Table of Contents
درک مدل سازی محاسباتی در پیش بینی شکست در آتش سوزی
بخاری های آتش سوزی در پالایش، پتروشیمی و فرآیندهای تولید برق ضروری هستند، ارائه دمای بالا مورد نیاز برای واکنش هایی مانند اصلاح بخار، تقطیر نفت خام و شکستن اتیلن.یک خاموش شدن تک برنامه ریزی شده به دلیل پارگی لوله، coking، یا آسیب خزیدن می تواند میلیون ها دلار در تولید از دست رفته هزینه و ایجاد خطرات ایمنی جدی ظهور کرده است.
بر خلاف روش های تجربی سنتی که به داده های تاریخی یا حاشیه های طراحی محافظه کارانه متکی هستند، مدل های محاسباتی معادلات بنیادی فیزیک را حل می کنند – حفظ توده، حرکت، انرژی و گونه های شیمیایی – این رویکرد از هندسه بخاری عبور می کند.
کلید شکست مکانیسم های حل شده توسط مدل محاسباتی
شکست های گرم کننده به ندرت ناشی از یک علت واحد است، در عوض، آنها از فعل و انفعال پدیده های حرارتی، مکانیکی و شیمیایی حاصل می شوند.
کریپ و استرس Rupture
در دمای بالا، لوله های فلزی تحت تجزیه و تحلیل استرس محاسباتی زمان وابسته (creep) با استفاده از روش های عنصر محدود (FEM) مدل اثرات ترکیبی فشار داخلی، گرادیان حرارتی و بارهای مرده قرار می گیرند. با پیش بینی تجمع موضعی، مهندسان می توانند زندگی لوله باقی مانده و برنامه ریزی مجدد قبل از پارگی رخ دهد.
Coking و Fouling
از آنجایی که ذخایر هیدروکربن گرم می شوند، رسوبات کربن زا (coke) بر روی دیواره های داخلی لوله تجمع می کنند، انتقال گرما و ایجاد نقاط داغ محلی را کاهش می دهند. پویایی مایع محاسباتی (CFD) همراه با مدل های خویشاوندی واکنشی می تواند نرخ های رسوب و مکان ها را شبیه سازی کند.این به اپراتورها اجازه می دهد تا الگوهای شلیک کننده را تنظیم کنند یا چرخه های هدفمند را اجرا کنند، به حداقل رساندن قطع برق غیر برنامه ریزی نشده.
خستگی حرارتی و شوک
تغییرات سریع دما در طول راه اندازی، خاموش شدن یا شرایط ناراحت باعث ایجاد تنش های حرارتی می شود که می تواند منجر به شکستن مدل های محاسباتی ترانسال شود، شناسایی مناطق مستعد شکستن خستگی، اپراتورها می توانند نرخ های شیب دار را تغییر دهند یا نظارت بر دما را در مناطق بحرانی نصب کنند.
آسیب های ناشی از احتراق
تخلیه شعله یا توزیع نامناسب گرما باعث گرمای موضعی، تسریع اکسیداسیون لوله و تخلیه ماشین می شود. مدل های CFD از آتش جعبه شبیه سازی عملکرد مشعل، شکل شعله و شار گرمای رای گیری است.این باعث می شود دوباره طراحی مجدد طرح های سوخته یا تنظیم نسبت های سوخت / هوا برای جلوگیری از آسیب رساندن به نقاط.
روش های مدل سازی محاسباتی
چندین تکنیک مدل سازی مکمل برای تجزیه و تحلیل بخاری شلیک می شود که هر کدام جنبه های مختلف پیش بینی شکست را در نظر می گیرند.
دینامیک مایع محاسباتی (CFD)
CFD معادلات Navier- ⁇ را برای جریان گاز در داخل جعبه آتش نشانی حل می کند و مایع داخل لوله ها را پردازش می کند.برای طرف جعبه آتش، مدل ها برای آشفتگی، شیمی احتراق و انتقال حرارت رای گیری (با استفاده از مختصات گسسته یا روش مونت کارلو) حساب می کنند.
تجزیه و تحلیل عنصر Finite (FEA)
FEA برای ارزیابی یکپارچگی ساختاری استفاده می شود. توزیع استرس را به دلیل فشار، گسترش حرارتی و خزیدن محاسبه می کند. مدل های پیشرفته شامل تخریب اموال مواد در طول زمان (به عنوان مثال پارامتر لارسون-میلر برای خزیدن) می شوند.
مدل های کینزی
برای پیش بینی نرخ های coking و محصولات خوردگی، شبکه های واکنش دقیق گنجانده شده اند.این مدل ها از معادلات Arrhenius-type برای واکنش های کلیدی استفاده می کنند (به عنوان مثال، کرک کردن، پلیمریزاسیون، سولفات) که در برابر داده های آزمایشگاهی معتبر هستند، آنها تخمین های زمان واقعی از نرخ های خطا، دستورالعمل های تمیز کردن را ارائه می دهند.
کاهش مدل های سفارش و سوررو گیت ها
شبیه سازی های CFD / منطقی در مقیاس کامل، به طور محاسباتی گران هستند.برای نظارت و کنترل آنلاین، مهندسان مدل های سفارش کاهش یافته (ROM) یا ابزارهای یادگیری ماشین آموزش دیده در داده های با رضایت بالا.این تقریبی فیزیک در میلی ثانیه، قادر به پیش بینی شکست و اپراتورهای مشاور در زمان واقعی.
الزامات داده و اعتبار مدل
دقت مدل های محاسباتی به کیفیت داده ها بستگی دارد. ورودی های کلیدی شامل:
- [[۱] [۱۰] [۱] [۱۰] [۱]] قطر لوله، ضخامت دیوار، طرح، وضعیت متخلخل.
- شرایط ضروری: نرخ جریان، دمای داخل و خارج از وعده، فشار، ترکیب.
- خواص مواد: هدایت حرارتی، ضریب گسترش، خزیدن و داده های پاره شده در دمای عملیاتی.
- ] جزئیات سوخته: نرخ شلیک، طول شعله، اکسیژن اضافی.
اعتبارسنجی با مقایسه پیش بینی های مدل در برابر اندازه گیری های گیاهی (به عنوان مثال، ترموزون پوست، متر جریان، خواندن ضخامت دیواره اولتراسونیک) استانداردهای صنعت مانند API 530 (سنگی لوله ضخامت) و API 579 (Fitness-for-Service) دستورالعمل هایی برای استفاده از مدل ها برای ارزیابی زندگی ارائه می دهد.
مزایای مدل سازی محاسباتی برای پیش بینی شکست
هنگامی که به طور سیستماتیک مستقر می شود، مدل سازی محاسباتی تعمیر و نگهداری گرم را از واکنش پذیر به پیش بینی تبدیل می کند. مزایای قابل اندازه گیری عبارتند از:
- خرابی های بدون برنامه ریزی شده: [FLT 1] هشدار های اولیه از خزیدن، سوار شدن یا خستگی حرارتی اجازه می دهد تا خاموش شدن برنامه ریزی شده در طول چرخش برنامه ریزی شده به جای قطع اضطراری.
- حیات لوله ای مطلوب: با اجتناب از بیش از حد گرم و بهینه سازی الگوهای شلیک، لوله ها در داخل پاکت طراحی خود طولانی تر عمل می کنند، و جایگزین های گران قیمت را حذف می کنند.
- بهبود بهره وری انرژی: مدل ها حرارت توزیع شده را شناسایی می کنند، تغییرات فرسودگی را که مصرف سوخت را به میزان 3 تا 8 درصد کاهش می دهد، فعال می کنند.
- ایمنی بیمه: پیش بینی از پارگی قریب الوقوع یا نشت اجازه می دهد اپراتورهای به اقدام اصلاحی قبل از شکست فاجعه بار، محافظت از پرسنل و دارایی.
- فواصل بازرسی عملیاتی: [FLT 1] به جای یک برنامه ثابت، RBI با استفاده از نتایج مدل بر منابع بازرسی در مکان های پرخطر بالا، صرفه جویی در کار و کاهش قرار گرفتن در معرض تمرکز می کند.
مطالعه موردی: مدل سازی محاسباتی در یک اصلاح کننده بخار
یک اصلاح کننده متان بخار را در نظر بگیرید، جایی که صدها لوله پر از کاتالیزور در 900 °C کار می کنند، در طول زمان، شکل، انفجار و دوچرخه سواری حرارتی باعث خرابی لوله می شود. یک پالایشگاه بزرگ خلیج فارس یک مدل CFD-FEA همراه اصلاح کننده خود را اجرا کرد:
- مدل CFD نشان داد که یک تغییر 15٪ در شار گرما در طول مدت اصلاح به دلیل توزیع مواد مخدر سوخته است.
- مدل FEA پیش بینی کرد که لوله های منطقه با نفوذ بالا بعد از ۵ سال به پارگی می رسند، در حالی که دیگران ۸ سال زندگی داشتند.
- با تنظیم چند مرطوب کننده، تغییرات شار گرمایی به 5٪ کاهش یافت و زندگی لوله های پر شده را بیش از 2 سال گسترش داد.
این رویکرد، پالایشگاه را در حدود 1.2 میلیون دلار در جلوگیری از جایگزینی های اضطراری و نگهداری بیش از حد در یک چرخه چرخش واحد ذخیره کرد.
چالش ها و محدودیت ها
علی رغم قدرت، مدل های محاسباتی محدودیت های عملی دارند که مهندسان باید مدیریت کنند:
- هزینه محاسباتی: شبیه سازی های دقیق 3D CFD-FEA می تواند روزها را برای حل خوشه های با عملکرد بالا، این محدود استفاده از آنها برای برنامه های زمان واقعی بدون ROM سورروgate.
- عدم قطعیت داده: اندازه گیری های گیاهی شامل سر و صدا و حرکت است. - عوامل تحریک کننده، اخراج و واکنش خویشاوندی اغلب تقریبی، معرفی باندهای خطا است.
- ساده سازی مدل: بسیاری از مدل ها جریان محور یا احتراق ایده آل را فرض می کنند، که ممکن است پدیده های محلی مانند انفجار شعله یا خم شدن لوله را از دست بدهند.
- مشکل معتبر: به دست آوردن اندازه گیری مستقیم از استرس یا دما در داخل لوله های عملیاتی چالش برانگیز است.تگ اغلب بر دمای پوست و بازرسی لوله پس از آن متکی است.
این محدودیت ها بر اهمیت استفاده از مدل ها به عنوان ابزار پشتیبانی تصمیم به جای پیش بینی های مطلق، تکمیل شده توسط تجربه میدانی و کالیبراسیون منظم در برابر داده های گیاهی تاکید می کند.
مسیرهای آینده: ادغام با دوقلوهای دیجیتال و یادگیری ماشین
مرز بعدی در پیش بینی شکست بخاری شلیک شده، دوقلوی دیجیتال است – یک مدل پویا و به طور مداوم به روز شده که منعکس کننده بخاری واقعی در زمان واقعی است.پیشرفت در سنسورهای IoT (ترموترموزون پوست، آشکارسازهای انتشار صدا، تجزیه و تحلیل کننده گاز پردازش زمان واقعی) اطلاعات را به مدل هایی که الگوریتم های یادگیری ماشین تشخیص می دهند که مدل ها، مانند مراحل اولیه یا تسریع، از دست می دهند.
چندین فروشنده عمده در حال حاضر در حال توسعه راه حل های دوقلو دیجیتال هستند: شرکت دیجیتال زیمنس، AspenTech’s Firedty Suite، و لباس سازی Honeywell، این سیستم عامل ها مدل های مبتنی بر فیزیک را با AI ترکیب می کنند تا هشدارهایی ایجاد کنند و اقدامات توصیه شده در داشبورد اتاق کنترل را توصیه کنند. علاوه بر این، محاسبات ابری شبیه سازی های با فیبر بالا را برای اپراتورهای کوچکتر در دسترس تر می کند.
یک جهت امیدوار کننده دیگر شبکه های عصبی آگاهانه (PINNs) است که معادلات حاکم را در فرآیند آموزش هوش مصنوعی جاسازی می کند. PINN نیاز به داده های آموزش کمتر از مدل های خالص جعبه سیاه و می تواند به شرایط جدید اضافه کند، و آنها را برای پیش بینی شکست در گرم کننده های قدیمی با سوابق شکست تاریخی محدود ایده آل می کند.
استانداردهای صنعت و دستورالعمل ها
تمرین کنندگان باید به استانداردهای تعیین شده برای برنامه مدل محاسباتی اشاره کنند:
- API 530: محاسبه ضخامت لوله مایع در بازسازی نفت
- API 579-1 / ASME FFS-1: Fitness-For-Service
- API 580: بررسی ریسک
- ASME B31.3: پیپینگ فرایند (قابل اجرا برای مدارهای لوله بخاری)
این اسناد روش هایی را برای کاهش تنش های مجاز، ارزیابی زندگی باقی مانده و ادغام نتایج مدل به برنامه ریزی بازرسی ارائه می دهند.منبع های خارجی مانند API.org] و ASME.org] ارائه نشریات و برنامه های آموزشی دقیق.
نتیجه گیری
مدل سازی محاسباتی دیگر ابزار مناسبی برای طراحی بخاری شلیک نمی کند – این یک ضرورت عملیاتی برای مدیریت ریسک شکست است.با شبیه سازی، خزیدن، خستگی حرارتی و ناهنجاری های احتراق با مدل های مبتنی بر فیزیک، مهندسان به دست آوردن توانایی پیش بینی شده است که به طور چشمگیری کاهش می یابد و گسترش عمر دارایی. ادغام یادگیری ماشین و داده های زمان واقعی سرعت بخشیدن به این روند اقتصادی و قابل اطمینان بیشتر از امروز است.