کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8076693 1521471 2014 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
The use of reduced models for design and optimisation of heat-integrated crude oil distillation systems
ترجمه فارسی عنوان
استفاده از مدل های کاهش یافته برای طراحی و بهینه سازی سیستم های تقطیر نفت خام
کلمات کلیدی
مدل های آماری، بهینه سازی عملیاتی، بازسازی شبکه های مبدل حرارتی، شبکه های عصبی مصنوعی،
ترجمه چکیده
اهمیت بهره برداری از درجه آزادی در فرآیند تقطیر نفت خام برای بهبود عملکرد انرژی، یکی از ویژگی های ادغام فرایند از روزهای اول بوده است. ترکیب ترکیب فرآیند با تغییرات در سیستم بازیابی گرما منجر به نتایج بسیار بهتر، در مقایسه با تغییرات در سیستم بازیابی گرما به تنهایی می شود. با این حال، برای به دست آوردن بهترین نتایج، فرایند تقطیر و شبکه مبدل حرارتی باید به طور همزمان بهینه سازی شود. در حالی که در اصل این ساده است، مشکلات زیادی وجود دارد. روشهای بهینه سازی شبکه های مبدل حرارتی به خوبی توسعه یافته است. در این روش ها، مدل های شبکه مبدل حرارتی در جزئیات شبکه، مانند اتصالات جریان بین مبدل های حرارتی، سطح انتقال حرارت واحد های فردی، و غیره بر اساس در نظر گرفتن این جزئیات شبکه مهم برای طراحی و بهینه سازی سیستم های تقطیر نفت خام است. از سوی دیگر، مدل فرایند تقطیر با مدل شبکه مبدل حرارتی باید به اندازه کافی ساده و قوی باشد تا در چارچوب بهینه سازی گنجانده شود. اگر مدل تقطیر و مدل های بازیابی گرما را می توان به طور موثر ترکیب کرد، پس تنها فرصت های طراحی و تکمیل، و همچنین بهینه سازی عملیاتی وجود ندارد. یکی از چالش های بزرگ در استفاده از این رویکرد پیشرفت، تولید موثر مدل های کاهش تقطیر است. مدل تقطیر کوتاه می تواند مورد استفاده قرار گیرد، اما بسیاری از گزینه های دیگر مانند استفاده از شبکه های عصبی مصنوعی در دسترس هستند. در این مقاله رویکردهای مدل سازی مختلف تقطیر نفت خام مورد بررسی قرار گرفته و زمینه های استفاده از این روش های مختلف را برجسته می کند. یک مثال نشان دهنده عملکرد محاسباتی مدل های تقطیر نفت خام و سخت است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
استفاده از مدل های کاهش یافته برای طراحی و بهینه سازی سیستم های تقطیر نفت خام
چکیده انگلیسی
The importance of exploiting degrees of freedom within a crude oil distillation process for improving energy performance has been a feature of process integration from the earliest days. Combining process changes with changes to the heat recovery system leads to far better results, compared with changes to the heat recovery system alone. However, in order to obtain the best results, the distillation process and heat exchanger network need to be optimised simultaneously. Whilst in principle this is straightforward, there are many difficulties. Methods for the optimisation of heat exchanger networks are well developed. In these methods, heat exchanger network models are based on network details, such as stream connections between heat exchangers, heat transfer area of individual units, etc. The consideration of these network details is important to design and optimise crude oil distillation systems. On the other hand, the distillation process model to be coupled with the heat exchanger network model needs to be simple and robust enough to be included in an optimisation framework. If distillation models and heat recovery models can be combined effectively, then there are not just opportunities for design and retrofit, but also for operational optimisation. One of the big challenges to progress the application of this approach is the effective generation of reduced distillation models. Short-cut distillation models can be used, but many other options are available, such as the use of artificial neural networks. This paper reviews various crude oil distillation modelling approaches and highlights the areas of application of these different approaches. An example illustrates the computational performance of reduced and rigorous crude oil distillation models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 75, 1 October 2014, Pages 5-13
نویسندگان
, , ,