摘要：针对高温封闭的乙烯裂解环境下裂解炉炉管温度感知难的问题,提出一种融合机理和长短记忆神经网络(Long Short-Term Memory,LSTM)的裂解炉炉管表面温度场重构方法。该方法首先基于计算流体力学仿真平台fluent构建乙烯裂解反应机理模型,用来描述裂解反应与炉管温度的数学关系,然后利用工业现场数据对机理模型进行数值矫正和过程参数求解,进一步基于皮尔逊相关系数确定适用性强的主要过程参数,在此基础上,设计卷积块注意力模块(Convolu tional Block Attention Module,CBAM)对反映裂解反应与炉管温度关系的主要过程参数的特征进行提取,最后基于遗传算法和LSTM网络设计双向多步预测模型(GA-BMLSTM)对炉管温度分布进行预测。实验结果表明该方法对炉管温度场的重构有较高的准确率和较强的适用性。