火のヒーターの故障予測における計算モデリングの役割

火災ヒーターの故障予測における計算モデリングの理解

火のヒーターは、蒸気の改良、原油蒸留、およびエチレンの割れのような反作用のために要求される高温に要求される精製、石油化学的および発電プロセスで不可欠です。管の破裂、コーキング、またはクリープの損傷による単一の計画されていない操業停止は、失われた生産で何百万を要し、深刻な安全危険をポーズできます。計算モデリングは、これらの失敗を予測し、軽減するための重要なツールとして出現しました。これらの失敗を、材料の問題をシミュレートし、材料をシミュレートし、作業を妨害し、作業を促す前に、材料を機械化します。

従来の永続的方法とは異なり、歴史データや保存的設計マージンに依存し、計算モデルは、ヒーターの幾何学的を横切って、質量、運動量、エネルギー、および化学種の保存を根本的な物理学的な式を解決します。このアプローチは、実際の動作条件の高忠実度表現を提供し、劣化メカニズムの早期発見とメンテナンススケジュールの最適化を可能にします。

計算モデリングによってアドレスを付けられたキーの失敗のメカニズム

火災ヒーターは、単一の原因からほとんど茎を欠かせません。代わりに、それらは熱、機械的、および化学現象の相互作用から生じる。計算モデルは、各貢献因子をピンポイントするのに役立ちます。

クリープとストレスの破裂

高温で、金属管は時間に依存する変形(クリープ)を受けます。有限要素法(FEM)を用いた計算応力解析は、内部圧力、熱勾配、およびデッドロードの結合効果をモデル化します。局部化されたクリープ株の蓄積を予測することにより、エンジニアは、残りのチューブの寿命を推定し、破裂前に再調整をスケジュールすることができます。

ベーキングとファウリング

炭化水素の原料が熱されるように、カーボンアセスメントの沈殿物(コークス)は管の内部壁に、熱伝達を減らし、ローカル熱い点を引き起こします。反作用のキネシスモデルと結合される計算式液体の動的(CFD)は沈殿物率および場所を模倣できます。これはオペレータがバーナーの焼却パターンを調節するか、またはターゲットにされたdecoking周期を、最小にすることを可能にしました。

熱疲労および衝撃

起動、シャットダウン、または設定条件の急激な温度変化は、割れにつながる可能性がある熱ストレスを引き起こします。一時的なモデルでは、これらのサイクルをキャプチャし、疲労のクラックに傾向がある領域を特定します。オペレータはランプレートを変更したり、重要なゾーンで温度監視をインストールすることができます。

燃焼関連ダメージ

火炎の浸透か熱の配分は局所的に過熱を引き起こし、管の酸化および浸炭を加速します。火箱のCFDモデルはバーナーの性能、炎の形を模倣し、放射性熱変化を模倣します。これはバーナーのレイアウトの再設計を可能にし、または燃料/空気の比率の調整は、熱スポットを傷つけることを避けるために。

計算式モデリング方法論

複数の補完モデリング技術が、火災ヒーター分析、各々の課題予測の異なる側面に適用される。

計算式流体力学(CFD)

CFDは、炉内にあるガスの流れと、チューブ内のプロセス流体のNavier-Stokesの式を解決します。防火ボックス側では、タービン、燃焼化学、および放射性熱伝達(分離された座標またはモンテカルロ法を使用して)のモデルアカウント。プロセス側では、CFDは多相の流れ、蒸発、および対流熱伝達をキャプチャします。両方のドメインをカップリングすることにより、包括的な温度と速度プロファイルが得られる。

有限要素解析(FEA)

FEAは構造的整合性評価に使用されます。圧力、熱膨張、クリープによるストレス分布を計算します。高度なモデルは、材料特性の劣化を時間(例えば、クレプのためのラソン・ミラーパラメータ)に組み込む。FEAは、残りの生命の計算とリスクベースの検査(RBI)フレームワークに供給します。

反応キネティックモデル

コストと腐食製品を予測するために、詳細な反応ネットワークが組み込まれています。これらのモデルは、主要な反応(例えば、クラック、重合、硫酸塩)のアレニウス型式を使用します。実験室データに対して検証され、それらは、加圧速度のリアルタイム推定を提供し、清掃スケジュールを指導します。

注文モデルの短縮と代理

本格的なCFD/FEAシミュレーションは、計算的に高価です。オンライン監視と制御のために、エンジニアは、注文モデル(ROM)を削減し、機械学習の要約を高忠実度データで訓練しました。これらは、ミリ秒単位の物理を近似し、リアルタイムの故障予測とオペレータの諮問を可能にします。

データ要件とモデル検証

データ品質に関する計算モデルの正確さ。キー入力には以下が含まれます。

幾何学的寸法:[] 管径、壁厚さ、レイアウト、耐火状態。
プロセス条件:]]流量、入口/出口の温度、圧力、構成。
材料特性:]]]熱伝導性、膨張係数、クリープおよび動作温度の破裂データ。
] バーナーの詳細:[] 発射速度、炎長、過剰酸素。

植物測定(例、皮膚熱電対、流量計、超音波壁厚さ読み取り)に対するモデル予測を比較することで検証を行います。API530(ファイアーヒータチューブ厚さ)やAPI579(Fitness-for-Service)などの業界標準は、モデルをライフアセスメントに適用するためのガイドラインを提供します。

障害予測のための計算モデリングの利点

体系的に導入されたとき、計算式モデリングは、再アクティブから予測まで、防火ヒーターのメンテナンスを変換します。定量的利点は次のとおりです。

]未計画ダウンタイムを削減:[ 急激なクリープ、コーキング、または熱疲労の早期警告により、緊急時よりも計画された停止が許可されます。
チューブ寿命を延ばす:]]。過熱や濾過パターンの最適化を避けることで、チューブは設計のエンベロープ内で動作し、コストのかかる交換を延ばします。
エネルギー効率の向上:[モデルがmaldistributed熱を識別し、3〜8%の燃料消費量を削減するバーナー調整を有効にします。
安全強化:]] 過激な破裂や漏れの予測により、オペレータは、大惨事の故障、人員や資産を保護する前に是正措置を取ることができます。
[] 最適化された検査間隔:[ 固定スケジュールの代わりに、モデル結果を使用してRBIは、高リスクの場所の検査リソースに焦点を当て、労働を節約し、暴露を減らす。

事例:蒸気レフォーマにおける計算モデリング

数百の触媒充填チューブが900°Cで動作する蒸気メタンリフォームを検討してください。時間が経つにつれて、クリープ変形、浸炭、熱循環が管の故障を引き起こします。主要な湾岸沿岸精錬は、その改良のCFD-FEA相模したモデルを実装しました。

CFDモデルは、バーナーのmaldistributionによるリフォーム長さに沿って熱フラックスの15%の変動を明らかにしました。
FEAモデルでは、高変化域のチューブが5年後にクリープ破裂に達し、他の人は8 +寿命の年を持っていたことを予測しました。
バーナーのダンパーを調節することで、熱フラックスの変動が5%に抑えられ、2年以上に渡る最も重要なチューブの寿命を延ばしました。

このアプローチは、単一のターンアラウンドサイクル上の緊急の交換とメンテナンスの過度を回避して、推定$ 1億を削減しました。

課題と限界

能力が大きいにもかかわらず、計算モデルは、エンジニアが管理しなければならない実用的な制約を持っています。

計算コスト:]]詳細3D CFD-FEAシミュレーションは、高性能クラスターで解決するために日をとることができます。これは、ROMの代理なしでリアルタイムアプリケーションに使用を制限します。
データ不確実性:[]] 植物測定には騒音とドリフトが含まれています。要因、過敏性、反応キネシスは、多くの場合、近似、エラーバンドを導入しています。
モデルの簡素化:[]]]多くのモデルは、難燃やチューブボウリングなどの局所的な現象を見逃すかもしれない軸流または理想的な燃焼を想定しています。
加速度障害:] 操作チューブ内の応力や温度の直接測定が困難です。モデルは、肌の温度と後方管の検査に頻繁に依存します。

これらの制限は、モデルを絶対的な予測ではなく、モデルを意思決定支援ツールとして使用することの重要性を強調し、フィールド経験と工場データに対する定期的な校正を補完します。

未来の方向:デジタルツインと機械学習との統合

火災ヒーターの故障予測の次のフロンティアは、リアルタイムで実際のヒーターを映す動的で継続的に更新されたモデルであるデジタルツインです。 IoTセンサー(ワイヤレススキン熱電対、音響排出検出器、リアルタイムプロセスガス分析装置)で、セルフキャリブレーションモデルにデータをフィードします。機械学習アルゴリズムは、リニアモデルが欠落するパターンを検出します。そのような微妙なクリープ加速や疲労の初期段階など。

Siemensのデジタルエンタープライズ、AspenTechのファイアード・ヒーター・スイート、ハネウェルのユニアビリティーなど、複数の大手ベンダーが既にデジタル・ツイン・ソリューションを展開しています。これらのプラットフォームは、物理ベースのモデルとAIを組み合わせて、コントロール・ルーム・ダッシュボードでアラームや推奨アクションを生成します。また、クラウド・コンピューティングは、より小規模なオペレーターによりアクセス可能な高機能シミュレーションを実現します。

もう一つの有望な方向は、AIのトレーニングプロセスに従事している方程式を埋め込んだ[[]物理情報情報型ニューラルネットワーク(PINN)[[]です。 PINNは、純粋なブラックボックスモデルよりも少ないトレーニングデータを必要とし、新しい条件に膨大化し、限られた歴史上の故障の予報に理想的です。

業界標準・ガイドライン

プラクティショナーは、計算モデルのアプリケーションのための確立された基準を参照すべきである:

API 530: 石油精製所のヒーターの管の厚さの計算
API 579-1/ASME FFS-1: フィットネス・フォー・サービス
API 580: リスクベースの検査
ASME B31.3:プロセス配管(ヒーターチューブ回路に適用可能)

これらの文書は、許容応力、残命の評価、モデルの統合を検査計画にする方法を提供します。[]]API.org]、および[ASME.orgなどの外部リソースは、詳細な出版物およびトレーニングプログラムを提供します。

コンテンツ

計算式モデリングは、もはや火災ヒーター設計のためのニッチなツールではありません。それは、障害リスクを管理するための運用上の必要性です。クリープ、コーキング、熱的疲労、および燃焼異常を物理ベースのモデルと模倣することにより、エンジニアは、予測不可能な停電を劇的に減らし、資産寿命を延ばす予測能力を獲得します。機械学習とリアルタイムデータを統合することは、この傾向を加速させ、障害予測をより正確かつ実用的な予測をします。組織は、今日の信頼性と性能を計算するよりも、性能を向上します。