摘要：针对重催干气脱硫过程存在进料波动频繁、优化响应滞后导致能量消耗过大等问题,通过Aspen HYSYS V11软件利用Li-Mather物性方法对该系统进行全流程模拟,根据Plackett-Burman设计筛选对目标值具有显著影响的有效因素,利用基于PSO算法的径向基人工神经网络对预测模型进行训练、验证和测试,并在满足净化干气硫化氢浓度约束的前提下对其进行深度优化,以期最小化系统能耗。结果表明,重催干气流量、重催干气硫化氢浓度、贫液哌嗪质量分数、贫液N-甲基二乙醇胺(MDEA)质量分数、胺液循环量、T-3001塔底温度和E-3003贫液出口温度对系统能耗影响非常显著,当以上述因素为输入信号,以系统能耗为网络输出时,7-16-1型径向基人工神经网络预测模型经过4182次迭代后,它的训练样本、验证样本、测试样本均方误差分别为5.08×10^(-6)、7.78×10^(-6)和9.56×10^(-6),均小于容许收敛误差限10^(-5),而其决定系数亦高达0.981、0.975、0.969,表现出良好的相关性。当利用基于PSO算法的径向基人工神经网络对重催干气脱硫系统能耗进行优化时,经过3198次粒子进化迭代后系统能耗仅为0.0649kg_(oe)/h,较优化前系统能耗0.0713kg_(oe)/h降低了8.98%,节能效果显著。

摘要：为了对天然气凝析油爆炸极限进行准确预测,首先在不同组分含量和现场工况条件下测定了它的爆炸上、下限,并将此实验结果作为径向基人工神经网络训练、验证和测试的样本数据库,然后以天然气凝析油中的C5、C6、C7、C8、C9+质量分数,气相中的O2物质的量分数以及操作温度为输入信号,以爆炸上、下限为输出信号,建立了天然气凝析油爆炸极限预测模型。结果表明,当隐含层节点数为34时,7-34-2型径向基人工神经网络结构合理且准确度良好,经过2190次反复迭代后,该模型的均方误差0.0099小于允许收敛误差限0.0100,预测值和期望值近似呈线性,其在训练阶段、验证阶段与测试阶段的决定系数分别为0.9997、0.9998、0.9999,具有较高的相关性,同时,除了C9+质量分数外,天然气凝析油中的C5、C6、C7、C8质量分数,气相中的O2物质的量分数和操作温度对爆炸上、下限的影响非常显著,建议给予重点关注。本文可为天然气凝析油爆炸风险地有效识别、合理控制与及时消除提供科学、可靠的理论支撑和数据来源。

摘要：利用Aspen Plus 7.2软件搭建了基于ELECNRTL热力学方法的基础模型,采用响应面设计得到了装置热负荷与各影响因素之间的高阶拟合回归方程,并以此为依据得到了最小装置热负荷与对应的关键优化操作参数。结果表明,当热料占比为0.900、塔底压力为400 kPa、侧线采出位置为第18块塔板、热料进料温度为145℃时,装置热负荷由7.139 MW降至6.022 MW,其降幅高达15.65%。为了有效验证上述结果的可靠性,在最佳操作条件下对实际生产装置进行现场标定,测得该装置的实际热负荷为6.036 MW,降幅约为15.45%,与预测值较为接近。本文为进一步挖掘酸性水汽提装置的节能潜力提供了可靠的理论依据与改造思路,对同类装置亦具有一定借鉴作用。