הבנת CSTRs וטביעת הרגל של האנרגיה שלהם

מגיבים מוליכים רצופים (CSTRs) הם מעשי עבודה על פני תעשיות תהליכים כימיים - תרופות ל petrochemicals ו עיבוד מזון. כורים אלה פועלים בתנאים יציבים, עם זרימה רציפה של מגיבים וזרימה של מוצרים, בעוד זעזוע מבטיח הרכב אחיד וטמפרטורה.

  • (FLT:0) עידוד אנרגיה מאנרגיה 1FLT: מנועים נהיגה במנועי רכב כדי לשמור על ההומוגניות ולשפר את העברת ההמונים/חום לעתים קרובות מייצגים 20-40% מכלל צריכת האנרגיה של כור.
  • (ב) ,0) חימום וקירור אנרגיה מתחדשת: כורים ג'קאטים או סלילים פנימיים דורשים קלט תרמי משמעותי כדי לקיים תגובות דיסותרמיות או אנדרמימיות בטמפרטורות סטנקט.
  • (ב) ,0) אספקת אנרגיה מחשמלת: משאבות האכלה וזרימה לנוזלי העברת חום מוסיפים לעומס החשמלי.
  • (ב) ,0) דיכוי ואנרגיה הפרדה (FLT:1: טיפול בגז או עמודות זיקוק (אם משולב) תורמים גם לסף הכולל.

בצמחים כימיים רבים, CSTRs חשבון עבור חלק נכבד של צריכת האנרגיה הכוללת של האתר - לעתים קרובות 10-30% בהתאם לחומרת התגובה וזמן המגורים. עם הידוק תקנות סביבתיות ועלויות אנרגיה עולות, צמצום טביעת הרגל של האנרגיה CSTR הפך לעדיפות אסטרטגית. Computational מציעה מסלול שיטתי, המונע על ידי נתונים להשגת זה ללא שילוב של תשואה או בטיחות.

התפקיד של אופטימיזציה משלימה

אופטימיזציה משלימה משתמשת במודלים מתמטיים, אלגוריתמים וכלים סימולציה כדי לקבוע את התנאים התפעוליים הטובים ביותר - זמן, לחץ, קצב הזנה, מהירות הסגידה וזרימה קרירה - המפחיתים את צריכת האנרגיה תוך שמירה על מגבלות כגון מגבלות המרה, יכולת ציוד וסף בטיחות.בניגוד למקרי ניסוי-טרור-וטרור-וטרור, שיטות חישוביות יכולות לחקור אלפי תרחישים במהירות וזיהוי מסחר שעשוי להחמיץ את מפעילי האדם.

מסגרות אופטימיזציה מודרניות משלבות דינמיקות כור עם מודלים של תהליכים וכלכלה, המאפשרות הפחתה הוליסטית בעוצמת האנרגיה.המפתח הוא לנוע מפעילות סטטית, מבוססת כללים לטקטיקות דינמיות, מונעות מודלים להסתגל לשינוי המזינים, פעילות זרז, תנאי שוק.

מודלים מתמטיים של Reactor Dynamics

הבסיס של כל אופטימיזציה חישובית הוא מודל אמין של CSTR. זה בדרך כלל כרוך בפתרון איזון חומרי ואנרגיה בשילוב עם ביטויים של קצב קיננטי.לדוגמה, מודל CSTR פשוט עבור תגובה אחת A יכול להיות ביטוי:

(ב) [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

כאשר V הוא נפח כור, F הם שערי זרימה, rFLT:0reasAFLT:1 הוא קצב תגובה, ⁇ הוא צפיפות, CIRFLT:2pigFLT 3 הוא יכולת חום, ⁇ H הוא חום של תגובה, U הוא כללי העברת חום, A הוא אזור העברה חום, ו TFreaved 4jirFLT5 הוא טמפרטורה קבועה של משוואות (או טמפרטורה) על ידי משוואות זמן קבוע של טמפרטורה, או משוואות זמן, או הסתברות גבוהה יותר מאשר טמפרטורה).

מודלים מורכבים יותר משלבים תגובות מרובות, שילוב לא אידיאלי (למשל, באמצעות דינמיקת נוזל חישובית), ואפקטים מפרשים.הנאמנות של המודל משפיעה ישירות על איכות האופטימיזציה - פשוט מדי והפתרון עשוי להיות בלתי סביר; מורכב מדי חישוב הופך להיות אסרטיבי. לכן, איזון הוא פגע באמצעות מודלים מופחתים או מודלים חלופיים.

קואר ו- Nonlinear Programming

ברגע שמודל מפותח, אלגוריתמים אופטימיזציה מחפשים את נקודת התפעול הטובה ביותר.התוכנית קואר (LP) ניתן להשתמש כאשר המטרה (למשל, מזער אנרגיה כוללת) ומגבלות הן פונקציות ליניאריות של משתנים החלטות.עם זאת, רוב בעיות האנרגיה CSTR אינן ליניאריות בשל תלות בטמפרטורה Arrhenius, עמידות להעברת חום, והפיכה בין משתנים.

לדוגמה, ניסוח NLP עשוי למזער את כמות כוח הסגידה ואת האנרגיה חימום / קירור בכפוף:

  • ⁇ 95%
  • טמפרטורה 400 K (כדי למנוע תגובות צד)
  • מהירות הפחתת משקל בין 100 ל 500 ריאל
  • טמפרטורת ג'קט בתוך גבולות אספקה מגניבים

Solving ה- NLP הזה מניב נקודת מפנה אופטימלית המפחיתה את צריכת האנרגיה ב-15-25% בהשוואה לבסיס, כפי שניתן לראות במחקרים תעשייתיים רבים. פותרים מסחריים כמו GAMS, AMPL או כלי קוד פתוח (Pyomo, CasADi) משמשים בדרך כלל.

אלגורית גנטיקה ואסטרטגיות אבולוציוניות

כאשר מודל CSTR מכיל הפסקות, משתנים אינטגרטיביים (למשל, מספר רב של מזהמים), או מספר רב של בוחרים מקומיים, אופטימיזציה המבוססים על נגזרת עשויים להיכשל. אלגוריתמים גנטיים (GAs) ואסטרטגיות אבולוציוניות (ES) הם מטא-העתידיים המבוססים על האוכלוסייה המחקה ברירה טבעית.הם מקודדים פתרונות אפשריים (למשל, וקטור של טמפרטורה, זרימה, ושעה) כמו כרומוזומים, לאחר מכן, החלים על פני דורות, החלים על פני אנרגיה נמוכה יותר.

עבור CSTR עם מטרות מתחרות -מינימיזציה אנרגיה, למקסם את המרה, ולהפחית את הפחתת התפוקה - GAs objective GAs (למשל, NSGA-II) יכול לייצר חזית Pareto של מיטב העסקאות המסחריות. מהנדסים יכולים לבחור פתרון אשר מאזן חיסכון באנרגיה עם תשואה מקובלת.

בקרת ידע מבוססת מכונות

הגבול האחרון באופטימיזציה של CSTR הוא שילוב של למידת מכונה (ML) עבור שליטה חיזויית.במקום להסתמך רק על מודלים ראשוניים, מודלים ML (רשתות עצביות, תהליכים גאוסיים, יערות אקראיים) מאומן על נתוני צמח היסטוריים כדי ללכוד התנהגויות מורכבות, לא-אידאליות כגון זרז, מרעישות, או וריאציות עונתיות בטמפרטורת המים הקירור.

Reinforcement Learning (RL) הוא מבטיח במיוחד. סוכן של RL אינטראקציה עם סימולציה CSTR (או הצמח האמיתי), ביצוע פעולות כמו התאמת נקודות סטמנט, ומקבל תגמולים המבוססים על צריכת אנרגיה והפרות מעצימות.בפרקים רבים, הסוכן לומד מדיניות המפחיתה אנרגיה תוך מתן סימולציה גבוהה על פני השטח של כוח אדם, תוך מתן מענה מבוקר במפעל כימיקלים מיוחדים, בקר מבוסס על בסיס RL על ידי 18% שימוש בחשמל, בעוד שגורם לחיסכון משמעותי של שישה חודשים.

היתרונות של אופטימיזציה משלימה

אופטימיזציה חישובית עבור CSTRs מניבה הטבות קוונטיות המשתרעות מעבר להפחתה באנרגיה. תוצאות טיפוסיות דיווחו בספרות ובעיתונים לבנים בתעשייה כוללים:

  • (FLT:0) חיסכון של 10-30%FIRLT:1: צמצום ישיר בעומסי חימום / קירור, כוח ריגוש, ודרישות משאבה.
  • (ב) אספקת גזי חממה (FLT:103) צריכת אדים וחשמל נמוכה יותר מכווץ את טביעת הרגל פחמן - עד 15% ירידה ב- COIRFLT:203FLT 3 לטון של המוצר.
  • (FLT:0) חיסכון בעלויות תפעולי: אנרגיה היא לעתים קרובות 20–40% מעלויות התפעול של צמח כימי; ירידה של 20% מתורגמת למיליוני דולרים בשנה עבור מתקנים גדולים.
  • (FLT:0) גידול מוצרים מסובכים 1:1; אופטימיזציה מאוכפית שליטה הדוקה יותר על טמפרטורה ושילוב, צמצום יכולת אצווה-to-batch ומוצר מחוץ לדגימה.
  • (ב) ,0) ,הרכב המחודש של ציוד חיים: להימנע מספי טמפרטורה מיותרים וכעס מופרז מפחית את ללבוש מכני וטעון.
  • (ב) ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]

היתרונות האלה עושים אופטימיזציה חישובית של מנוף מפתח להשגת מטרות אפס נטו במגזר הכימי.על פי דו"ח של סוכנות האנרגיה הבינלאומית (IEA), הדיגיטליזציה ובקרת תהליכים מתקדמת יכולים להפחית את השימוש באנרגיה תעשייתית עד 20% עד שנת 2050.

יישומים אמיתיים ומקריות

אופטימיזציה של CSTRs עברה ממחקר אקדמי לאימוץ תעשייתי נרחב. להלן הן דוגמאות מרשימות על פני מגזרים גדולים.

מחקר: תרופות לאופטימיזציה

ביצרן תרופות בגודל בינוני, כור משיכה נעשה שימוש לייצור של מרכיב תרופות פעיל (API) באמצעות תגובה אקספרסמית מאוד. פעילות בסיס צרכו 3.2MW של אנרגיה תרמית (באמצעות מים קרירים ו-Steam) ו- 0.8MW של אנרגיה חשמלית עבור אינטגרציה חשמלית (pI) היה אופטימיזציה יעילה יותר מדי שנה, לאחר ירידה של 4 חודשים של מערכת עצבית מופחתת של 10 חודשים, 000 שעות לאחר מכן, 000 טווח איטי יותר של טיפול ב- 15 חודשים, 000), החל מ-טווח נמוך יותר של טיפול ב- 15 חודשים, 000 זמן טיפול ב- 4 חודשים, 000 זמן קצר לאחר מכן, 000 קבוע של טיפול ב- 4 חודשים, 000 זמן טיפול ב-הפחתת לחץ דם נמוך יותר של טיפול ב-טווח קצר יותר של טיפול ב- 4 חודשים, 000 של טיפול ב- 4 חודשים, 000 זמן טיפול ב-ידי אלגוריתם, 000 זמן טיפול ב- 4 חודשים, 000 זמן קצר יותר, 000 $ של טיפול יעיל יותר, 000 זמן קצר לאחר מכן, 000 זמן קצר לאחר מכן, 000 זמן קצר יותר של אופטימיזציה של טיפול יעיל יותר של טיפול יעיל יותר, 000 מוגבל של טיפול יעיל יותר של טיפול יעיל יותר של טיפול ב-ידי אלגוריתם, 000 זמן טיפול ב-ידי אלגוריתם, 000 זמן טיפול

התעשייה הפטרוכימיה

חברה גדולה פטרוכימית מפעילה רשת של CSTRs לייצור תחמוצת ethylene.הכורים דורשים בקרת טמפרטורה מדויקת כדי להימנע מ-reaways.Lous PID המסורתית היו שמרניים, המוביל לשימוש באנרגיה גבוהה במעילים הקירור.הצוות להנדסה בנה מודל דינמי באמצעות דינמית נוזל חישובית (CFD) ואופטימיזציה לא ליניארית.

עיבוד מזון CSTR

במעבדת CSTR של מזון מייצרת רוטב מלוטש, אופטימיזציה אנרגיה התמקדה בסוע.המשופר הנוכחי המופעל במהירות קבועה של 3000 rpm, צריכת 45 קילוואט.שימוש בשילוב של סימולציה CFD ואלגוריתם גנטי, מהנדסים מצאו כי מפגע שני שלבים מופעלת 2 שלבים 2-שלבי נפח ייצור עם פחות 30% כוח.

כיוונים עתידיים

הגל הבא של אופטימיזציה לאנרגיה CSTR יבוטל על ידי שילוב עמוק יותר של נתונים בזמן אמת, בינה מלאכותית ותאומים דיגיטליים.

  • (FLT:0) TwinsFLT:1: עותק וירטואלי של CSTR שעדכונים ללא הרף עם נתוני צמחי.אופרות יכולות להפעיל תרחישים "מה אם" באופן לא מקוון כדי למצוא נקודות אופטימליות עבור תנאים משתנים, ולאחר מכן ליישם אותם באופן מאובטח. תאומים דיגיטליים הוכחו להפחית את השימוש באנרגיה על ידי 5-10% נוספים מעבר לאופטימיזציה של המדינה.
  • (FLT:0) Reinforcement Learning on Live PlantsveFLT:1): עם טכניקות חקירה בטוחות (למשל, RL מחוספס, אופטימיזציה Bayesian), סוכני RL יכולים ללמוד ישירות על כורים תפעוליים, להסתגל להשפלה ולחסידות ללא סיכון.
  • (FLT:0) רשתות נילי (PINNs) 1FIRLT: שילוב הידע הראשון במימון נתונים עם מודלים מונעים נתונים כדי ליצור פונדקאים בעלי נאמנות גבוהה יותר כי הם מדויקים ויעילים חישוביים עבור אופטימיזציה מקוונת.
  • (FLT:0) מערכות אנרגיה משולבות מערכות אנרגיה משולבת (Integrated Energy SystemssFLT:1): אופטימיזציה של CSTRs לא בבידוד אלא כחלק ממערכת אנרגיה רחבת יותר של צמחי - רשתות התאוששות מהתחממות, חום וכוח בשילוב מקורות אנרגיה מתחדשת.
  • (FLT:0) ,Edge ComputingFLT:1: אופטימיזציה של אופטימיזציה לאופטימיזציה על מכשירים קצה (למשל, PLCs או מחשבי מחשב תעשייתי) כדי לאפשר התאמות ברמה של מילימטרית, במיוחד לתגובות אקספרסמיות מהירות.

לדוגמה, קונסורציום של חברות ואוניברסיטאות כימיות הפגינו לאחרונה תאום דיגיטלי של CSTR המשמש לפולימרומיזציה.התאום המשולב נתונים ספקטרום בזמן אמת, תנאי כור אופטימיזציה כל 30 שניות, והשגת ירידה של 25% בצריכת אנרגיה חד-מינית בהשוואה למבצע בסיס.הגישה כעת מוצפת ליחידות מרובות ברחבי העולם.

אתגרים ושיקולים

Despite its promise, computational optimization of CSTR energy footprint faces hurdles:

  • (FLT:0)Model AccurcioalFLT:1: מודלים בעלי איכות ירודה יכולים להוביל להמלצות תת-אופטימיות או אפילו לא בטוחות.
  • (FLT:0) חישוביות CostFLT:1: מודלים גבוהים פידלון CFD או קינטיקה עשויים להיות איטי מדי עבור אופטימיזציה בזמן אמת.
  • (FLT:0) איכות נתונים וזמינות של vailabilityFLT:1: אופטימיזציה מסתמכת על נתוני חיישן מדויקים. Drift, Outliers, או מדידות חסרות יכולות לערער את התוצאות. רובוסט פיוס נתונים וחיישנים רכים הם קריטיים.
  • (FLT:0)Operator קבלה של 1FLT: צמחים עם מפעילי ותיק עשויים לעמוד בפני שינויים סטנקט אוטומטיים.שינוי ניהול שינויים בלוחונים ידידותי למשתמש הם הכרחיים.
  • (ב) ,0) מערכות אופטימיזציה המחוברות מגבירות את פני השטח של התקפות. רשתות מאובטחות ואלגוריתמים מאומתים נדרשים.
  • (ב) ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]

על ידי התייחסות לאתגרים אלה באמצעות פריסה ממושמעת, תרבות שיתופית והנדסת חשמל, רוב הארגונים יכולים לקצור את היתרונות תוך הקטנת הסיכונים.

מסקנה

אופטימיזציה משלימה מספקת ערכת כלים רבת עוצמה לצמצום טביעת הרגל האנרגטית של מגיבים טנקיים רצופים על פני תעשיות תהליכים כימיים.ממודלים מתמטיים ולא לינאריים ללמידה מכונה ותאומים דיגיטליים, שיטות אלה מאפשרות למפעילים ולמהנדסים לזהות באופן שיטתי הזדמנויות חיסכון באנרגיה שאינן אפשריות למצוא באופן ידני.10-30% צמצום אנרגיה, פליטות נמוכות, חיסכון בעלויות, ושיפור המוצר האיכותי - מארגון מבוזר, כמו גם תכונות סביבתיות, לא יכולות גבוהות יותר, כמו גם להגדלת יכולות תפעוליות.