算方法。具体的研究内容总结如下:1.均聚中的并行模拟计算方法。传统多活性位均聚过程中的动态分子量分布计算方法通过串行执行矩方法计算、活性位净重计算以及累积分布计算等模块来得到最终的动态分子量分布。在详细分析了各个模块之间的通讯关系之后,提出了一种基于活性位维度的分子量分布动态模拟并行计算方法。相对于传统的串行计算方法,该方法能够有效地减少动态模拟计算时间,并且进一步提出一种能够在达到理论最大加速比的前提下并使用尽可能少的CPU核数的分配算法。最后,分别通过两个高密度聚乙烯淤浆聚合牌号切换动态模拟过程来展示所提并行计算方法的加速效果。2.均聚中的牌号切换优化方法。牌号切换过程动态优化问题的两类传统方法分别是基于平均分子量的动态优化方法和基于分子量分布的动态优化方法。通过对第二章动态过程的详细分析,推导出若干定理证明了动态分子量分布与矩模型中的某些状态变量是同时达到稳定的并且给出了二者近似稳定所对应的误差容忍限,之后进行了实例验证。在此基础上,提出了一种结合两类传统优化方法的创新优化方法。新方法保证了牌号切换过程中产品的分子量分布约束,同时避免了动态分子量分布模型所带来的复杂计算。最后,通过一个经典的高密度聚乙烯淤浆聚合过程来展示详细的动态优化效果。3.共聚中的并行模拟计算方法。从均聚到共聚,不仅仅是反应机理的转变,更是微观质量指标的转变。共聚下的微观质量指标更多更复杂。MonteCarlo模拟是用于模拟共聚过程中的微观质量指标的经典方法。针对传统MonteCarlo方法串行计算所带来的低计算效率的缺点,通过结合MonteCarlo方法与图形处理器(GPU)平台的特点,提出了一种基于GPU的并行MonteCarlo模拟计算方法。进一步的给出了并行加速效果的理论分析。相对于传统的MonteCarlo方法,所提方法能够大幅度的减少模拟计算时间。最后,通过两个稳态模拟实例与一个动态模拟实例来展示所提方法的并行计算性能。4.共聚中的不确定性优化方法。既然第四章基于GPU的并行MonteCarlo方法能够实现快速的模拟计算,那么借助于无梯度优化算法,便可以简单的实现基于共聚微观质量指标的优化工作。然而,由于MonteCarlo模拟方法是一种随机性算法,因此该方法本身带有一定的不确定性,相同的输入操作模拟多次所得到的结果都会有所不同。在考虑不确定性的基础上,分析了MonteCarlo方法中不同模拟链数的模拟偏差与模拟方差之间的相对关系,进而提出了一种基于并行MonteCarlo模拟的不确定性优化方法。该方法能够在寻优过程中动态地选择需要模拟的链数,从而一定程度上减少了优化所需要的计算量。最后,通过一个三元共聚实例来展示所提方法的优化效果。最后,总结本文的一系列工作,并对进一步的研究进行了展望。