一座工廠每天賺或賠，往往在設計圖完成那一刻就決定了

一座工廠每天賺或賠，往往在設計圖完成那一刻就決定了

想像你接到一個任務：把每天 1000 公斤的乙醇水溶液，從濃度 10% 提純到 95%。你可以選擇蒸餾、薄膜分離、或吸附；你可以把塔做高一點、回流比加大一點，也可以多串幾級。每一種選擇都「可行」，都能把乙醇分出來——但它們的設備成本、蒸汽用量、冷卻水量、佔地面積天差地遠。等工廠蓋好、管線焊死、設備就定位之後，這些差異會以「每年數百萬元的營運成本」具體地呈現出來，而且幾乎改不動了。

這就是程序設計（Process Design）的核心張力：在資訊最不完整、選項最多的階段，做出影響整個生命週期的決策。化學工程師不是在「組合設備」，而是在一個龐大的選項空間裡，搜尋一個同時滿足物理定律、安全規範、環境法規，並且經濟上最划算的設計點。本文要談的，就是這個搜尋過程怎麼進行，以及它如何自然地通向「最適化（Optimization）」。

程序設計的三個層次：從方塊圖到管線圖

程序設計通常分成由粗到細的三個層次，這個分層不是行政上的形式，而是反映了「不確定性逐步收斂」的工程邏輯。

概念設計（Conceptual Design） 是最上層。這個階段只關心物質與能量「從哪來、到哪去、變成什麼」，用的工具是方塊流程圖（Block Flow Diagram）。一個經典的思維框架是 Douglas 的「洋蔥模型（Onion Model）」：最內層是反應器（決定了所有下游要處理什麼），往外一層是分離與回收系統，再往外是熱整合的換熱網路，最外層才是公用設施（蒸汽、冷卻水、電）。設計要由內而外推，因為反應器的選擇會決定外圈所有設備的負荷。

基本設計（Basic / Flowsheet Design） 進到程序流程圖（Process Flow Diagram, PFD）。這裡要把每一股物流的流量、溫度、壓力、組成都算出來，也就是建立完整的質能平衡（Material and Energy Balance）。主要設備的尺寸、操作條件在此確定。

詳細設計（Detailed Design） 產出管線儀器圖（Piping and Instrumentation Diagram, P&ID），標出每一根管、每一個閥、每一個感測器。這是施工的依據。

值得注意的是：愈往上層，決策的「槓桿」愈大。在概念設計階段換一個反應路線，可能讓總成本減半；在詳細設計階段優化一根管徑，省的是零頭。所以好的工程師會把最多的思考留給最上層。

一切的地基：質量與能量平衡

任何程序設計都建立在守恆律上。對一個穩態（steady-state）程序的某個控制體積，總質量平衡是：

$$ \sum_{\text{in}} \dot{m}_i - \sum_{\text{out}} \dot{m}_j = 0 $$

若涉及化學反應，對個別物種 $A$ 要寫成莫耳形式並加入生成/消耗項：

$$ \sum_{\text{in}} \dot{n}_{A,\text{in}} - \sum_{\text{out}} \dot{n}_{A,\text{out}} + \dot{G}_A = 0 $$

其中 $\dot{G}_A$ 是反應造成的 $A$ 之淨生成莫耳速率（消耗時為負）。對反應 $\nu_A A + \nu_B B \rightarrow \nu_C C$，各物種的生成速率透過反應程度（extent of reaction）$\dot{\xi}$ 連結：

$$ \dot{G}_A = \nu_A \dot{\xi}, \qquad \dot{n}_{A,\text{out}} = \dot{n}_{A,\text{in}} + \nu_A \dot{\xi} $$

（化學計量係數 $\nu$ 對反應物取負、生成物取正。）

能量平衡則建立在熱力學第一定律上。對穩態、忽略動能與位能變化的開放系統：

$$ \dot{Q} - \dot{W}_s = \sum_{\text{out}} \dot{n}_j \hat{H}_j - \sum_{\text{in}} \dot{n}_i \hat{H}_i $$

其中 $\dot{Q}$ 是加入系統的熱、$\dot{W}_s$ 是系統對外做的軸功、$\hat{H}$ 是莫耳焓。對有反應的系統，焓的基準要涵蓋反應熱，常用做法是把反應熱 $\Delta H_{\text{rxn}}$ 顯式拉出來：

$$ \dot{Q} - \dot{W}_s = \Delta H_{\text{rxn}} \cdot \dot{\xi} + \sum_{\text{out}} \dot{n}_j \int_{T_{\text{ref}}}^{T_{\text{out}}} C_{p,j}\, dT - \sum_{\text{in}} \dot{n}_i \int_{T_{\text{ref}}}^{T_{\text{in}}} C_{p,i}\, dT $$

這組方程式看似抽象，但它就是流程模擬軟體（如 Aspen Plus、DWSIM）在背後反覆求解的核心。每加一個設備、每接一條物流，模擬器就多一組這樣的方程式，整個流程圖最終變成一個大型非線性方程組。

自由度分析：設計到底有幾個「旋鈕」可以轉

新手最常見的困惑是：「這個程序我到底能自由決定什麼？」答案由自由度分析（Degrees of Freedom, DOF）給出：

$$ \text{DOF} = N_{\text{variables}} - N_{\text{equations}} $$

當 DOF $= 0$，系統剛好被指定，有唯一解（這是模擬問題）。當 DOF $> 0$，代表你還有自由變數可以選擇——這些就是「設計變數（design variables）」，也正是最適化要去調整的旋鈕。當 DOF $< 0$，代表你過度指定（over-specified），方程式互相矛盾，無解。

舉例：一個簡單的閃蒸槽（flash drum），進料的流量、組成、溫度、壓力都已知，要決定出口兩相的狀態。物種平衡、能量平衡、相平衡（$y_i = K_i x_i$）、歸一化條件加起來，通常剩下 2 個自由度——對應到操作壓力與溫度（或熱負荷）這兩個你可以「轉」的旋鈕。理解 DOF 不只是會算數，而是讓你清楚知道：哪些東西是物理定律幫你決定的，哪些是你身為設計者要負責決定的。後者，正是優化問題的決策變數。

從「可行設計」到「最佳設計」：程序設計如何通向最適化

到這裡，程序設計與最適化（Optimization）的關係就浮現了。質能平衡保證你的設計「可行」（守恆、收斂、組分對得上），但可行的設計往往有無窮多個。要從中挑出「最好」的那一個，就要把問題寫成標準的最適化形式：

$$ \begin{aligned} \min_{\mathbf{x}} \quad & f(\mathbf{x}) \\ \text{s.t.} \quad & g_i(\mathbf{x}) \le 0, \quad i = 1, \dots, m \\ & h_j(\mathbf{x}) = 0, \quad j = 1, \dots, p \end{aligned} $$

對應到程序設計： - 決策變數 $\mathbf{x}$：那些 DOF 留下的自由旋鈕——回流比、操作壓力、塔板數、換熱面積、反應器體積等。 - 目標函數 $f(\mathbf{x})$：通常是總年成本（Total Annualized Cost, TAC），把一次性的設備投資攤提成年費，再加上每年的操作成本。 - 等式約束 $h_j$：就是前面那些質能平衡方程——它們不是用來「最小化」的，而是必須嚴格成立的物理事實。 - 不等式約束 $g_i$：純度規格（產品 $\ge 95\%$）、安全上限（壓力 $\le$ 設計壓力）、環境排放限值等。

總年成本常寫成：

$$ \text{TAC} = \frac{C_{\text{capital}}}{n} + C_{\text{operating}} $$

其中 $C_{\text{capital}}$ 是設備總投資、$n$ 是攤提年限、$C_{\text{operating}}$ 是年操作成本（蒸汽、冷卻水、電、原料）。這個結構揭示了程序設計裡無所不在的權衡（trade-off）：把蒸餾塔做高（capital 增加）通常能降低所需回流比（operating 的蒸汽費下降）；反之亦然。最佳設計就落在這兩者總和的最低點。

這也是為什麼「優化工」這門課裡，程序設計與程序最適化幾乎是同一枚硬幣的兩面：設計給出方程與約束，最適化在這些約束內找極值。

看一個例子

我們用一個極簡的蒸餾塔成本權衡來感受這件事。設要分離一股進料，已知分離難度下，回流比 $R$ 與所需理論板數 $N$ 之間有近似反比關係（回流比愈大、所需板數愈少）。為了能手算，我們用一組示意性的函數：

設備成本（與板數成正比，板數又隨回流比下降）：

$$ C_{\text{capital}} = a \cdot N(R) = a \cdot \frac{k}{R - R_{\min}} $$

操作成本（蒸汽量與塔頂蒸氣流量成正比，後者隨回流比線性上升）：

$$ C_{\text{operating}} = b \cdot V = b \cdot D(R + 1) $$

把攤提後的總年成本對回流比 $R$ 寫出（令 $A = a k / n$、忽略常數項，並設 $D$ 為定值）：

$$ \text{TAC}(R) = \frac{A}{R - R_{\min}} + b D (R + 1) $$

要找最低成本，對 $R$ 微分並令其為零：

$$ \frac{d\,\text{TAC}}{dR} = -\frac{A}{(R - R_{\min})^2} + bD = 0 $$

解出最佳回流比：

$$ (R - R_{\min})^2 = \frac{A}{bD} \quad\Rightarrow\quad R^{\ast} = R_{\min} + \sqrt{\frac{A}{bD}} $$

代入數字感受一下：假設 $R_{\min} = 1.2$、$A = 4.8 \times 10^5$（元·無因次）、$b D = 3.0 \times 10^4$（元/年），則

$$ R^{\ast} = 1.2 + \sqrt{\frac{4.8 \times 10^5}{3.0 \times 10^4}} = 1.2 + \sqrt{16} = 1.2 + 4 = 5.2 $$

這告訴我們：在這個假設下，最划算的操作回流比約是最小回流比的 4.3 倍（$5.2 / 1.2 \approx 4.3$）。實務上常見的經驗法則「最佳回流比約為 $1.05 \sim 1.3$ 倍最小回流比」是因為真實的成本函數形狀不同於此示意式，但方法完全一樣：寫出成本對決策變數的函數，微分找極值。當變數從 1 個變成 50 個、約束從手算的 1 條變成模擬器裡的上千條時，手算微分換成數值最適化演算法（如 SQP、內點法），但物理直覺不變。

重點回顧

• 程序設計分概念、基本、詳細三層；愈上層的決策槓桿愈大，最值得投入思考，這也是 Douglas 洋蔥模型「由反應器向外推」的理由。
• 質量平衡（含反應程度 $\dot{\xi}$）與能量平衡（第一定律加反應熱）是所有設計的地基，也是流程模擬器背後反覆求解的非線性方程組。
• 自由度分析 $\text{DOF} = N_{\text{var}} - N_{\text{eq}}$ 告訴你哪些是物理定律決定的、哪些是你要負責決定的設計變數；DOF $> 0$ 留下的自由變數正是最適化的決策變數。
• 程序設計提供約束（質能平衡為等式約束、規格與安全為不等式約束），最適化在其中找總年成本（TAC）的最低點，兩者是同一問題的兩面。
• 程序設計的本質是權衡：設備投資與操作成本此消彼長，最佳設計落在兩者總和的極小值處。

深入探討（研究所視角）

上面的手算範例假裝決策變數只有一個、約束可以代換消去。真實的程序最適化遠比這複雜，研究所層級主要在處理三類難題。

一、混合整數非線性規劃（MINLP）與超結構（Superstructure）。 真正的程序設計不只調整連續變數（流量、溫度），還要決定「結構」——要不要裝這台換熱器？要串幾級反應器？這些是 0/1 的離散決策。Grossmann 等人提出的超結構法，會先建一個「包含所有候選結構」的網路，引入二元變數 $y_k \in \{0,1\}$ 表示某設備存不存在，再交給 MINLP 求解器同時優化結構與操作條件：

$$ \min_{\mathbf{x},\, \mathbf{y}} \ f(\mathbf{x}, \mathbf{y}) \quad \text{s.t.}\ h(\mathbf{x},\mathbf{y}) = 0,\ g(\mathbf{x},\mathbf{y}) \le 0,\ \mathbf{y} \in \{0,1\}^q $$

這類問題非凸（non-convex），存在多個局部最佳解，全域最佳化（global optimization）至今仍是活躍的研究領域。

二、熱整合與夾點分析（Pinch Analysis）。 洋蔥模型最外圈的能量整合，本身就是一個優化問題。透過構建組合曲線（composite curves），可以在不解任何 MINLP 的情況下，先用熱力學手法找出「夾點（pinch point）」，並據此推出整廠最少需要外加多少熱（$Q_{H,\min}$）與冷（$Q_{C,\min}$）。這個下界給了後續換熱網路合成（HEN synthesis）一個明確的標竿，是「先用熱力學洞察縮小搜尋空間，再做數值優化」的典範。

三、不確定性與設計的彈性（Flexibility）。 前面所有方程都假設參數已知，但真實工廠的進料組成會波動、觸媒會衰退、市場價格會變。研究所層級會把問題升級為隨機規劃（stochastic programming）或彈性分析：設計不只要在標稱點（nominal point）最佳，還要能在一整個不確定區間內維持可行與接近最佳。這牽涉到 min–max 形式的雙層優化，計算上極具挑戰。

最後一個值得反思的觀念是：「最佳設計」永遠相對於你寫下的目標函數與約束。如果你只把 TAC 放進 $f(\mathbf{x})$，得到的就是最省錢的設計；但若把碳排、水耗、安全裕度也納入（多目標最適化，Pareto front），最佳點會移動。程序設計的真正功夫，往往不在解優化問題，而在於——你有沒有把對的東西放進目標函數裡。這正是化學工程師從「會算」走向「會判斷」的分水嶺。