شرکت ملی پالایش و پخش فرآورده های نفتی ایران نشریه علمی فرآیند نو 1735-6466 8 43 2013 12 01 Simulation and Study of Desalter Unit Performance: Bandar-Abbas Refinery شبیه سازی و بررسی عملکرد نمک‌زدای پالایشگاه بندرعباس 50 59 5488 FA محمدعلی صفوی دکتری، پژوهنده، گروه فناوری‌های تبدیل و بهینه‌سازی، پژوهشکده توسعه فناوری‌های پالایش و فرآورش نفت، پژوهشگاه صنعت نفت، شهر تهران، استان تهران، صندوق پستی 137-14665، ایران رحمت الله گلپاشا کارشناسی، مدیر گروه، گروه فناوری‌های تبدیل و بهینه‌سازی، پژوهشکده توسعه فناوری‌های پالایش و فرآورش نفت، پژوهشگاه صنعت نفت، شهر تهران، استان تهران، صندوق پستی 137-14665، ایران Journal Article 2013 07 21 Crude oil associated water contains various types of salts causing problems such as corrosion, fouling and plugging of exchangers, furnace pipes and bottom trays of distillation columns in refinery processes. In this study, the performance of refinery desalters is evaluated by calculating the salinity and water cut efficiencies using artificial neural network (ANN) technique. ANN is selected due to its potential for modeling of highly nonlinear phenomena involving in the desalting process. In this study, the performance of the desalting/dehydration process is evaluated by calculating the salinity and water cut efficiencies using data based methods. Five variables namely fresh water flow rate, temperature of fresh water fed to first desalter, oil flow rate and water temperature and flow rate to the second desalter, are introduced to the ANN model as input parameters. The simulation results are compared to the experimental data extracted from Bandar Abbas refineries. The overall agreement between the ANN predictions and experimental data for water cut are acceptable with average error about 0.4% for training and 1.9% for test. Sensitivity analysis has revealed different operating parameters affecting various desalting units. The model is capable of predicting the behavior of desalting process quite well if we access to enough and suitable experimental data. آب‌ همراه نفت خام حاوی نمک‌های مختلفی بوده که باعث ایجاد مشکلاتی نظیر خوردگی، رسوب‌گذاری و مسدود کردن مبدل‌ها، مسیرهای عبور سیال در کوره و سینی‌های پایین برج تقطیر در فرآیندهای پالایش می‌شوند. در مطالعه حاضر، با هدف ارزیابی عملکرد واحد نمک‌زدا در پالایشگاه بندرعباس و با استفاده از داده‌های میدانی، مدلسازی به کمک شبکه عصبی انجام گرفت. در مرحله آنالیز حساسیت برای تعیین اثر هریک از ورودی‌ها بر خروجی‌های مورد نظر، پنج متغیر شدت جریان آب تزریقی به ابتدای خط، دمای آب تزریقی به نمک زدای اول، شدت جریان آب و نفت تزریقی به نمک زدای دوم و دمای آب تزریقی به نمک زدای دوم، که از نظر فرآیندی نیز تاثیر مشخصی بر میزان آب خروجی دارند، به عنوان ورودی های شبکه عصبی درنظرگرفته شد. خطای مدل شبکه عصبی در پیش بینی مقدار آب خروجی در فاز آموزش 4/0 درصد و در فاز آزمایش 9/1 درصد گزارش شده است. بر اساس نتایج بدست آمده، مدلسازی فرآیند نمک‌زدایی به کمک شبکه عصبی نتایج قابل قبولی را حاصل کرده و در صورتی که داده‌های مناسب و به تعداد کافی در دسترس باشد می‌توان بخوبی رفتار فرآیند نمک‌زدایی را با توجه به شرایط عملیاتی پیش‌بینی نمود. https://www.farayandno.ir/article_5488_56c3b2c6ea3a83aaeeff35eeb45d700d.pdf