Оптимизация энергопотребления установки аминовой очистки газа с глубокой интеграцией Aspen HYSYS и искусственных нейронных сетей

Вот адаптированный и расширенный вариант статьи на русском языке, подготовленный в профессиональном техническом стиле. Все ключевые цифры, наименования программных продуктов, термодинамические модели и технические параметры сохранены.

---

Комплексная оптимизация установок аминовой очистки газа с применением Aspen HYSYS и гибридных нейросетевых алгоритмов

Введение

В процессе переработки природного газа с высоким содержанием кислых компонентов ключевую роль играют установки аминовой очистки, известные также как Gas Sweetening Units. Эти установки предназначены для удаления из сырьевого газа токсичного сероводорода (H₂S) и диоксида углерода (CO₂). Однако процесс аминовой очистки отличается исключительно высокой энергоёмкостью: основная часть тепловой энергии потребляется кипятильниками (ребойлерами) колонн регенерации насыщенного амина. Именно поэтому задача энергосбережения и снижения углеродного следа на подобных объектах приобретает первостепенное значение для газоперерабатывающих предприятий.

В настоящем подробном руководстве рассматривается комплексный подход к оптимизации процесса очистки высокосернистого природного газа. Цель работы — минимизация энергетических затрат и снижение углеродного следа при одновременном соблюдении строгих экологических и технологических требований к качеству товарного газа. Моделирование технологической схемы и сбор данных выполнялись в среде Aspen HYSYS — одной из наиболее распространённых программных платформ для стационарного моделирования газопереработки.

Выбор термодинамического пакета: модель Кента–Айзенберга

Выбор термодинамического пакета является критически важным этапом при моделировании процессов хемосорбции кислых газов. Стандартные кубические уравнения состояния, хорошо зарекомендовавшие себя при расчёте углеводородных систем, не способны корректно описать поведение электролитов в водном растворе амина. Это связано с необходимостью учёта диссоциации молекул, ионных равновесий и неидеальности жидкой фазы.

В данном проекте использовался специализированный термодинамический пакет DBR Amine, представляющий собой независимо кодируемый программный модуль, интегрированный в среду HYSYS. Указанный пакет основан на модифицированной термодинамической модели Кента–Айзенберга (Modified Kent and Eisenberg model). Суть данной модели заключается в эмпирической корректировке констант химического равновесия, что позволяет с высокой точностью рассчитывать парциальные давления паров H₂S и CO₂ над водными растворами метилдиэтаноламина (MDEA) в широком диапазоне температур и степеней насыщения. Такой подход обеспечивает корректное описание термодинамики абсорбции и регенерации амина, что особенно важно при оптимизации энергопотребления ребойлера.

Методология оптимизации: RSM, MLP и RBF

Традиционный параметрический анализ технологических схем часто требует значительных вычислительных ресурсов и не всегда гарантирует нахождение глобального минимума энергозатрат. Для преодоления этих ограничений инженеры применили методологию поверхности отклика (Response Surface Methodology, RSM) в сочетании с архитектурами искусственного интеллекта:

• MLP — многослойный персептрон (Multilayer Perceptron);
• RBF — нейронные сети на радиальных базисных функциях (Radial Basis Function).

Данный гибридный подход позволил построить метамодель, аппроксимирующую нелинейные зависимости между технологическими параметрами и энергопотреблением регенерационной колонны, и использовать её для направленного поиска оптимального режима.

Входные переменные модели HYSYS

Для построения обучающей выборки варьировались основные эксплуатационные параметры установки аминовой очистки. В таблице ниже представлены входные переменные модели HYSYS, их диапазоны и оптимизационные цели алгоритмов машинного обучения.

Для каждой переменной были установлены технологически допустимые границы, обусловленные требованиями к эффективности очистки, коррозионной стойкостью оборудования и гидравлическими характеристиками системы.

Генерация данных и обучение нейронной сети

Массив данных для обучения нейросетевых моделей был сгенерирован с использованием строгой физической модели в Aspen HYSYS. В ходе серии расчётов варьировались:

• расход циркуляции метилдиэтаноламина;
• концентрация амина в водном растворе;
• температура тощего раствора на входе в абсорбер.

Полученный набор данных экспортировался из HYSYS и использовался для обучения нейронной сети. Модель на основе многослойного персептрона (MLP) продемонстрировала высокую способность к аппроксимации сложных нелинейных зависимостей между эксплуатационными параметрами и удельным энергопотреблением ребойлера регенерационной колонны. Это позволило существенно сократить вычислительные затраты по сравнению с прямым многовариантным расчётом в HYSYS.

Валидация гибридной модели

Для проверки достоверности полученных результатов использовался метод обратного тестирования (back-testing). Алгоритм последовательности действий был следующим:

1. С помощью обученной нейросетевой модели определялись оптимальные параметры процесса, соответствующие минимуму энергопотребления ребойлера.
2. Полученные значения вводились обратно в строгую модель Aspen HYSYS.
3. Выполнялась поверка соблюдения технологических ограничений, прежде всего по качеству очищенного газа.

Такой подход позволил убедиться, что рекомендации, выданные искусственным интеллектом, являются физически реализуемыми и соответствуют требованиям производственного регламента.

Результаты

Итоговое решение показало значительное снижение потребности в горячем теплоносителе для ребойлера регенерационной колонны. При этом все экологические и технологические спецификации по чистоте товарного газа были строго соблюдены. В частности, концентрация сероводорода (H₂S) в очищенном газе составила менее 5 ppm на объёмной основе, что соответствует современным мировым стандартам качества товарного природного газа.

Таким образом, предложенная гибридная методология, объединяющая строгое технологическое моделирование в Aspen HYSYS, термодинамический пакет DBR Amine, методологию поверхности отклика и нейросетевые алгоритмы, позволяет эффективно решать задачу энергосбережения на установках аминовой очистки без ущерба для эффективности очистки и экологической безопасности.

Источник

Источник

Теги

• #AspenHYSYS
• #MachineLearning
• #AmineSweetening
• #Thermodynamics
• #Optimization

Источник: https://pmc.ncbi.nlm.nih.gov/articles/PMC12589584/

#AspenHYSYS #MachineLearning #AmineSweetening #Thermodynamics #Optimization