شبیه‌سازی و بهینه‌سازی واحد تصفیه و شستشوی نفت سفید با نرم‌افزار Petro-Sim

نوع مقاله : ترویجی

نویسندگان

1 کارشناس ارشد مهندسی شیمی، دانشگاه آزاد اسلامی، واحد شهرضا، شهرضا، ایران

2 دانشیار، پژوهشکده مهندسی شیمی و نفت، پژوهشکاه شیمی و مهندسی شیمی ایران، تهران، ایران

3 کارشناس پژوهش، شرکت پالایش نفت آبادان، آبادان، ایران

چکیده

حذف مرکاپتان از برش‌های نفتی جهت ارتقای کیفیت آن‌ها دارای اهمیت فراوان است. در این مقاله به شبیه‌سازی واحد تصفیه نفت سفید پالایشگاه آبادان بر اساس روش مراکس با نرم‌افزار Petro-SIM پرداخته شده است. برای مقایسه بهینه‌سازی با نرم‌افزار مذکور، اطلاعات شبیه‌سازی واحد برای پارامترهای تأثیرگذار، در ابتدا یک مدل با استفاده از تحلیل شبکه عصبی به‌دست آمده و مدل اخیر توسط الگوریتم ژنتیک بهینه شد مقایسه نتایج بهینه‌سازی با نرم‌افزار Petro-SIM و الگوریتم ژنتیک نشان داد که دما در هر دو تکنیک یکسان بوده و برابر 125 درجه فارنهایت است که همان دمای عملیاتی است. همچنین فشار به‌دست آمده از الگوریتم ژنتیک و نرم‌افزار Petro-SIM به ترتیب  75/6psig و  79/5psig بوده که نسبت به مقدار عملیاتی اندکی کم‌تر شده است و در مقابل شدت جریان هوای بهینه به کمک الگوریتم ژنتیک  181kg/hr از مقدار بهینه به‌دست آمده از نرم‌افزار ( 8/169kg/hr) بیشتر شده است. علاوه بر این، کسر وزنی بهینه سود در دو هر تکنیک تقریباً برابر 0/28 است و تفاوتی با مقادیر موجود در واحد ندارد. با استفاده از نتایج به‌دست آمده از الگوریتم ژنتیک و وارد کردن این شرایط به نرم‌افزار  Petro-SIM و شبیه‌سازی آن مشخص شد که با بهینه‌سازی شرایط، مقدار غلظت جرمی مرکاپتان در محصول خروجی به کم‌تر از 1ppm خواهد رسید که شرایط مطلوبی را ایجاد خواهد کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Simulation and optimization of Purification and sweeting kerosen unit with Petro-Sim Software

نویسندگان [English]

  • mohammad barzegar ghahfarrokhi 1
  • kobra pourabdollah ghahfarrokhi 2
  • masoud nematollahi 3
1 Msc. in Chemical Engineering, Islamic Azad University of Shahreza
2 Associate Professor, Research Institute of Chemical and Petroleum Engineering, Research Institute of Chemical and Chemical Engineering, Tehran, Iran
3 Research Expert, Abadan Oil Refining, Abadan, Iran
چکیده [English]

Initially a model of neural network analysis achieved and was using by genetic algorithm optimization. Comparing the results of Petro-SIM’s optimization software, and genetic algorithm showed that the temperature in both are equal and pressure from genetic algorithms and Petro-SIM’s software, respectively 75.6 psig and 79.5 psig that are slightly lower than the amount of operational. In contrast the help of genetic algorithm to optimize air flow rate is 181 kg/hr and the optimum value obtained from the Software is 169.8 kg/hr. In addition, optimum weight fraction of soda in both techniques is almost equal to the values in the unit. Using the results of genetic algorithm and Entering this condition to Petro-SIM software and simulation it became clear that optimize the optimum conditions, the value of mercaptan concentration in the product will be less than 1ppm.

کلیدواژه‌ها [English]

  • Kerosene
  • Merox
  • Petro-SIM
  • Artificial neural network
  • genetic algorithm
[1] Fahim, M.A., Al-Sahhaf, T.A., Elkilani, A.S., Foundamental of Petroleom refining, Elsevier, Netherland, pp. 8-15 (2010).
[2] Ganguly S. K., Das G., Kumar S., Sain B., Garg M. O Catalytic Oxidation of Mercaptans in Light Oil Sweetening:Kinetics and Reactor Design, Chem. Eng. Transac. 32, pp. 661-666 (2013).
[3] Leung P.S.K., Bettrton E.A., Hoffman M.R., Kinetics and Mechanism of the Reduction of Cobalt (II) 4, 4', 4", 4 "'- etrasulfophthalocyanine by 2-Mercaptoethanol under Anoxic Conditions, Journal of Physical Chemistry, 93(1), pp. 430-451 (1989).
[4] Sain B., Puri S.N., Das G., Balodi B.P., Kumar S., Kumar A., Kapoor V. K., Bhatia V. K., Rao T.S.R.P., Rai G.P., Process for the preparation of a novel catalyst useful for sweetening Of LPG and light petroleum distillates. US 6 pp. 619-740 (2004).
[5] Lavric E. D., Cerato-Noyerie C., Mass transfer in gas-liquid flow in Corning Advanced-Flow™ reactors, Chemical Engineering Transactions, 29, pp. 979-984 (2012).
[6] Mazgarov, A.M., Vildanov, A.F., Sciamanna, S.F., Jossens, L.W., A Selective Treatment of Various Oils and Gas Condensates to Remove Light Mercaptans and Hydrogen Sulfide, the 15th World Petroleum Congress, Published by John Wiley & Sons, pp.59-62 (1998).
[7]Van de Vusse J. G., Engineering aspects of oxidation of mercaptans in caustic solutions: Reaction kinetics and design of reactor, Chem. Eng. Sci. 8, pp. 72–80 (1958).
[8] Bulsari, A.B., Neural networks for chemical engineers, Elsevier Science, finaland, pp.18-23 (1995).
[9] Demuth, H., Beale, M., Neural Network Toolbox User’s Guide, the Math Works, Inc, pp.24-29 (2002).
[10] http://abadan-ref.ir/
[11] Basu B., Satapathy S., Bhatnagar A. K., Merox and related metal phthalocyanine catalyzed Oxidation processes, Catal. Rev.-Sci. Eng. 35, pp. 571-609 (1993).
[12] Bungartz, H.J., Zimmer, S., Buchholz, M., Pfluger, D., Modeling and Simulation, An Application-Oriented Introduction, Springer, Germany, pp.264 - 278 (2014).
[13] Sparks A.K., Oxidation of Mercaptans, USP 3, pp. 352- 777, (1967).
[14] Shirai H., Tsuiki H., Masuda E., Koyama T., Hanabusa K., Kobayashi N., Functional Metallomacrocycles and Their Ppolymers. 25. Kinetics and Mechanism of the Biomimetic Oxidation of Thiol by Oxygen Catalyzed by Homogeneous Polycarboxy Phthalocyaninato Metals, Journal of Physical Chemistry, 95(1), pp. 417-419 (1991).
[15] Leitao, A., Costa, C., Rodrigues, A., Studies on the impregnation step of the Merox process, Chemical Engineering Science, 42 (10), pp. 2291-2299, (1987).
[16] Bryant, K., Genetic Algorithm and the Traveling Salesman Problem, Hervey Mudd colledge, pp. 13-16 (2000).
[17] روئیائی، س. ج.، شفقت، الف، سلطانعلی، س.، طراحی و شبیه‌سازی فرآیندهای پالایشگاهی با پتروسیم، انتشارات کتاب پدیده، 1391.
[18]  قربانی، ی.، بررسی روش‌های حذف ترکیبات گوگرددار از نفت خام، فصلنامه تخصصی، علمی-ترویجی فرآیند نو، شماره 43، صفحات 19-39، 1392.