當方程式比未知數還多，或還少：程序衡算真正的勝負手

當方程式比未知數還多，或還少：程序衡算真正的勝負手

入門篇教過你「畫一個框、寫下守恆律」。但真到了一張畫滿管線、有反應、有再循環（recycle）、有放空（purge）的程序流程圖（flowsheet）前面，多數人卡住的地方不是不會寫平衡式，而是——寫出一堆方程式之後，根本不知道該從哪一條先解。

更糟的情況有兩種：方程式比未知數還少，問題無解（under-specified，欠定）；或方程式比未知數還多，問題互相矛盾（over-specified，過定）。一個訓練有素的化學工程師，在動筆計算前，會先做一件入門課很少強調、卻決定成敗的事——自由度分析（degree-of-freedom analysis）。它回答的問題很單純卻致命：「這個問題，到底解不解得出來？」

本文假設你已經熟悉總質量平衡、成分平衡、能量平衡與轉化率的寫法。我們要往前一步，談的是「怎麼把這些平衡式組成一個可解的系統，並在含再循環的真實程序中收斂出答案」。這正是程序模擬軟體（Aspen Plus、DWSIM）引擎蓋底下真正在做的事。

自由度分析：計算之前的計算

自由度（degree of freedom, DOF）的定義是：

$$N_{\text{DOF}} = N_{\text{unknowns}} - N_{\text{independent equations}}$$

判讀規則乾淨俐落：

• $N_{\text{DOF}} = 0$：問題恰好設定（well-specified），理論上有唯一解，可以放心計算。
• $N_{\text{DOF}} > 0$：欠定，未知數太多。你必須再指定 $N_{\text{DOF}}$ 個設計變數（design variable，例如進料流率、轉化率、某股回收比例），問題才封閉。
• $N_{\text{DOF}} < 0$：過定，方程式太多。要嘛你誤把不獨立的式子當成獨立，要嘛量測資料彼此衝突（這正是後面要談的資料校正問題的起點）。

關鍵在於 $N_{\text{independent equations}}$ 這個「獨立」二字。對一個有 $C$ 個成分的單元，你能寫的質量平衡式總數是 $C$ 條成分平衡，或者「$C-1$ 條成分平衡 $+ 1$ 條總質量平衡」——但這兩組不能同時全用，因為總質量平衡只是所有成分平衡的加總，並非獨立資訊。初學者最常見的錯誤，就是把總平衡和全部成分平衡都算進去，導致誤判為過定。

動手試試：數一座分離器的自由度

考慮一個穩態氣液分離器（flash drum），進料含 3 個成分（$C=3$），分成氣相產品與液相產品兩股輸出。先數未知數：

• 每股的「總流率 + 各成分組成」。一股 3 成分的物流，獨立變數是 1 個流率 $+$ $(3-1)=2$ 個莫耳分率 $= 3$ 個。三股（進料、氣、液）共 $3 \times 3 = 9$ 個變數。
• 通常進料完全已知（給定流率與兩個組成，3 個值）。

獨立方程式：

• 成分質量平衡：$C = 3$ 條。
• 相平衡關係（phase equilibrium）：每個成分一條 $y_i = K_i x_i$，共 3 條。
• 莫耳分率歸一（$\sum y_i = 1$、$\sum x_i = 1$）：這兩條若你已用「$C-1$ 個分率 $+$ 流率」來描述每股，就已內含、不可重複計入。

於是：

$$N_{\text{DOF}} = \underbrace{9}_{\text{變數}} - \underbrace{3}_{\text{已知進料}} - \underbrace{3}_{\text{成分平衡}} - \underbrace{3}_{\text{相平衡}} = 0$$

DOF 為零，問題封閉，可解。但若你忘了相平衡那 3 條（只當它是「把進料分兩半」的黑箱），$N_{\text{DOF}} = 3$——系統告訴你「資訊不足，氣液怎麼分你還沒講清楚」。自由度分析的價值，就是在你浪費半小時亂解之前，先告訴你問題到底缺什麼。

反應系統：用反應進度取代一堆轉化率

入門篇用「轉化率 $X_A$」處理反應。但當系統裡有多個獨立反應同時進行（例如甲烷重組同時發生重組與水煤氣轉移），逐一追蹤每個成分的生成消耗會讓未知數爆炸。研究所層級的做法，是改用反應進度（extent of reaction）$\xi$ 作為核心變數。

對第 $k$ 個反應，定義反應進度 $\xi_k$（單位 mol/time），則成分 $i$ 的出口莫耳流率可以寫成一個漂亮的線性組合：

$$\dot{n}_{i,\text{out}} = \dot{n}_{i,\text{in}} + \sum_{k} \nu_{ik}\, \xi_k$$

其中 $\nu_{ik}$ 是成分 $i$ 在反應 $k$ 中的化學計量係數（stoichiometric coefficient，反應物為負、產物為正）。這個寫法的威力在於：不論系統有幾個成分，未知的反應變數只有「獨立反應的數目」這麼多個。

獨立反應的數目怎麼定？它等於化學計量矩陣（stoichiometric matrix）$\boldsymbol{\nu}$ 的秩（rank）。換句話說，你列出所有可能發生的反應後，真正貢獻自由度的只有線性獨立的那幾條。這把「反應使自由度增加多少」這個問題，從手工數數變成一個線性代數問題——也是為什麼程序模擬器內部全用矩陣運算。

看一個例子：用反應進度算多反應出口

合成氣（syngas）反應器中同時進行兩個反應：

$$\text{(R1)}\quad \mathrm{CO} + 2\mathrm{H_2} \rightarrow \mathrm{CH_3OH}$$ $$\text{(R2)}\quad \mathrm{CO_2} + 3\mathrm{H_2} \rightarrow \mathrm{CH_3OH} + \mathrm{H_2O}$$

進料：$\mathrm{CO}=100$、$\mathrm{CO_2}=50$、$\mathrm{H_2}=350$（mol/min）。假設由實驗或平衡求得 $\xi_1 = 80$、$\xi_2 = 30$ mol/min。求甲醇與氫氣出口流率。

甲醇（$\mathrm{CH_3OH}$）只生成、不進料，計量係數在兩反應中皆為 $+1$：

$$\dot{n}_{\mathrm{CH_3OH}} = 0 + (1)(80) + (1)(30) = 110 \text{ mol/min}$$

氫氣（$\mathrm{H_2}$）在 R1 係數 $-2$、R2 係數 $-3$：

$$\dot{n}_{\mathrm{H_2}} = 350 + (-2)(80) + (-3)(30) = 350 - 160 - 90 = 100 \text{ mol/min}$$

不必逐成分追轉化率，兩個 $\xi$ 就把所有 5 個成分的出口流率一次鎖定。這就是反應進度法在多反應系統的優雅之處——它把「反應」這件事壓縮成最少的自由度。

真正的難關：再循環讓方程式糾纏成一團

入門篇結尾提過再循環會讓平衡式互相耦合。這裡我們把它說透，因為這是程序衡算從「習題」變成「真實工程」的分水嶺。

考慮一個帶再循環的典型流程：新鮮進料（fresh feed）混入再循環流後進反應器，反應器出口經分離器，產品取出、未反應原料循環回去。問題的麻煩在於：要算混合器的出口，你得知道再循環流；但再循環流來自分離器，而分離器要算又得先知道反應器出口，反應器又依賴混合器出口…… 形成一個首尾相咬的閉環，沒有任何一個單元能「第一個被解」。

工程上有兩種策略破解：

循序模組法（sequential modular, SM）+ 撕裂（tearing）。 既然閉環無法逐一順序解，那就「剪斷」它：選定再循環流為撕裂流（tear stream），先猜一組初值，假裝它已知，順著流程算一整圈，回到撕裂點時得到一組「新算出的」再循環流值。比較猜測值與計算值，若不一致就用計算值更新猜測，再算一圈，直到前後兩圈差異小於容許誤差——收斂（convergence）。這個迭代常用 Wegstein 法或直接代入加速，是 Aspen Plus 預設引擎的核心。

方程導向法（equation-oriented, EO）。 不剪斷，而是把整廠所有單元的質能平衡式全部攤開，組成一個巨大的非線性方程組 $\mathbf{F}(\mathbf{x}) = \mathbf{0}$，再用 Newton–Raphson 法一次性聯立求解：

$$\mathbf{x}^{(m+1)} = \mathbf{x}^{(m)} - \mathbf{J}^{-1}\big(\mathbf{x}^{(m)}\big)\, \mathbf{F}\big(\mathbf{x}^{(m)}\big)$$

其中 $\mathbf{J} = \partial \mathbf{F} / \partial \mathbf{x}$ 是 Jacobian 矩陣。EO 法收斂快、適合做優化（梯度資訊現成），但初值敏感、除錯困難。現代模擬器多半兩者並用：SM 求一個好初值，EO 收尾並做優化。

一個你必須懂的設計直覺：放空與惰性累積

再循環有個反直覺的陷阱。假設進料含有少量惰性氣體（inert，例如氮氣），它不反應、不被分離器移除，於是每循環一圈就累積一點。若不處理，惰性會在循環中無限累積直到系統崩潰。解法是在再循環管路上開一個放空口（purge stream），持續排掉一小股。

穩態下，對惰性做質量平衡會得到一條極簡潔的關係：惰性的進料速率必須等於放空速率（因為惰性既不生成也不消耗，又不從產品離開）：

$$\dot{n}_{\text{inert, fresh feed}} = \dot{n}_{\text{inert, purge}}$$

這條式子讓你能直接定出放空率，而循環流中惰性的濃度，則由放空比例決定。放空太小，惰性濃度飆高、稀釋反應物；放空太大，又把寶貴的未反應原料一起丟掉。這個取捨本身就是一個優化問題——而它的可行域，完全由質量平衡界定。

質量與能量何時必須一起解

入門篇把質量平衡和能量平衡分兩步處理：先算完物流，再算熱量。對「等溫」或「物性與溫度無關」的理想情況，這個解耦（decoupling）成立。但真實程序裡，兩者常是雙向耦合的：

• 反應速率 $r$ 對溫度高度敏感（Arrhenius 關係 $r \propto e^{-E_a/RT}$），溫度變一點，轉化率、進而所有物流組成都跟著變——能量影響質量。
• 反應放熱量 $\propto$ 反應進度 $\xi$，而 $\xi$ 又取決於組成——質量影響能量。

當這兩條回路咬在一起，質量平衡與能量平衡必須聯立求解，不能先後解。這正是非絕熱 CSTR 著名的「多重穩態（multiple steady states）」現象的根源：同一組進料條件，質能耦合方程可能有 3 個數學解（低轉化率、中、高），其中中間那個是不穩定的。哪一個是工廠實際運轉的點，取決於開車路徑——這已經是非線性動力學的領域了，而它的起點，不過就是「質量平衡和能量平衡不肯分開解」這件事。

$$\underbrace{\dot{n}_{A,\text{in}} - \dot{n}_{A,\text{out}} - r(T)\,V = 0}_{\text{質量平衡（含 }T\text{）}} \quad\Big|\quad \underbrace{\dot{Q} + (-\Delta H_{\text{rxn}})\,r(T)\,V - \dot{n}C_p(T-T_{\text{in}}) = 0}_{\text{能量平衡（含組成）}}$$

兩條式子裡都同時藏著 $T$ 與組成，這就是「必須一起解」的數學長相。

質能衡算與優化學的進階連結

入門篇說過質能平衡是優化的等式約束。進階視角要補上一點：約束的數學性質，決定了優化問題的難度。

• 純質量平衡（無反應、線性混合）通常是線性約束，配上線性目標就是線性規劃（LP），全域最佳解唾手可得。
• 一旦加入相平衡、反應動力學、能量耦合，約束變成非線性、甚至非凸（non-convex）。優化問題升級為非線性規劃（NLP），可能有多個局部最佳解——對應前面說的多重穩態。
• 若再加入「設備要不要建」這類整數決策（程序合成、流程結構選擇），就成了混合整數非線性規劃（MINLP），是程序系統工程最硬核的計算難題。

換句話說，你寫下的每一條守恆式的線性與否，直接寫進了優化器要面對的地形。一個能讓問題保持凸性的衡算建模方式，可能比一個更精確但非凸的模型更實用——這是建模藝術，也是研究所程序優化課的核心張力。

重點回顧

• 先算自由度，再算答案：$N_{\text{DOF}} = N_{\text{unknowns}} - N_{\text{independent equations}}$。等於 0 才可解；大於 0 須補設計變數；小於 0 代表過定或誤判獨立方程。
• 總平衡不獨立於成分平衡：$C$ 條成分平衡與「$C-1$ 條成分 $+$ 總平衡」二選一，混用會誤判過定。
• 多反應用反應進度：$\dot{n}_{i,\text{out}} = \dot{n}_{i,\text{in}} + \sum_k \nu_{ik}\xi_k$，獨立反應數 $=$ 化學計量矩陣的秩，把反應自由度壓到最少。
• 再循環需撕裂或聯立：循序模組法靠撕裂流迭代收斂；方程導向法用 Newton–Raphson 一次解全廠。惰性累積靠放空，且穩態下「惰性進料率 $=$ 放空率」。
• 質能耦合不可分解：反應速率對溫度敏感時，質量與能量平衡必須聯立，是多重穩態的根源；約束的線性／凸性直接決定優化難度（LP → NLP → MINLP）。

深入探討（研究所視角）

把上面這些線索往前推，會通向程序系統工程（process systems engineering, PSE）最活躍的幾個前沿：

1. 撕裂變數的最佳選擇與收斂加速。 一張流程圖可能有多種剪法，撕裂流選得好壞直接影響迭代次數。如何用圖論（把單元視為節點、物流視為邊）找出「最小撕裂集合」，以及如何用 Broyden 等擬牛頓法在不算完整 Jacobian 的情況下加速收斂，是模擬器演算法設計的核心。這也解釋了為什麼同一個流程，換個收斂選項就可能從「半小時不收斂」變成「三秒解出」。

2. 資料校正與粗大誤差偵測（data reconciliation & gross error detection）。 真實工廠的流量、溫度量測都有雜訊，使得實測數據違反守恆（$N_{\text{DOF}}<0$ 的過定情境）。資料校正把守恆律當硬約束，求解一個加權最小平方問題，找出「最接近量測、又嚴格守恆」的真實值估計；同時用統計檢定揪出故障的儀表（gross error）。這把衡算從離線設計工具，變成線上即時監測與故障診斷工具，是智慧工廠的基礎設施。

3. 動態衡算與狀態估計（dynamic balance & state estimation）。 保留累積項後，質能平衡成為一組 ODE/PDE，描述開停車與擾動下的演化。把這組動態模型與量測串接，用 Kalman 濾波或移動視窗估計（moving horizon estimation）即時推算那些「量不到卻想知道」的狀態變數（如反應器內部濃度分布），是先進程序控制（APC）與模型預測控制（MPC）的前置條件。

4. 不確定性下的衡算與彈性分析（flexibility analysis）。 真實進料組成、物性參數都有不確定性。如何設計一個程序，使其在參數落在某個區間內時「自由度仍恰當、約束仍可滿足」，是隨機規劃與穩健優化（robust optimization）的範疇。這讓質能平衡從「對一組確定數字成立」升級為「對一整片參數空間成立」。

把這四個方向串起來看，你會發現入門篇那個樸素的「畫一個框」，到研究所其實長成了一棵枝繁葉茂的樹：自由度分析是它的根（判定可解性），撕裂與聯立求解是它的幹（算出穩態），資料校正與動態估計是它伸向真實工廠的兩條主枝（線上運用），而不確定性下的優化則是它最高處迎風的新芽。守恆律本身一個世紀沒變過，真正不斷演進的，是我們在愈來愈複雜、愈來愈真實的世界裡求解它、信任它、運用它的能力——這正是化學工程作為一門系統科學歷久彌新的理由。