蒸馏是最古老且最重要的物理分离技术之一，其原理基于混合物中各组分沸点的差异。该技术广泛应用于化工、精炼和实验室领域（Daei等人，2024年）。蒸馏方法具有简单高效的优势，因此成为分离沸点不同的组分的主要手段（Xue等人，2025年）。然而，蒸馏过程也存在一些缺点，如较高的资本和运营成本，以及共沸物的形成。当需要分离沸点相近的组分时尤为困难，因为此时混合物的相对挥发性接近1，使得分离几乎不可行。为了解决这一问题，采用了萃取蒸馏技术来改变组分的相对挥发性，从而促进分离过程（Kulkarni等人，2015年；Ma等人，2019年）。传统蒸馏方法通常无法分离沸点几乎相同的混合物。在这种情况下，通过引入第三组分（萃取剂）来改变主要组分的相对挥发性，从而提高分离效果（Gil等人，2012年；Ge等人，2023年）。选择合适的萃取剂是萃取蒸馏的关键步骤。萃取剂需具备热稳定性、高沸点、低毒性、易于回收、组分间相对挥发性差、可溶于目标组分、在塔内不单独蒸发、不会随产物一起从塔顶排出、在液相中浓度高以及不与主要成分形成共沸物等特性（Yao等人，2007年）。
萃取蒸馏技术因其在提高分离效率和产物纯度方面的潜力而受到广泛关注（Belinchon等人，2025年）。许多研究致力于设计、控制和优化不同工艺中的萃取蒸馏过程。2016年，Kalla等人（2016年）和Osuolale与Zhang（2016年）使用Aspen Plus软件对以乙二醇为萃取剂的IPA和水共沸混合物的分离过程进行了模拟研究，发现塔的上部区域可得到纯度为99.974%的IPA；下部区域则含有水和乙二醇的混合物，可通过后续塔进一步分离。敏感性分析表明，回流摩尔比、进料温度和进料流量对IPA纯度有影响：增加回流比可提高IPA纯度，但超过1的值对结果影响不大；进料温度升高会因反应放热性质而降低IPA纯度，而将进料流量提高到0.028 kmol/s则有益。2015年，Figueirêdo等人（2015年）研究了使用乙二醇作为萃取剂的无水乙醇分离过程，通过优化操作参数和设计参数降低了成本和能耗。研究发现，增加回收塔的塔板数对降低年总成本（TAC）的效果更为显著。进料流与回收塔底流之间的热量交换使TAC降低了21.9%，特定能耗（SEC）降低了17.9%。乙二醇在溶剂进料中的摩尔分数是优化的重要因素，最佳值为70%。有效分离所需的最低溶剂流量为75.6 kmol/h，最低回流比为0.43。将萃取塔的塔板数从24增加到36后，TAC降低了10.9%，SEC降低了13.5%。从萃取塔顶部获得了纯度为99.9%的乙醇，水和乙二醇则从塔底抽出并在回收塔中分离。2016年，Osuolale与Zhang（2016年）利用人工神经网络（ANN）改进了蒸馏过程的能源效率，该方法考虑了热力学第二定律（尤其是熵和焓），旨在在保证产品质量的同时最小化能耗。Aspen HYSYS软件用于蒸馏系统的模拟。在二元系统和多组分系统中应用这些方法后，蒸馏塔的焓效率显著提升：甲醇-水系统的焓效率提高了11.2%，苯-甲苯系统提高了1.8%，甲醇-水的能耗降低了8.2%，苯-甲苯系统的能耗降低了28.2%。这些改进主要源于操作条件的调整，无需额外投资。此外，多组分系统的焓效率提高了32.4%。Arifin和Chien（2008年）研究了使用二甲基亚砜作为萃取剂的无水异丙醇分离过程的设计与控制。Bakošová等人（2017年）利用神经网络模型预测控制了萃取蒸馏过程以提高丙酮纯度。Tgarguifa等人（2020年）通过神经网络优化了甲醇-水和苯-甲苯混合物的分离过程。Araújo Neto等人（2020年）利用神经网络控制了以乙二醇为萃取剂的无水乙醇分离过程。Ma等人（2019年）通过比较二甲基亚砜和1-乙基-3-甲基咪唑醋酸酯作为萃取剂，研究了无水异丙醇的分离效果。二甲基亚砜和水的混合物还通过膜蒸馏进行了分离。
尽管该领域已有大量研究，但仍需进一步探索。本研究旨在寻找使用DMSO作为萃取剂分离IPA和水混合物的最佳操作条件，分析了塔板数、摩尔回流比、进料温度和萃取剂与进料比例等关键参数，旨在在降低能耗的同时实现IPA的最大纯度。研究使用Aspen Plus软件进行过程模拟，并通过MATLAB软件和粒子群优化方法对参数进行了优化。
