Method, apparatus, system, and computer program product for monitoring and controlling reaction process

Abstract

A method, apparatus, system and computer program product for monitoring and controlling reaction process are provided. The method includes: receiving control parameters and sensor data from a control system; generating flow rate data between compartments of a compartment network representing a reactor based on the received control parameters and sensor data, using a pre-trained surrogate model; running a chemical reaction simulation using the flow rate data; and monitoring at least one of reaction key performance indicators based on the chemical reaction simulation.

Description

METHOD, APPARATUS, SYSTEM, AND COMPUTER PROGRAM PRODUCT FOR MONITORING AND CONTROLLING REACTION PROCESSTECHNICAL FIELD

[0001] The present disclosure generally relates to the technical field of reaction process control, and more specifically, to a method, apparatus, system and computer program product for monitoring and controlling reaction process.BACKGROUND

[0002] Chemical reactions in reactors are complex processes that often involve spatial variations in concentration and reaction rates. These variations can significantly impact the overall efficiency and quality of the reaction process. To accurately predict and control such reactions, detailed modeling and simulation techniques are typically employed.

[0003] Computational Fluid Dynamics (CFD) coupled with chemical reaction models has been widely used to simulate reaction processes with high spatial resolution. This approach allows for a comprehensive understanding of the fluid dynamics and chemical kinetics within the reactor. However, CFD simulations are computationally intensive and time-consuming, especially when real-time monitoring and control of the reaction process are required.

[0004] To address the computational challenges associated with full CFD simulations, various simplified modeling approaches have been developed. One such approach is the compartment model, also known as the multi-zone method. This method divides the reactor volume into discrete compartments or zones, allowing for faster simulation of the reaction process while still capturing some spatial variations.

[0005] Process simulation software, such as gPROMS, utilizes compartment models to accelerate reaction simulations in reactors. These models can incorporate flow rate data between discrete compartments obtained from CFD simulations. This approach enables the simulation of chemical reactions within each compartment and the exchange of substances between neighboring compartments, providing a balance between computational efficiency and spatial resolution.

[0006] Similarly, some CFD simulation software packages offer simplified modeling capabilities. For instance, Star-CCM+ can create reactor network models by clustering mesh cells into a number of reactor units. This approach reduces the computational complexity while retaining some of the spatial information from the full CFD model.

[0007] However, current compartment models have limitations, particularly when dealing with dynamic flow fields. These models are typically applicable only when the flow field is in a steady state. When the flow field changes due to time-dependent boundary conditions or varying material properties, the CFD simulation needs to be rerun to update the flow field results. This requirement for repeated CFD simulations still imposes a significant computational burden, especially in highly dynamic operating environments.

[0008] Furthermore, the computational cost of updating CFD simulations for changing conditions limits the applicability of these models in real-time monitoring and control scenarios. This limitation becomes particularly problematic in industrial settings where rapid response to changing process conditions is crucial for maintaining product quality and process efficiency.SUMMARY

[0009] A brief overview of the present disclosure is given below to provide a basic understanding of certain aspects of the present disclosure. It is to be understood that this summary is not an exhaustive overview of the present disclosure. This summary is not intended to determine key or important parts of the present disclosure, nor intended to limit the scope of the present disclosure. An objective of this summary is merely to present some concepts in a simplified form as a prelude to the more detailed description that is discussed later.

[0010] In view of this, a method for monitoring and controlling reaction processes using surrogate models is needed that overcomes one or more of these problems. A computationally efficient method that enables real-time monitoring and control of reaction processes is provided.

[0011] According to an aspect of the present disclosure, a method for monitoring and controlling a reaction process includes:

[0012] receiving control parameters and sensor data from a control system;

[0013] generating flow rate data between compartments of a compartment network representing a reactor based on the received control parameters and sensor data, using a pre-trained surrogate model;

[0014] running a chemical reaction simulation using the flow rate data; and

[0015] monitoring at least one of reaction key performance indicators (KPIs) based on the chemical reaction simulation.

[0016] Optionally, the method further includes:

[0017] controlling the reaction process based on the monitored KPIs.

[0018] Optionally, in an example in the foregoing aspect, the surrogate model is trained by:

[0019] defining a compartment network for a reactor;

[0020] defining a parameter set for the reactor;

[0021] creating a computational fluid dynamics (CFD) simulation model based on the compartment network and the parameter set;

[0022] generating a sample pool for the parameter set;

[0023] performing simulations for each sample in the sample pool using the CFD simulation model;

[0024] exporting data for each sample; and

[0025] training the surrogate model using the exported data.

[0026] Optionally, in an example in the foregoing aspect, the compartment network is created by dividing a space of the reactor by 3x3x3 in cylindrical coordinate system.

[0027] Optionally, in an example in the foregoing aspect, the parameter set includes: control parameters and sensor data, which including at least one of: liquid density, stirring speed, temperature, feeding rate, and heating power rate.

[0028] Optionally, in an example in the foregoing aspect, the sample pool is generated using Latin Hypercube Sampling (LHS) sampling algorithm.

[0029] Optionally, in an example in the foregoing aspect, training the surrogate model includes using at least one of traditional regression methods or machine learning algorithms.

[0030] Optionally, in an example in the foregoing aspect, running a chemical reaction simulation includes solving a dynamical equation for each compartment that accounts for reaction rates within the compartment and mass flux between neighboring compartments.

[0031] Optionally, in an example in the foregoing aspect, the KPIs comprises at least one of: reaction rate of a product and total amount of product.

[0032] Optionally, in an example in the foregoing aspect, controlling the reaction process comprises adjusting a reaction rate of reaction product based on a preset threshold to obtain an expected total amount of product within a preset time.

[0033] According to another aspect of the present disclosure, an apparatus for monitoring and controlling a reaction process, including:

[0034] a receiving unit, configured to receive control parameters and sensor data from a control system;

[0035] a flow rate data generating unit, configured to generate flow rate data between compartments of a compartment network representing a reactor based on the received control parameters and sensor data, using a pre-trained surrogate model;

[0036] a simulation unit, configured to run a chemical reaction simulation using the flow rate data; and

[0037] a monitoring unit, configured to monitor at least one of reaction key performance indicators (KPIs) based on the chemical reaction simulation.

[0038] According to another aspect of the present disclosure, an electric device is provided, including: at least one processor; and a memory coupled to the at least one processor, where the memory is configured to store instructions, and the instructions, when executed by the at least one processor, enable the processor to perform the method as described above.

[0039] According to another aspect of the present disclosure, a non-transient machine-readable medium is provided. The non-transient machine-readable medium stores executable instructions, and the instructions, when executed, enable a machine to perform the method as described above.

[0040] According to another aspect of the present disclosure, a computer program is provided, including computer-executable instructions. The computer-executable instructions, when executed, enable at least one processor to perform the method as described above.

[0041] According to another aspect of the present disclosure, a computer program product is provided. The computer program product is tangibly stored on a computer-readable medium and includes computer-executable instructions, and the computer-executable instructions, when executed, enable at least one processor to perform the method as described above.

[0042] The embodiments of the disclosure offer a computationally efficient method for real-time monitoring and control of complex chemical reactions. It uses a pre-trained surrogate model to rapidly generate flow rate data between reactor compartments, significantly reducing computational burden compared to traditional CFD simulations.

[0043] According to the technical solutions in the embodiments of the present disclosure, at least one of the following technical advantages can be obtained.

[0044] The full CFD simulation is replaced by surrogate models so that the coupled simulation model run fast and can be applied in the online monitoring and control.

[0045] Instead of building the surrogate model for the whole flow field, this invention built up surrogate models only for the flow rate data from limited number of compartments, so that the model training effort is relatively low.

[0046] The surrogate model can read input of control parameters and sensor data and deliver time series results, so it can be applied to predict the chemical reaction in highly dynamic operating environments.BRIEF DESCRIPTION OF THE DRAWINGS

[0047] Referring to descriptions of embodiments of the present disclosure in combination with accompanying drawings, the foregoing and other objectives, features, and advantages of the present disclosure may be more easily understood. Components in the accompanying drawings are merely used for demonstrating the principle of the present disclosure. In the accompanying drawings, the same or similar technical features or components may be represented by using the same or similar reference numerals. In the drawings:

[0048] FIG. 1 is a flowchart of an exemplary process of a method for monitoring and controlling a reaction process according to an embodiment of the present disclosure;

[0049] FIG. 2 is a flowchart of an exemplary process of training the surrogate model used in the method of FIG. 1;

[0050] FIG. 3 is a block diagram of an exemplary configuration of an apparatus for monitoring and controlling a reaction process;

[0051] FIG. 4 illustrates a block diagram of a system for monitoring and controlling a reaction process; and

[0052] FIG. 5 is a block diagram of an electronic device 500 according to an embodiment of the present disclosure.

[0053] In the drawings:

[0054] 100: Method for monitoring and 200: Method for training the surrogate model controlling a reaction process

[0055] S102, S104, S106, S108, S110, S202, 300: Apparatus for generating domain-S204, S206, S208, S210, S212, S214: specific workflows

[0056] Step

[0057]

[0058] DETAILED DESCRIPTION

[0059] A subject described herein is discussed now with reference to exemplary embodiments. It is to be understood that, discussion of these embodiments is merely intended to make a person skilled in the art better understand and implement the subject described herein, and is not intended to limit the protection scope of the claims, the applicability, or examples. Changes may be made to the functions and arrangements of the discussed elements without departing from the protection scope of the content of the present disclosure. Various processes or components may be omitted, replaced, or added in each example according to requirements. For example, the described method may be performed according to a sequence different from the sequence described herein, and steps may be added, omitted, or combined. In addition, features described in some examples may alternatively be combined in other examples.

[0060] As used herein, the term "comprising" and variants thereof represent open terms, and means "include but is not limited to" . The term "based on" represents "at least partially based on" . The terms "one embodiment" and "an embodiment" represent "at least one embodiment" . The term "another embodiment" represents "at least one another embodiment" . The terms "first" , "second" , and the like may represent different objects or the same object. Other definitions may be included explicitly or implicitly in the following. Unless otherwise clearly specified, the definition of one term is consistent in the entire specification.

[0061] In view of this, a method for monitoring and controlling reaction processes using surrogate models is needed that overcomes one or more of these problems. A computationally efficient method that enables real-time monitoring and control of reaction processes is provided.

[0062] Specific implementations of the embodiments of the present disclosure are further described below with reference to the accompanying drawings of the embodiments of the present disclosure.

[0063] FIG. 1 is a flowchart of an exemplary process of a method 100 for monitoring and controlling a reaction process according to an embodiment of the present disclosure.

[0064] Next, a specific process of the method 100 for monitoring and controlling a reaction process is described in detail with reference to FIG. 1.

[0065] The method 100 begins with step S102, which involves receiving control parameters and sensor data from a control system. This step is crucial for obtaining up-to-date information about the reactor's current state.

[0066] Control parameters refer to adjustable variables that influence the operation of a reactor or chemical process. Examples may include variables such as temperature setpoints, pressure levels, and stirring speeds. These parameters can be modified through a control system to optimize reaction conditions and outcomes.

[0067] Sensor data encompasses measurements collected from various instruments monitoring the reaction process. This may include temperature readings, pressure gauges, flow meters, pH sensors, and concentration analyzers. Sensor data provides real-time information about the state of the reaction and is crucial for process control and monitoring.

[0068] Following the data acquisition, the method proceeds to step S104, where flow rate data between compartments of a compartment network representing a reactor is generated based on the received control parameters and sensor , using a pre-trained surrogate model.

[0069] Flow rate data quantifies the movement of material between compartments in the network. This data is crucial for accurately modeling the mixing and transport phenomena within the reactor, which significantly influence reaction kinetics and overall process performance.

[0070] The pre-trained surrogate model is a computationally efficient approximation of a more complex Computational Fluid Dynamics (CFD) simulation. It has been pre-trained using data from full CFD simulations to learn the relationships between input parameters and output variables. The primary function of this step is to generate flow rate data between compartments of a compartment network representing the reactor. This approach allows for rapid prediction of flow behaviors without the need for time-consuming CFD calculations, enabling real-time monitoring and control.

[0071] FIG. 2 is a flowchart of an exemplary process of training the surrogate model used in the method of FIG. 1. This method 200 outlines the steps required to create and train an accurate surrogate model that can be used for real-time flow prediction in chemical reactors.

[0072] The method 200 begins with step S202, which involves defining a compartment network for a reactor. This step is crucial for determining the spatial resolution of the model and the level of detail at which the reaction process will be simulated. The compartment network divides the reactor volume into discrete compartments, each representing a region where chemical reactions and mass transfer occur. The number and arrangement of compartments can be optimized based on the specific reactor geometry and the desired balance between accuracy and computational speed.

[0073] Optionally, the compartment network is created by dividing a space of the reactor by 3x3x3 in cylindrical coordinate system.

[0074] Step S204 focuses on defining a parameter set for the reactor. This set includes all relevant variables that influence the reaction process and fluid dynamics within the reactor. Parameters may include physical properties of the reactants and products, operating conditions such as temperature and pressure, and reactor-specific variables like stirring speed or heating power. The careful selection of these parameters is essential for ensuring that the surrogate model accurately captures the behavior of the real system across a wide range of operating conditions.

[0075] In step S206, a Computational Fluid Dynamics (CFD) simulation model is created based on the defined compartment network and parameter set. This CFD model serves as the high-fidelity reference against which the surrogate model will be trained. The CFD simulation incorporates detailed physical models for fluid flow, heat transfer, and chemical reactions, providing a comprehensive representation of the reactor's behavior.

[0076] Step S208 involves generating a sample pool for the parameter set defined in step S204. This sample pool is created using advanced sampling techniques such as Latin Hypercube Sampling (LHS) to ensure a comprehensive coverage of the parameter space. The sampling strategy is designed to capture a wide range of possible operating conditions and reactor states, enabling the surrogate model to generalize well to various scenarios.

[0077] In step S210, simulations are performed for each sample in the sample pool using the CFD simulation model created in step S206. These simulations provide detailed data on flow patterns, temperature distributions, and species concentrations throughout the reactor for each set of input parameters.

[0078] Step S212 focuses on exporting data for each sample from the CFD simulations. This data includes key outputs such as flow rates between compartments, temperature profiles, and concentration distributions. The exported data serves as the training dataset for the surrogate model, representing the complex relationships between input parameters and reactor behavior that the surrogate model must learn to approximate.

[0079] Finally, step S214 involves training the surrogate model using the exported data from the CFD simulations. This training process employs advanced machine learning techniques to create a model that can quickly and accurately predict reactor behavior based on input parameters. The choice of machine learning algorithm depends on the complexity of the relationships being modeled and the desired balance between accuracy and computational efficiency. Potential approaches include neural networks, Gaussian process regression, and so on.

[0080] The trained surrogate model resulting from this process can be used in the method described in FIG. 1, it can be applied to fast predict the flow rate between the compartments so that the reaction simulation with compartment model can be run with low computational cost.

[0081] The method then proceeds to Step S106. Step S106 involves running a chemical reaction simulation using the flow rate data generated by the surrogate model. This simulation incorporates reaction kinetics, thermodynamics, and mass transfer effects to predict the evolution of chemical species concentrations over time and space within the reactor. The simulation takes into account the flow rates between compartments, allowing for a more accurate representation of mixing and transport phenomena compared to simplified models that assume perfect mixing.

[0082] "Flow rate data" quantifies the movement of material between compartments in the network. This data is crucial for accurately modeling the mixing and transport phenomena within the reactor, which significantly influence reaction kinetics and overall process performance.

[0083] Optionally, running a chemical reaction simulation includes solving a dynamical equation for each compartment that accounts for reaction rates within the compartment and mass flux between neighboring compartments.

[0084] Specifically, the flow rate data between the neighboring compartments is generated with the surrogate model and used for the reaction simulation. For example, the reactant 1 in compartment 1 is governed by the dynamical equation:

[0085] V1dC11 / dt = A11C11exp (-k11t) + A12C21exp (-k12t) + …+ A1NCN1exp (-k1Nt) + q21C12 + q31C13 + …+ qM1C1M - (q12+q13+…+q1M) C11

[0086] where, qij is the flow rate from compartment i to compartment j calculated from the surrogate models, Cij is the concentration of reactant i in compartment j. The left N terms are for the generation rate of reactant 1 inside the compartment, and the right M terms are for the mass flux transporting from or to the neighboring compartments.

[0087] The method then proceeds to step S108, which focuses on monitoring at least one of the reaction Key Performance Indicators (KPIs) based on the chemical reaction simulation. KPIs may include metrics such as reaction rate of a product and total amount of product. the KPI predicted from the chemical reaction simulation can be well monitored without additional physical sensors. By continuously monitoring these indicators, the method provides real-time insights into the performance and efficiency of the reaction process.

[0088] An optional step S110, represented by a dashed box in FIG. 1, involves controlling the reaction process based on the monitored KPIs. This step closes the feedback loop, allowing for automatic adjustments to the reactor conditions to optimize the reaction process. Control actions might include modifying temperature setpoints, adjusting flow rates, or changing catalyst concentrations to maintain desired performance levels or respond to changing process conditions.

[0089] For example, controlling the reaction process may include adjusting a reaction rate of reaction product based on a preset threshold to obtain an expected total amount of product within a preset time.

[0090] The method 100 represents a significant advancement in reaction process control by combining the computational efficiency of surrogate modeling with the spatial resolution of compartment-based simulations. This approach enables real-time monitoring and control of complex chemical reactions, even in highly dynamic operating environments where traditional CFD-based methods would be too slow to respond effectively.

[0091] FIG. 3 is a block diagram of an exemplary configuration of an apparatus 300 for monitoring and controlling a reaction process. This apparatus implements the methods described in FIG. 1 and 2, with each component corresponding to specific steps or functionalities in the workflow generation process.

[0092] As shown in FIG. 3, the apparatus 300 for monitoring and controlling a reaction process includes: a receiving unit 302, a flow rate data generating unit 304, a simulation unit 306, and a monitoring unit 308.

[0093] The receiving unit 302 is configured to receive control parameters and sensor data from the reactor's control system. This unit serves as the interface between the control system and the reactor, collecting real-time data on operating conditions, sensor measurements, and control inputs.

[0094] The flow rate data generating unit 304 is configured to generate flow rate data between compartments of a compartment network representing a reactor based on the received control parameters and sensor data using a pre-trained surrogate model. By using the surrogate model instead of full CFD simulations, this unit can provide near-instantaneous predictions of flow rate data based on the current reactor conditions.

[0095] The simulation unit 306 is configured to run a chemical reaction simulation using the flow rate data.

[0096] The monitoring unit 308 is configured to analyze the results of the chemical reaction simulation to track key performance indicators (KPIs) of the reaction process. The monitoring unit 308 can provide real-time insights into process efficiency, product quality, and other critical metrics, enabling operators to make informed decisions about process control.

[0097] Optionally, apparatus 300 for monitoring and controlling a reaction process further include a controlling unit 310. The controlling unit 310 is configured to control the reaction process based on the monitored KPIs. The controlling unit 310 can use the insights provided by the monitoring unit to implement automatic control actions, adjusting reactor parameters to optimize performance or maintain desired operating conditions.

[0098] For example, details of operations and functions of various parts of the apparatus 300 for generating domain-specific workflows may be the same as or similar to related parts of the embodiments of the method 100 for generating domain-specific workflows according to the embodiments of the present disclosure described with reference to FIG. 1. Detailed descriptions are not repeated here.

[0099] It is to be noted that, the apparatus 300 shown in FIG. 3 and structures of constituent units of apparatus 300 are only exemplary. Those skilled in the art may modify a structural block diagram shown in FIG. 3 as required.

[0100] FIG. 4 illustrates a block diagram of a system 400 for monitoring and controlling a reaction process. This system integrates the apparatus described in FIG. 3 with other key components necessary for implementing advanced process control in an industrial setting.

[0101] The system 400 includes three main components: a control apparatus 402, an apparatus for monitoring and controlling a reaction process 300 (as detailed in FIG. 3) , and a reactor 404. These components work together to create a closed-loop control system for optimizing chemical reaction processes.

[0102] The control apparatus 402 represents the existing control infrastructure in the industrial setting. This may include programmable logic controllers (PLCs) , distributed control systems (DCS) , or other industrial control hardware. The control apparatus 402 is responsible for executing basic control functions, managing safety systems, and interfacing with human operators.

[0103] The apparatus for monitoring and controlling a reaction process 300 is the core of the advanced control system. It implements the surrogate model-based monitoring and simulation capabilities described in previous figures. This apparatus receives data from the control apparatus 402 and the reactor 404, processes this information using its internal units (receiving unit, flow rate data generating unit, simulation unit, and monitoring unit) , and provides advanced insights and control recommendations.

[0104] The reactor 404 represents the physical chemical reactor where the process takes place. It is equipped with various sensors for measuring process variables (e.g., temperature, pressure, flow rates) and actuators for implementing control actions (e.g., valves, heaters, stirrers) . The reactor 404 is the source of the real-time data used by the monitoring and control apparatus and the target of control actions implemented by the system.

[0105] Referring to FIG. 1 to FIG. 4 as above, a method, an apparatus and a system according to the embodiments of the present disclosure are described. Various units of the apparatus 300 described above may be implemented by hardware, or may be implemented by software or a combination of hardware and software.

[0106] FIG. 5 is a block diagram of an electronic device 500 according to an embodiment of the present disclosure. According to an embodiment, the electronic device 500 may include at least one processor 502. The processor 502 executes at least one computer-readable instruction stored or coded in a computer-readable storage medium (that is, a memory 504) .

[0107] It is to be understood that the computer-executable instructions stored in the memory 504, when executed, enable the at least one processor 502 to perform various operations and functions described in various embodiments of the present disclosure with reference to FIG. 1 to FIG. 3.

[0108] According to an embodiment, a non-transient machine-readable medium is provided. The non-transient machine-readable medium may have instructions (that is, the foregoing elements implemented in the form of software) , and the instructions, when executed by a machine, enable the machine to perform various operations and functions described in various embodiments of the present disclosure with reference to FIG. 1 to FIG. 3.

[0109] According to an embodiment, a computer program is provided, including computer-executable instructions. The computer-executable instructions, when executed, enable at least one processor to perform various operations and functions described in various embodiments of the present disclosure with reference to FIG. 1 to FIG. 3.

[0110] According to an embodiment, a computer program product is provided, including computer-executable instructions. The computer-executable instructions, when executed, enable at least one processor to perform various operations and functions described in various embodiments of the present disclosure with reference to FIG. 1 to FIG. 3.

[0111] Not all units in various foregoing structural diagrams are necessary, and some units may be omitted according to actual requirements. The apparatus structure described in various foregoing embodiments may be a physical structure or a logical structure. That is, some units may be implemented by the same physical entity, or some units may be separately implemented by multiple physical entities, or may be implemented by some components in multiple independent devices together.

[0112] The descriptions of the content of the present disclosure are provided to allow any person of ordinary skill in the art to implement or use the content of the present disclosure. For a person of ordinary skill in the art, various modifications on the content of the present disclosure are obvious. In addition, a general principle defined in this specification may be applied to other variants without departing from the protection scope of the content of the present disclosure. Therefore, the content of the present disclosure is not limited to the examples and designs described in this specification, but is consistent with the widest range conforming to the principle and novelty disclosed in this specification.

[0113] The foregoing descriptions are merely preferred embodiments of the present disclosure, but are not intended to limit the present disclosure. Any modification, equivalent replacement, or improvement made within the spirit and principle of the present disclosure fall within the protection scope of the present disclosure.

[0114] Nouns and pronouns related to humans in this patent application are not limited to specific genders.

Claims

1.A method for monitoring and controlling a reaction process, comprising:receiving (S102) control parameters and sensor data from a control system;generating (S104) flow rate data between compartments of a compartment network representing a reactor based on the received control parameters and sensor data, using a pre-trained surrogate model;running (S106) a chemical reaction simulation using the flow rate data; andmonitoring (S108) at least one of reaction key performance indicators (KPIs) based on the chemical reaction simulation.2.The method of claim 1, further comprising:controlling (S110) the reaction process based on the monitored KPIs.3.The method of claim 1, wherein the surrogate model is trained by:defining (S202) a compartment network for a reactor;defining (S204) a parameter set for the reactor;creating (S206) a computational fluid dynamics (CFD) simulation model based on the compartment network and the parameter set;generating (S208) a sample pool for the parameter set;performing (S210) simulations for each sample in the sample pool using the CFD simulation model;exporting (S212) data for each sample; andtraining (S214) the surrogate model using the exported data.4.The method of claim 3, wherein the compartment network is created by dividing a space of the reactor by 3x3x3 in cylindrical coordinate system.5.The method of claim 3, wherein the parameter set comprises control parameters and sensor data, which comprising at least one of: liquid density, stirring speed, temperature, feeding rate, and heating power rate.6.The method of claim 3, wherein the sample pool is generated using Latin Hypercube Sampling (LHS) sampling algorithm.7.The method of claim 3, wherein training the surrogate model comprises using at least one of traditional regression methods or machine learning algorithms.8.The method of any one of claims 1 to 7, wherein running a chemical reaction simulation comprises solving a dynamical equation for each compartment that accounts for reaction rates within the compartment and mass flux between neighboring compartments.9.The method of any one of claims 1 to 7, wherein the KPIs comprises at least one of: reaction rate of a product and total amount of product.10.The method of claim 2, wherein controlling the reaction process comprises adjusting a reaction rate of reaction product based on a preset threshold to obtain an expected total amount of product within a preset time.11.An apparatus (300) for monitoring and controlling a reaction process, comprising:a receiving unit (302) , configured to receive control parameters and sensor data from a control system;a flow rate data generating unit (304) , configured to generate flow rate data between compartments of a compartment network representing a reactor based on the received control parameters and sensor data, using a pre-trained surrogate model;a simulation unit (306) , configured to run a chemical reaction simulation using the flow rate data; anda monitoring unit (308) , configured to monitor at least one of reaction key performance indicators (KPIs) based on the chemical reaction simulation.12.The apparatus of claim 11, further comprising a controlling unit (310) , configured to control the reaction process based on the monitored KPIs.13.A system (400) for monitoring and controlling a reaction process, comprising:a control apparatus (402) ;a reactor (404) ; andan apparatus (300) according to claims 11 or 12 for monitoring and controlling a reaction process in the reactor (404) .14.An electric device (500) , comprising:at least one processor (502) ; anda memory (504) coupled to the at least one processor (502) , wherein the memory is configured to store computer-executable instructions, and the computer-executable instructions, when executed by the at least one processor (502) , enable the at least one processor (502) to perform the method according to any one of claims 1 to 10.15.A non-transient machine-readable storage medium, storing executable instructions, wherein the instructions, when executed, enable a machine to perform the method according to any one of claims 1 to 10.16.A computer program product, wherein the computer program product is tangibly stored on a computer-readable medium and comprises computer-executable instructions, and the computer-executable instructions, when executed, enable at least one processor to perform the method according to any one of claims 1 to 10.

Images