داده های دقیق ترمودینامیک بستر شبیه سازی های شیمیایی قابل اعتماد را تشکیل می دهند.این مدل های محاسباتی که به طور گسترده در طراحی، بهینه سازی و عیب یابی گیاهان شیمیایی مورد استفاده قرار می گیرند، بستگی به پیش بینی دقیق املاک برای آینه رفتار واقعی دنیای واقعی دارند، هنگامی که داده های ترمودینامیک دقیق هستند، شبیه سازی ها نتایج قابل اعتماد را به کار می گیرند که منجر به عملیات امن تر، کیفیت محصول بالاتر و کارایی اقتصادی بیشتر می شود، حتی خطاهای کوچک در شبیه سازی داده های دقیق می تواند نتایج قابل توجهی را در این انحراف در این فرآیند پردازش داده های کلیدی در این فرآیند قابل توجه را بررسی کند.

نقش اساسی داده های ترمودینامیک در شبیه سازی فرآیند

در قلب هر شبیه سازی فرایند، مجموعه ای از محاسبات مالکیت ترمودینامیکی است. خواص ضروری شامل enthalpy، آنتروپی، fugacity، ضریب فعالیت و ثابت تعادل فاز (ارزش های K) این خواص را می سازد که چگونه گونه های شیمیایی تحت دما، فشار و موتورهای شبیه سازی ترکیب رفتار - مانندpen، Pro/II، یا gPROMS - این داده ها را حل می کند و سیستم های دقیق را حل می کند.

داده های تعادل فاز به ویژه حیاتی هستند.در تقطیر، استخراج و ستون جذب، داده های تعادل مایع بخار یا مایع مایع تعیین تعداد مراحل نظری، نسبت های ریفلاکس و نرخ های حلال است. طراحی Reactor به مقدار دقیق واکنش و ثابت تعادل بستگی دارد. شبکه های مبدل حرارتی به ظرفیت های دقیق گرما و گرمای دیرین بستگی دارد.

تاثیر کمی از دقت داده ها در نتایج شبیه سازی

اثر عدم امنیت داده ها صرفا کیفی نیست – می تواند از طریق تجزیه و تحلیل های حساسیت و مطالعات موردی اندازه گیری شود. بسیاری از شرکت های مهندسی مستند کرده اند که یک خطای 1٪ در یک ملک کلیدی، مانند پارامتر تعامل دودویی، می تواند منجر به خطای 5 تا 10٪ در طراحی ستون یا انتشار راکتور شود.

صفحه طراحی Distillation Column Design

یک ستون تقطیر باینری را جدا کنید که اجزای نزدیک را جدا می کند.با استفاده از معادله ای از حالت (EOS) با فشار بخار خالص و یا پارامترهای تعامل باینری می تواند به یک نوسان نسبی پیش بینی شده منجر شود که از واقعیت منحرف می شود.یک 10٪ بیش از حد از حد از نوسان نسبی ممکن است منجر به ستون طراحی شده با 20 -30٪ کمتر از زمانی که ساخته شده است، چنین ستون مورد نیاز برای تغییر محصول یا تغییرات اساسی.

Reactor Kinetics و Equilibrium

در مدل سازی راکتور، گرمای نادرست واکنش بر مشخصات دما تأثیر می گذارد و در نتیجه، نرخ واکنش و انتخاب محرک ها. برای واکنش های بیرونی، انتشار حرارت دست کم گرفته می تواند منجر به خطرات خنک کننده و حرارتی نامناسب شود.[۳] در سمت تعادل، ثابت تغییر تعادل اشتباه پیش بینی شده، به طور بالقوه باعث ایجاد یک طراحی بیش از حد مطلوب از حد راکتورهای مقاوم به دلیل خطاهای شبیه سازی ترمودینامیک می شود.

شبکه مبدل حرارتی و بهینه سازی انرژی

طراحی مبدل حرارتی به ظرفیت های حرارتی دقیق و enthalpies متکی است.یک خطای سیستماتیک کوچک در ظرفیت حرارتی مایع (به عنوان مثال، 2٪) می تواند بر تغییرات دمای بزرگ انباشته شود که منجر به محاسبه نادرست وظایف می شود. مبدل حرارتی ممکن است کم اندازه باشد و باعث نقض پیپ در مطالعات یکپارچه سازی گرما به طور مستقیم این مصرف انرژی و هزینه های عملیاتی را تحت تاثیر قرار می دهد.

منابع مشترک داده های ترمودینامیک

درک اینکه در کجا عدم موفقیت ها به مهندسان کمک می کند تا بهبود های را هدف قرار دهند، منابع اصلی شامل خطاهای اندازه گیری تجربی، محدودیت های مدل، مسائل برآورد پارامتر و ناسازگاری پایگاه داده می شوند.

خطای سنجش تجربی

خواص ترمودینامیک تحت شرایط آزمایشگاهی کنترل شده اندازه گیری می شوند، اما هیچ اندازه گیری کامل نیست. خطاهای سیستماتیک در دما یا سنسور های فشار، خلوص نمونه ها و حرکت کالیبراسیون می تواند سوگیری را معرفی کند، به عنوان مثال، اندازه گیری تعادل مایع بخار با استفاده از گردش خون هنوز به عدم اطمینان از تجزیه و تحلیل ترکیب (به عنوان مثال، کروماتوگرافی گاز) و گرادیان گزارش عدم اطمینان در موارد بحرانی ثابت می تواند برای برخی از ترکیبات تشکیل شود.

محدودیت های مدل های پیش بینی

شبیه سازی های فرایند به ندرت تنها بر داده های تجربی متکی هستند؛ آنها از مدل های ترمودینامیکی برای ارتباط و برون قطبی کردن معادلات دولتی (Peng-Robinson، Soave-Redlich-Kwong، SAFT) و مدل های ضریب فعالیت (NRTL، UNIQUAC، ویلسون) استفاده از محدودیت های ذاتی دارند، به عنوان مثال، معادله Peng-Robinson، در حالی که قوانین هیدروکربن بسیار عالی برای استفاده از آن ها به طور گسترده ای از داده های بسیار نامناسب استفاده می کنند.

بازگشت داده ها و برآورد پارامتر

اکثر مدل های ترمودینامیک شامل پارامترهای قابل تنظیم هستند که از داده های تجربی عقب می آیند. فرایند رگرسیون خود می تواند عدم اطمینان را تولید کند، اگر داده های تجربی پراکنده هستند، پوشش یک محدوده دما باریک یا حاوی بیرون رانده شده باشند، پارامترهای بازگشتی ممکن است رفتار فیزیکی واقعی را نشان ندهند. علاوه بر این، بسیاری از مجموعه های پارامتر رایج دهه ها و بر اساس داده های محدود، به عنوان مثال، به طور گسترده ای از تعامل دودویی در داده های بانکی استفاده می کنند.

کیفیت پایگاه داده و سازگاری

پایگاه های داده ترمودینامیک در کیفیت متفاوت هستند.اطلاعات تبلیغاتی ممکن است بر دقت بیشتر کنند.حتی منابع معتبر مانند شیمی وب بوک یا DIPPR (موسسه طراحی برای خواص فیزیکی) ارزش های با عدم اطمینان مستند را ارائه می دهند، اما بسیاری از شبیه ساز ها از نسخه های قدیمی تر استفاده می کنند.

استراتژی های برای قابلیت اطمینان داده ها

بهبود دقت داده های ترمودینامیک نیازمند یک رویکرد چند وجهی است که شامل داده های تجربی با کیفیت بالا، اعتبار دقیق مدل و ابزارهای محاسباتی مدرن می شود.

مدیریت پایگاه های با کیفیت بالا

در هر صورت امکان، شبیه سازی پایه بر داده های تجربی ارزیابی شده انتقادی، منابعی مانند ThermoData Engine و DIPPR 801 داده های قابل اعتماد و مخلوط با برآورد های عدم اطمینان را ارائه می دهند.

مدل اعتبار و پارامتری Tuning

همیشه پیش بینی های مدل را در برابر داده های تجربی قبل از نهایی کردن شبیه سازی تأیید کنید.اگر داده های گیاهی یا نتایج آزمایشی در دسترس باشد، پارامترهای مدل را با استفاده از ابزارهای رگرسیون در شبیه ساز هماهنگ کنید، این مرحله مدل را با واقعیت سازگار می کند.برای سیستم های جدید با داده های کوچک، استفاده از روش های مشارکت گروهی (به عنوان مثال، UNIFAC) با احتیاط و ارزیابی حساسیت در سراسر پنجره عامل مورد انتظار می رود.

استفاده از روش های محاسباتی پیشرفته

هنگامی که داده های تجربی از دست رفته، روش های پیشرفته مانند COSMO-RS (مدل غربالگری مانند مانند نشانه برداری برای حل های واقعی) یا شبیه سازی مولکولی (به عنوان مثال، مونت کارلو یا مولکولی دینامیک) می توانند خواص ترمودینامیک را با دقت شگفت انگیز پیش بینی کنند. این روش ها به پارامترهای بازگشتی از آزمایش تکیه نمی کنند و می توانند به ویژه برای داروهای مایع، داروها، یا سیستم های با فشار بالا، و سیستم های تخصصی، مفید باشند.

عدم اطمینان در شبیه سازی ها

به جای درمان داده های ترمودینامیکی به عنوان تعیین کننده، مهندسان باید عدم اطمینان در خروجی های شبیه سازی را تعیین کنند.این می تواند با استفاده از نمونه کارلو مونت کارلو یا تجزیه و تحلیل حساسیت تعیین کننده انجام شود.با ارائه عدم اطمینان شناخته شده در خواص جزء خالص و پارامترهای باینری از طریق مدل، می تواند فواصل اطمینان برای اندازه تجهیزات، پاکسازی محصول و مصرف انرژی تولید کند.

بهترین روش ها برای مهندسان و محققان

برای جاسازی کیفیت داده ها به کار شبیه سازی روزانه، دستورالعمل های زیر را اتخاذ کنید.

تحلیل Gap Analysis

قبل از شروع شبیه سازی، تجزیه و تحلیل شکاف را انجام دهید: تمام خواص مورد نیاز را فهرست کنید و مشخص کنید که آیا آنها از داده های تجربی (با عدم اطمینان)، تخمین های مشارکت گروهی یا خواص حیاتی پرچم که تصمیمات طراحی را هدایت می کنند، مانند نوسانات نسبی در جدایی، و اطمینان از آنها بالاترین کیفیت داده ها را دارند.

به روز رسانی های منظم پایگاه داده

پایگاه داده های ترمودینامیک به طور مداوم بهبود می یابند. مشترک به روز رسانی های NIST، DIPPR یا ارائه دهندگان تجاری مانند AspenTech جایگزین کردن پارامتر های قدیمی با مقادیر توصیه شده فعلی. بسیاری از بسته های شبیه سازی اجازه می دهند مدیریت پایگاه داده سفارشی؛ استفاده از این ویژگی برای حفظ یک پایگاه داده داخلی تایید شده است.

همکاری هماهنگ سازی

اشتراک گذاری و مقایسه نتایج با همکاران یا تیم هایی که بر روی فرآیندهای مشابه کار می کنند. Cross-checking پیش بینی در برابر منابع مستقل یا مدل های جایگزین (به عنوان مثال، دو EOS مختلف) می تواند خطاهای پنهان را آشکار کند. بسیاری از مطالعات منتشر شده (FLT:0:0) حساسیت پذیری [FLT 1] برجسته می کنند که مدل های مختلف ترمودینامیک می توانند نتایج متفاوتی را تولید کنند، و تاکید بر نیاز به تأیید.

نتیجه گیری: هزینه عدم موفقیت در مقابل سرمایه گذاری در کیفیت داده ها

جامعه مهندسی مدت ها است که به رسمیت شناخته است که هزینه داده های ترمودینامیکی به مراتب بیشتر از سرمایه گذاری مورد نیاز برای به دست آوردن داده های قابل اعتماد است.یک گیاه طراحی شده با داده های ناقص ممکن است نیاز به عقب نشینی گران قیمت، کاهش عملکرد، و یا حتی حوادث ایمنی تجربه، در مقابل، صرف تلاش اضافی در مورد اعتبار داده ها، انتخاب و تجزیه و تحلیل عدم اطمینان در فاز طراحی برای خود، بسیاری از طریق افزایش قابلیت های بهره وری عملیاتی و اطمینان، نه تنها به طور فزاینده ای از تغییرات کیفیت پردازش، به عنوان تغییر می کند.