碳捕集系统能耗困局：从反应器CFD到全厂优化的图形工作站硬件配置方案

UltraLAB Max F
2026-05-06

关键词：ANSYS Fluent、Aspen Plus、NSGA-II、OpenFOAM、Pareto前沿、多目标优化、系统动力学、能耗优化

阅读量: 229

第一章：碳捕集不是选择题，是必答题

在中国”双碳”目标倒计时的表盘上，燃煤电厂和钢铁厂的烟囱正被推到关注焦点下。一个1000MW的超超临界机组，每年排放CO₂超过500万吨；一座年产千万吨的钢铁厂，碳排放强度更是逼近2吨CO₂/吨钢。这些数字不会因为政策文件而消失，它们只会因为碳捕集、利用与封存（CCUS）技术的成熟而变得可控。

胺基化学吸收法是当前最成熟、最接近工业化的碳捕集路径。30% MEA（一乙醇胺）水溶液在吸收塔中与烟气逆流接触，CO₂与胺分子发生放热反应生成氨基甲酸盐；富液泵入再生塔，在110–120°C下解吸释放高纯度CO₂，贫液冷却回用。这套流程听起来简单，但工程上存在一个致命软肋：能耗。

传统MEA工艺的再生热耗约为 4.0 GJ/t CO₂，相当于捕集过程额外消耗电厂发电量的25%–30%。这意味着，一座1000MW电厂如果配套90%捕集率的CCUS系统，净输出功率可能缩水250–300MW。能耗问题不是CCUS的附加题，而是决定这项技术能否从示范走向商业化的关键瓶颈。

北京大学工学院能源与资源工程系的研究团队，长期聚焦碳捕集系统的流程模拟与能效优化。在与必和必拓合作的工业碳捕集项目中，北大团队针对钢铁行业开发了技术经济评价模型，完成了10万吨/年全链条CCS-EOR项目的系统分析；在与寰球工程公司的合作中，北大课题组研发的燃烧后胺法碳捕集集成系统，首次应用于国内首套生物质锅炉尾气碳捕集项目。这些工程实践的背后，是一套从反应器内部到全厂系统的多尺度模拟方法论——而这套方法论的瓶颈，最终卡在算力上。

第二章：瓶颈解剖室——为什么碳捕集优化如此吃算力

2.1 反应器内部：微米级液膜与百万级网格的博弈

吸收塔和再生塔是碳捕集系统的核心装备，但它们内部的物理过程远比流程图上的方块复杂得多。

在填料塔中，胺溶液以液膜形式沿填料表面向下流动，烟气则向上逆流穿过填料间隙。CO₂从气相主体扩散到气液界面，穿过界面进入液膜，与胺分子发生瞬时反应。这一过程同时涉及：

流体流动：气液两相逆流，填料周围存在复杂的涡结构和二次流
传质过程：CO₂从气相到液相的跨界面传质，受液膜厚度、界面面积、湍流强度共同控制
化学反应：CO₂ + 2RNH₂ → RNHCOO⁻ + RNH₃⁺（快速反应，放热）
传热过程：反应放热导致液膜温度升高，温度又反过来影响反应速率和平衡常数

要准确捕捉这些耦合过程，CFD（计算流体动力学）是唯一手段。以一座直径3m、填料段高度15m的工业吸收塔为例：

网格尺度	典型网格数	求解变量	稳态求解时间（单节点）
粗网格（RANS+简化反应）	10–50万	速度、压力、温度、3种组分	2–4小时
中等网格（RANS+详细反应动力学）	50–200万	速度、压力、温度、8–12种组分	6–12小时
精细网格（LES/URANS+详细机理）	200–500万	速度、压力、温度、12+组分+液膜解析	24–48小时

注意，这还只是单工况稳态模拟。工程优化需要扫描的参数空间极其庞大：贫液流量、MEA浓度、烟气CO₂分压、液气比、填料类型、操作温度……每个参数组合都需要一次完整的CFD求解。如果要系统性地研究5个关键参数、每个参数5个水平，那就是 5⁵ = 3125 个工况——显然不可能全部用CFD完成，需要借助代理模型或降阶方法筛选。

更棘手的是再生塔。再生过程涉及液相中的氨基甲酸盐热分解、CO₂气泡成核与长大、气液界面的复杂拓扑变化。欧拉-欧拉双流体模型在气泡尺度解析上力不从心，欧拉-拉格朗日方法需要追踪十万至数十万级气泡粒子，对内存和计算资源的要求成倍增加。

2.2 系统层面：流程模拟的耦合诅咒

反应器内部看清了，还需要把它们放到全系统里验证。碳捕集系统不是孤立设备，而是一个包含吸收塔、富液泵、贫富液换热器、再生塔、再沸器、冷凝器、CO₂压缩机、水洗塔在内的复杂热集成网络。

以Aspen Plus或Aspen HYSYS为代表的流程模拟软件，是系统层面分析的标准工具。但流程模拟的求解过程本身也充满挑战：

强非线性方程组：每个单元模块（吸收塔、换热器、泵、压缩机）内部都包含数百到数千个非线性代数方程，全流程串联后系统规模可达数万方程。
迭代收敛困难：吸收塔和再生塔的传质计算与循环物流（贫液回路）强耦合，初值选取不当会导致迭代振荡甚至不收敛。一个大型碳捕集流程的稳态模拟，即使有良好的初始猜测，也可能需要数十次至上百次迭代才能收敛。
物性计算开销：胺溶液的热力学性质和传递性质高度非理想，需要调用专门的物性包（如Electrolyte NRTL）进行活度系数、气液平衡、反应平衡计算。物性计算通常占据流程模拟总时间的30%–50%。

实际项目中，一个完整的碳捕集系统稳态模拟（含灵敏度分析）在单核工作站上可能需要 数小时到一整天。如果需要进行动态模拟（研究负荷波动、启停工况、控制策略），求解时间进一步放大一个数量级。

2.3 优化层面：多目标Pareto前沿的海量采样

CFD看清了反应器内部，流程模拟验证了系统性能，下一步是优化——但碳捕集的优化从来不是单目标问题。

目标1：CO₂捕集率（越高越好，通常要求≥90%）
目标2：再生热耗（越低越好，目标是<2.5 GJ/t CO₂）
目标3：设备投资成本（吸收塔高度、填料体积、换热器面积）
目标4：溶剂损耗与降解（运行成本）
约束条件：操作温度/压力范围、设备尺寸上限、公用工程可用性

多目标优化算法（如NSGA-II、MOEA/D）需要反复调用流程模拟作为适应度评估函数。一次典型的NSGA-II优化：

种群规模：100–200
进化代数：100–300代
总评估次数：1万–6万次流程模拟
单次流程模拟：2–8小时（取决于系统规模和收敛难度）
总计算量：2万–48万CPU小时

这意味着，即使使用并行计算将时间压缩到数周，也需要足够强大的硬件基础设施来支撑大规模并发模拟。

2.4 㶲分析：热力学第二定律的放大镜

能耗高是表象，真正的损失发生在哪里？热力学第一定律（能量守恒）只能告诉你”总量平衡”，无法定位能量品质的退化。㶲（Exergy）分析引入热力学第二定律视角，将能量分为”可用能”和”不可用能”，量化每个过程环节的不可逆损失。

碳捕集系统的㶲损失主要集中在：

吸收塔：气液传质不可逆损失（占系统总㶲损失的20%–30%）
贫富液换热器：有限温差传热不可逆损失（15%–25%）
再生塔/再沸器：高温热源向低温再生供热（25%–35%）
压缩机：CO₂压缩机械不可逆损失（10%–15%）

㶲分析本身计算量不大，但它依赖于全流程模拟提供的每个流股的详细热力学状态（温度、压力、组分、流量）。没有高精度的流程模拟数据，㶲分析就成了无源之水。换句话说，㶲分析的计算成本间接绑定在流程模拟的成本上。

第三章：破局路径——算法与硬件的握手

3.1 CFD降维：从全三维到降阶模型

面对反应器内部模拟的算力黑洞，学术界和工业界发展出多层次的降维策略：

层次1：详细三维CFD

工具：ANSYS Fluent、OpenFOAM、COMSOL
用途：吸收塔/再生塔内部流场、浓度场、温度场的精细解析
适用：机理研究、新型填料/内构件开发、验证实验数据
算力需求：单工况数小时至数天，百万级网格

层次2：一维/准二维简化模型

原理：将三维空间平均化为沿塔高度的轴向分布，径向假设均匀
工具：自定义MATLAB/Python模型、Aspen Custom Modeler
优势：计算速度快（秒级至分钟级），适合参数扫描
局限：无法捕捉壁面效应、沟流、局部传质强化区

层次3：代理模型（Surrogate Model）

原理：用少量CFD全解构建机器学习代理（Kriging、RBF神经网络、高斯过程），替代昂贵的CFD求解
训练数据：数百至数千个CFD工况
推断速度：毫秒级
应用场景：实时优化、在线控制、多目标搜索中的快速适应度评估

关键硬件前提：构建代理模型需要的前期CFD全解数据，仍然依赖强大的工作站或小型集群来完成批量计算。

3.2 流程模拟加速：并行求解与参数扫描

Aspen Plus/HYSYS本身的求解器并非为并行而生，但可以通过任务级并行实现加速：

灵敏度分析并行：将参数空间分解为独立工况，每个核心或每块GPU负责一个子集。例如，1000个工况在64核服务器上并行，理想情况下可将 wall-clock time 压缩到串行的1/64。
案例研究并行：不同溶剂方案（MEA、MDEA、混合胺、相变溶剂）的对比研究，天然适合并行化。
动态模拟分块：长周期动态模拟可以分段进行，每段分配给不同计算节点。

GPU在流程模拟中的角色：传统上，流程模拟是CPU密集型任务。但新一代流程模拟软件（如gPROMS、部分Aspen版本）开始引入GPU加速的物性计算和稀疏矩阵求解。对于包含数百个组分的大型电解质系统，GPU加速可将物性计算速度提升5–10倍。

3.3 多目标优化：从盲目进化到知识引导

降低优化计算量的另一条路径是减少需要真实模拟的评估次数：

自适应代理模型辅助进化算法（SMEA）：在NSGA-II框架中，用代理模型替代大部分真实模拟，仅在Pareto前沿附近调用高精度流程模拟进行验证和修正。
知识嵌入：将热力学约束（如再生温度不能低于100°C）和操作经验直接编码为约束条件，缩小搜索空间。
分阶段优化：先用简化模型（如Edmister近似、Kremser方程）进行粗优化，锁定 promising 区域后再用详细流程模拟精修。

即便如此，一次严肃的碳捕集系统多目标优化，仍然需要 数千次详细流程模拟 作为支撑。这不是一台普通办公电脑能轻松完成的任务。

3.4 㶲分析：从模拟结果到损失地图

㶲分析的计算流程高度标准化：

从流程模拟导出每个流股的温度T、压力P、组分xᵢ、流量F
对每个流股计算物理㶲和化学㶲：
- 物理㶲 = (H – H₀) – T₀(S – S₀)
- 化学㶲 = Σxᵢ·exᵢᶜʰᵉᵐ + R·T₀·Σxᵢ·ln(xᵢ)
对每个设备计算㶲损失 = 输入㶲 – 输出㶲 – 有用功
绘制㶲流图（Grassmann图），可视化损失分布

㶲分析的单次计算量极小（秒级），但它的价值在于批量分析：对比10种溶剂方案、20组操作参数、5种塔内件构型的㶲效率，快速锁定系统瓶颈。这种批量对比的便利性，反过来又依赖于底层流程模拟的高吞吐量。

第四章：解码硬件需求——碳捕集模拟的算力账簿

现在，我们把前面的技术瓶颈翻译成硬件语言。碳捕集模拟不是AI训练，它不需要动辄百GB的显存和矩阵乘法加速；它是一个CPU主频敏感、内存带宽饥渴、并行度中等、存储吞吐量重要的应用场景。

4.1 CPU：求解器的心脏

CFD求解器：有限体积法的核心是每个控制体的质量/动量/能量/组分守恒方程的离散化和线性化。每个时间步/迭代步都需要：

计算通量（面平均速度×面积×物性）
组装稀疏线性方程组（百万级未知量，每行非零元10–30个）
求解压力泊松方程（最耗时，需要代数多重网格AMG或Krylov子空间迭代）

这些操作的特点是：

单核性能敏感：稀疏矩阵向量乘法（SpMV）的内存访问模式不规则，缓存效率低，高主频CPU能显著缩短单步时间。
并行扩展性中等：CFD并行通常按空间域分解，百万级网格分到过少的核心上效率尚可，但超过一定核心数后，通信开销（ghost cell交换）会吃掉收益。对于200万网格的三维问题，8–32核是甜点区。
多工况并行：与其在单个CFD case上堆砌上百核，不如用8–16核跑一个case，同时开4–8个case做参数扫描。这种任务级并行更适合碳捕集优化的实际需求。

流程模拟求解器：Aspen Plus的求解器以序贯模块法（SM）为基础，同时支持联立方程法（EO），两种算法可根据问题类型灵活切换。序贯模块法按单元模块依次序贯计算，直观易收敛；联立方程法将整个流程方程组联立求解，适合强耦合和优化问题。特点是：

串行求解为主，单核性能至关重要
物性计算可以部分并行化（多线程物性包）
多工况并行是主要加速手段

推荐CPU配置：

单路或双路Xeon/EPYC，主频≥2.7GHz，睿频≥3.5GHz
核心数：16–64核（兼顾单case并行和多case并发）
内存通道：8通道DDR5，高内存带宽对CFD的AMG求解器有明显收益

4.2 GPU：并非主角，但有戏份

碳捕集模拟中，GPU不是必需品，但在以下环节可以锦上添花：

CFD中的某些算子加速：OpenFOAM的某些版本支持CUDA加速的PBiCG求解器，对简单几何有1.5–3倍加速；复杂几何收益递减。
代理模型训练：用TensorFlow/PyTorch训练Kriging或神经网络代理模型时，GPU可显著缩短训练时间。
分子级模拟：如果研究深入溶剂分子与CO₂的相互作用（MD/DFT），GPU是必需品。但这已超出传统碳捕集流程模拟的范畴。
物性计算：部分先进流程模拟软件的GPU加速物性包，可将物性查表/插值速度提升5–10倍。

结论：碳捕集模拟的预算中，GPU的优先级低于CPU和内存。如果预算允许，一块中端GPU（RTX Pro 5000/6000级别）足以覆盖上述加速场景；如果预算紧张，纯CPU方案也完全可行。

4.3 内存：碳捕集模拟的第一瓶颈

CFD的内存需求：

100万网格 × 10个变量 × 8字节（双精度） ≈ 80MB（原始变量）
加上系数矩阵（稀疏格式）、预处理子、临时数组，实际占用通常放大5–10倍
200万网格CFD case：8–16GB内存
500万网格精细模拟：20–40GB内存

流程模拟的内存需求：

Aspen Plus的内存占用随系统规模（物流数、单元模块数、组分种类）增长
大型电解质系统（含20+组分、10+单元）：4–16GB
动态模拟、优化敏感性分析：16–32GB

多工况并发：

同时运行4个CFD case + 2个流程模拟 case
总内存需求 = 4×16GB + 2×16GB = 96GB
加上操作系统、后台进程、缓存，128GB是底线，256GB更从容

4.4 存储：被低估的性能杀手

碳捕集模拟产生大量中间文件：

CFD：每个case的网格文件、边界条件、物性表、收敛历史、后处理场数据。一个200万网格瞬态模拟，保存100个时间步的快照，场数据可达 50–100GB。
流程模拟：灵敏度分析生成的数百个case文件、物性数据表、收敛报告。
优化过程：每代种群的中间结果、代理模型训练集、Pareto前沿数据。

存储性能要求：

顺序读写：加载大型网格文件、保存场数据，需要>1GB/s的顺序带宽
随机读写：流程模拟频繁读写临时文件、数据库查询，需要高IOPS
推荐配置：NVMe SSD阵列，容量2TB起步，顺序读≥3GB/s，IOPS≥300K

4.5 网络：单机 vs 集群的边界

单机多核方案适合：

反应器内部CFD（百万级网格）
中小型流程模拟（<50个单元模块）
多工况参数扫描（任务级并行）

集群/多机方案适合：

超大型系统全流程耦合（电厂+CCUS联合模拟）
大规模多目标优化（数万个并发评估）
精细LES模拟（千万级网格+长瞬态）

对于多数高校课题组和企业研发部门，单台高性能工作站足以覆盖90%的碳捕集模拟需求。集群部署更多是为了研究所级的高通量筛选和工业设计院的并行项目交付。

第五章：配置矩阵——从课题验证到工程交付

基于前面的硬件需求分析，我们为碳捕集模拟的四个典型工作阶段匹配计算方案。每个阶段对应一个UltraLAB配置，从”够用”到”从容”递进。

方案A：课题验证级（¥5–8万）

研究状态：单个吸收塔/再生塔的内部CFD研究，或小规模流程模拟验证

典型任务：

吸收塔二维轴对称CFD（10–50万网格）
简化流程模拟（吸收塔+再生塔+换热器，稳态）
单一溶剂方案（MEA 30%）的灵敏度分析

硬件配置：

CPU：Intel Ultra 265K（20核，5.3GHz睿频）或 AMD 锐龙9950X（16核，基频4.3GHz，加速频率5.7GHz）
内存：64GB DDR5-5600
存储：2TB NVMe SSD（顺序读3.5GB/s）
GPU：可选RTX 5090D 32GB（用于代理模型训练或分子模拟）
代表机型：UltraLAB A350 15364-MBT（RTX 5090D×2，64GB，¥50,500）

性能预期：

50万网格稳态CFD：2–4小时/工况
简化流程模拟：10–30分钟/工况
可同时运行1个CFD + 1个流程模拟

局限：

三维全尺寸吸收塔（>100万网格）需要更长时间
多目标优化（>100次评估）周期拉长到数周

方案B：项目并行级（¥16–28万）

研究状态：多方案对比研究、多溶剂筛选、中等规模多目标优化

典型任务：

三维吸收塔CFD（100–200万网格，RANS+详细反应动力学）
全流程模拟（含水洗塔、CO₂压缩、热集成网络）
多溶剂对比（MEA vs MDEA vs 混合胺 vs 相变溶剂）
中等规模多目标优化（种群50×代数50 = 2500次评估）

硬件配置：

CPU：Xeon金牌6530（32核，2.7–4.0GHz）或双路（64核）
内存：128–256GB DDR5-4800（8通道）
存储：4TB NVMe SSD（RAID 0可选，带宽翻倍）
GPU：RTX 6000D 84GB（中国特供版，GDDR7）或 RTX 4090 24GB（双卡可选）
代表机型：UltraLAB AX430 127384-MC2E（双RTX Pro 6000D，384GB，¥272,000）

性能预期：

200万网格稳态CFD：4–8小时/工况；多核并行可压缩至2–4小时
全流程详细模拟：1–3小时/工况
可同时运行2个CFD + 2个流程模拟（总内存占用<200GB）
多目标优化 wall-clock time：2500次评估 × 2小时平均 / 4并发 = 约52小时（2.2天）

收益：

从”一周出一个工况”进化到”一天出四组工况”
支持系统性溶剂筛选（10种溶剂 × 5组参数 × 2种塔内件 = 100个case，一周内完成）

方案C：生产交付级（¥35–50万）

研究状态：工业级全流程优化、大型多目标优化、动态模拟、㶲分析批量对比

典型任务：

全尺寸吸收塔/再生塔CFD（200–500万网格，URANS/LES）
大型全流程动态模拟（负荷跟踪、启停工况、控制策略验证）
大规模多目标优化（种群100×代数200 = 2万次评估）
㶲分析批量对比（50+工况的㶲损失地图）
代理模型训练（数千个CFD全解的数据集构建）

硬件配置：

CPU：双路Xeon金牌6530（64核，2.7–4.0GHz）或 Xeon铂金8558（96核，3.0GHz）
内存：384–512GB DDR5-4800（16通道）
存储：8TB NVMe SSD阵列（RAID 0，顺序读7GB/s）
GPU：4×RTX 4090 24GB 或 2×RTX 6000D 84GB（中国特供版，多卡CFD分解或代理模型训练）
代表机型：UltraLAB GX660M 227384-MD4T（4×RTX 4090，384GB，¥345,000）

性能预期：

500万网格瞬态CFD（10个流动时间）：24–48小时
大型动态流程模拟：4–8小时/工况
并发能力：4个CFD + 4个流程模拟（总内存<400GB）
大规模多目标优化 wall-clock time：2万次评估 × 3小时平均 / 8并发 = 约7500小时（313天）——仍需集群支持，但单机可作为集群的一个强力节点
代理模型训练（5000样本×100维输入）：GPU加速后从数天缩短到数小时

收益：

支持工业项目交付级的模拟吞吐量
动态模拟验证控制策略，降低中试风险
大型代理模型覆盖全参数空间，实现近实时优化查询

方案D：分布式扩展级（¥50万+）

研究状态：研究所/设计院级的高通量筛选、多项目并行、跨尺度耦合

典型任务：

多项目并行（3–5个CCUS项目同时推进）
跨尺度耦合：CFD局部传质系数 → 流程模拟 → 㶲分析 → 多目标优化的闭环迭代
百万级工况的高通量筛选（溶剂分子库、填料构型库、操作窗口自动扫描）
机器学习力场（MLIP）训练：从分子尺度到流程尺度的桥梁

硬件配置：

节点1（CFD集群）：2–4台 GX660M 级工作站，每台64核+256GB，通过InfiniBand/25GbE–100GbE RoCE互联
节点2（流程模拟集群）：2–4台高内存服务器，每台64核+512GB，专攻Aspen Plus/HYSYS并发
节点3（GPU训练节点）：GX660M 227768-MD6E（6×RTX 6000D 84GB，768GB，¥660,000），专用于代理模型和MLIP训练
存储：共享NVMe-oF存储池，10TB+，带宽10GB/s+
代表机型：UltraLAB GX668服务器系列（4U机架，最大8×A100/H100，1TB内存，¥95万–168万）

性能预期：

总并发核心数：256–512核
同时运行CFD case：8–16个（百万级网格）
同时运行流程模拟：16–32个
大规模多目标优化 wall-clock time：2万次评估 × 3小时 / 32并发 = 约1875小时（78天）
配合代理模型：仅需2000次真实模拟 + 代理模型推断，总 wall-clock time 可压缩到 <10天

第六章：避坑与权衡

6.1 GPU的陷阱

碳捕集模拟的最大误区是盲目追求高端GPU。CFD求解器的稀疏矩阵迭代对GPU并不友好，复杂几何的加速收益往往只有1.5–3倍，远低于AI训练中的10–100倍加速。如果你的主要工作是Aspen Plus流程模拟和NSGA-II优化，GPU的收益几乎为零。

建议：

以CPU+内存为优先投资项
GPU作为”可选配件”，仅在代理模型训练或分子模拟有明确需求时配置
RTX 6000D/RTX 4090级别足够，对于纯CFD和流程模拟，A100/H100的加速收益有限，需根据实际工作负载理性选择

6.2 内存的底线

128GB是碳捕集模拟的实用底线。64GB在运行大型流程模拟时可能频繁触发虚拟内存交换，导致求解时间暴增数倍。如果预算紧张，宁可降低CPU档次也要保住内存容量。

6.3 存储的隐形成本

碳捕集模拟的数据积累速度惊人。一个课题组运行一年，模拟数据可能轻松超过10TB。NVMe SSD虽然快，但容量单价高。建议策略：

工作盘：2–4TB NVMe SSD（高速，放活跃项目）
归档盘：8–16TB SATA SSD或机械盘阵列（低成本，放历史项目）
定期归档：项目结题后移至冷存储

6.4 软件的隐形门槛

硬件到位后，软件许可可能成为新的瓶颈：

Aspen Plus/HYSYS：商业许可，按模块和并发数收费
ANSYS Fluent：按求解器核心数或HPC包收费
gPROMS：高级优化模块额外收费
OpenFOAM：免费开源，但学习曲线陡峭

在规划硬件预算时，建议预留20%–30%给软件许可，避免”有机无弹”的尴尬。

结语：算力是碳捕集优化的杠杆

碳捕集技术的核心矛盾是”环保需求”与”经济可行性”之间的张力。降低再生能耗、提高捕集效率、压缩设备投资——每一项改进都需要在反应器内部和全系统层面进行海量模拟和迭代优化。

这些模拟不是装饰品，而是工程决策的证据链。吸收塔内液膜厚度减少10%意味着什么？贫富液换热器端差从8°C降到5°C能节省多少再沸器负荷？MDEA替代MEA的综合收益如何量化？这些问题没有直觉答案，只有算出来的答案。

而算力的意义，在于把”算得出来但等不起”变成”算得出来而且等得起”。一台配置得当的工作站，可以把单工况的求解时间从几天压缩到几小时，把全参数空间的扫描从数月压缩到数周。这不是量变，而是质变——它改变了研究者可以提出的问题类型，从”哪个单点最优”升级为”整个可行域长什么样”。

北京大学工学院的碳捕集研究团队，从反应器内部的CFD模拟到全系统的流程优化，再到面向工业应用的技术经济评价，每一步都需要算力支撑。当算力不再是瓶颈，优化的瓶颈才会真正暴露出来——那是算法和认知的瓶颈，也是下一个突破的起点。

附录：碳捕集模拟软件工具箱

层级	工具	用途	许可类型
CFD	ANSYS Fluent	反应器内部流场、传质传热	商业
CFD	OpenFOAM	开源CFD，自定义反应模型	开源
CFD	COMSOL Multiphysics	多物理场耦合（电化学+流场）	商业
流程模拟	Aspen Plus	稳态流程模拟，电解质系统	商业
流程模拟	Aspen HYSYS	动态模拟，石油天然气流程	商业
流程模拟	gPROMS	高级优化、参数估计	商业
优化	MATLAB + Optimization Toolbox	单目标/多目标优化	商业
优化	PlatEMO / pymoo	开源进化算法框架	开源
㶲分析	EES / Python自定义	㶲计算、Grassmann图绘制	混合
代理模型	Python (scikit-learn, GPy)	Kriging、RBF、高斯过程	开源
代理模型	MATLAB (DACE, SURROGATES)	代理模型训练与验证	商业/开源