Fired 히이터 실패 예측에 있는 Computational Modeling의 역할

Fired 히이터 실패 예측에서 Computational Modeling 이해

불에 넣는 히이터는 증기 reforming, 원유 증류 및 에틸렌 부수기와 같은 반응을 위해 요구되는 고열을 전달하는, 석유화학 제품 및 발전 과정에서 삽니다. 관 파열, 코킹, 또는 주름 손상 때문에 단 하나 unplanned 폐쇄는 손실된 생산 및 폐 심각한 안전 위험에 있는 수백만을 요할 수 있습니다. Computational 모델링은 예측하고 mitigating를 위한 중요한 공구로, 이 액체는 이 문제를 가장하기 위하여, 이 액체는 이 문제를 가장하기 위하여, 이 문제를 가장하기 위하여 충격을, 이기 위하여 충격을 줍니다.

기존의 비정상적인 방법과는 달리 역사적 데이터 또는 보수적 인 디자인 마진에 의존하는, 계산 모델은 질량, 사태, 에너지 및 화학 종의 기본 물리 방정식을 해결합니다. 이 접근법은 실제 운영 조건의 높은-fidelity 표현을 제공하며, 분해 메커니즘의 조기 식별 및 유지 보수 일정의 최적화를 가능하게합니다.

Key Failure Mechanisms가 Computational Modeling에 의해 주소가 붙은

불에 넣는 히이터 실패는 단 하나 원인에서 드물게 줄기를 뿌립니다. 대신, 그들은 열, 기계적인 및 화학 현상의 상호 작용에서 유래합니다. Computational 모형 도움은 각 기여 요인을 핀포인트를 돕습니다:

크리프와 스트레스 파업

높은 온도에서 금속 튜브는 시간 의존 변형 (creep)을 겪었습니다. finite element Method (FEM) 모델을 사용하여 복잡한 응력 분석은 내부 압력, 열 윤활제 및 죽은 부하의 결합 효과를 만듭니다. 현지화된 크레프 스트레인 축적을 예측함으로써 엔지니어는 잔여 튜브 수명과 일정 재흡수를 추정 할 수 있습니다.

코킹과 Fouling

탄화수소 피드스톡으로 가열되고, 탄화수소 예금 (코크) 튜브 내부 벽에 축적, 열 전달을 감소 하 고 로컬 핫 스팟을 발생. 반응 키니즘 모델과 결합 된 Computational 유체 동적 (CFD)는 증착률과 위치를 시뮬레이션 할 수 있습니다. 이것은 연산자를 허용 하 고 버너 발포 패턴을 조정 또는 대상 코킹 사이클, 최소화 unplanned 아웃ages.

열 피로 및 충격

, 폐쇄, 또는 가동 상태 도중 급속한 온도 변화는 부수기로 지도할 수 있는 열 긴장을 유도합니다. 일시적인 계산 모형은 이 주기를 붙잡고, 지구를 피로 부수기에 prone 식별합니다. 통신수는 그 때 경사 비율을 수정하거나 중요한 지역에 있는 온도 감시를 설치할 수 있습니다.

연소-관련된 손상

열의 불꽃 손상 또는 maldistribution은 지방화 과열, 가속 관 산화 및 탄화화물을 일으키는 원인이 됩니다. Firebox의 CFD 모델은 버너 성능, 화염 모양 및 방사성 열 유출을 시뮬레이션합니다. 이것은 가열기 레이아웃의 재 설계 또는 연료 / 공기 비율의 조정을 활성화하여 핫스팟을 손상시킵니다.

Computational 모델링 방법론

몇몇 보완적인 모델링 기술은 불에 박힌 히이터 분석에 적용되고, 실패 예측의 각 주소록색.

Computational 유체 역학 (CFD)

CFD는 화재 상자 및 공정 유체 내부의 가스 흐름에 대한 Navier-Stokes 방정식을 해결합니다. 화재 상자 측의 경우, turbulence, 연소 화학 및 방사성 열 전달을위한 모델 계정 (배설적 좌표 또는 Monte Carlo 방법 사용). 공정 측의 경우, CFD는 다중 위상 흐름, 증발 및 간열 전달을 캡처합니다. 두 도메인을 연결함으로써, 포괄적인 온도 및 각측정속도 프로파일이 얻고 있습니다.

Finite Element 분석 (FEA)

FEA는 구조적 무결성 평가에 사용됩니다. 그것은 압력, 열팽창 및 주름 때문에 응력 분배를 계산합니다. 고급 모델은 시간이 지남에 따라 재료 속성 분해를 통합 (예 : Larson-Miller 매개 변수는 크레프). FEA 결과는 나머지 수명 계산 및 위험 기반 검사 (RBI) 프레임 워크로 공급합니다.

반응 Kinetic 모형

코킹 속도와 부식 제품을 예측하기 위해 상세한 반응 네트워크가 통합됩니다. 이 모델은 주요 반응 (예 : 균열, 고분화, 황화)에 대한 Arrhenius-type 방정식을 사용합니다. 실험실 데이터에 대해 검증 된 그들은 fouling rate, guiding Cleaning schedule의 실시간 견적을 제공합니다.

주문 모델 및 Surrogates 감소

전체 스케일 CFD/FEA 시뮬레이션은 비싸다. 온라인 모니터링 및 제어를 위해 엔지니어는 높은 수준의 데이터에 훈련된 명령 모델 (ROM) 또는 기계 학습을 개발합니다. 이 밀리 초에 물리를 대략적으로 파악하고 실시간 실패 예측 및 운영자 자문을 가능하게합니다.

데이터 요구 사항 및 모델 검증

데이터 품질에 대한 계산 모델의 정확도. 키 입력은 다음과 같습니다 :

Geometrical 차원:] 관 직경, 벽 간격, 배치, 내화 조건.
처리 조건: 유량, 흡입구/출구 온도, 압력, 구성.
Material 속성: 열전도, 확장 계수, 크레프 및 파열 데이터 작동 온도.
Burner 세부 사항: 발포율, 연화 길이, 과잉 산소.

검증은 식물 측정 (예 : 피부 열전대, 유량계, 초음파 벽 두께 판독)에 대한 모델 예측을 비교하여 수행됩니다. API 530 (Fired Heater Tube Thickness) 및 API 579 (Fitness-for-Service)와 같은 업계 표준은 모델에 적용하기위한 지침을 제공합니다.

실패 예측을 위한 Computational Modeling의 이점

시스템의 구조적 인 경우, 경쟁 모델링은 예측에 민감하는 불 히터 유지 보수를 변환합니다. quantifiable 장점은 다음과 같습니다.

개축된 언플랜드 다운타임: 크레프, 코킹, 열 피로의 조기 경고는 비상 정전보다 계획된 턴어라운드 동안 계획된 종료를 허용합니다.
확장된 관 생활: 과열 및 선택적 발포 패턴을 방지함으로써, 튜브는 더 이상 디자인 봉투 내에서 작동하며, 비용적으로 교체합니다.
개량된 에너지 효율: 모델은 3-8%의 연료 소비를 줄이는 가열기를 가능하게 합니다.
안전: 임박수의 사전 또는 누출은 운전자가 손상을 막기 전에 정확한 조치를 취하도록 허용, 인력과 자산을 보호.
최적 검사 간격: 고정 일정 대신, RBI 모델의 결과가 높은 위험 위치에 검사 리소스를 집중하고, 노동을 줄이고 노출을 감소시킵니다.

사례 연구: Steam Reformer에서 Computational Modeling

촉촉한 증기 메탄 개혁기를 고려하여, 수백 개의 촉매 충진 튜브가 900°C에서 작동했습니다. 시간이 지남에 따라, 주름 변형, 침탄 및 열 순환 원인 튜브 실패. 주요 Gulf Coast 정유 공장은 CFD-FEA 커플 모델의 개혁 모델이 구현되었습니다.

CFD 모델은 가열기 maldistribution 때문에 개악기 길이를 따라 열 플럭스의 15 % 변형을 밝혀냈습니다.
FEA 모델은 높은 플럭스 영역에서 튜브가 5 년 후 크레프 파열에 도달 할 것으로 예상되며 다른 사람들은 8 + 년의 수명을 가지고 있습니다.
몇 번의 버너를 조정함으로써, 열 유출 변형은 5 %로 감소했으며 2 년 이상 가장 중요한로드 튜브의 수명을 연장했습니다.

이 접근법은 정유소를 단일 회반 사이클에 걸쳐 긴급 교체 및 유지 보수 가동 중단을 피하는 데 $ 1.2 백만을 추정했습니다.

도전과제

힘에도 불구하고, 경쟁 모델은 엔지니어가 관리해야 할 실용적인 제약이 있습니다.

Computational cost: 상세 3D CFD-FEA 시뮬레이션은 고성능 클러스터에 해결하기 위해 며칠을 걸릴 수 있습니다. 이 ROM surrogates없이 실시간 응용 프로그램에 대한 그들의 사용을 제한합니다.
데이터 불확실성: 플랜트 측정에는 소음과 무해한 물질이 포함되어 있습니다. 결함 요인, 배출 및 반응 운동은 종종 대략적으로, 오류 밴드를 도입합니다.
모델 단순화:많은 모델은 불꽃의 변형이나 튜브 활과 같은 로컬화 현상을 놓을 수 있는 비대칭 흐름 또는 이상적인 연소를 가정한다.
Validation 난이도:] 작동 관 내부의 응력 또는 온도의 직접 측정을 취득하는 것은 도전적입니다. 모델 검증은 종종 피부 온도와 포스트-모터 튜브 검사에 의존합니다.

이러한 제한은 모델의 중요성을 절대 예측보다 결정 지원 도구로 사용하여, 현장 경험과 식물 데이터에 대한 정기적인 교정에 의해 보완.

미래 지향: Digital Twins 및 Machine Learning과 통합

화재 히터 고장 예측의 다음 국경은 디지털 트윈 - 동적, 지속적으로 업데이트 된 모델은 실시간으로 실제 히터를 미러링합니다. IoT 센서 (무선형 피부 열전대, 음향 방출 감지기, 실시간 프로세스 가스 분석기)의 진보는 자기 조정을 모델로 데이터 피드. 기계 학습 알고리즘은 선형 모델이 놓아있는 패턴을 감지하여 뇌 피로의 조기 가속 또는 초기 단계와 같은 주름을 감지합니다.

여러 주요 공급업체들은 이미 디지털 트윈 솔루션을 배포하고 있습니다. Siemens의 Digital Enterprise, AspenTech의 Fired Heater Suite 및 Honeywell의 Uniformance. 이 플랫폼은 AI를 사용하여 제어 룸 대시보드에서 알람 및 권장 작업을 생성하는 물리적 기반 모델을 결합합니다. 또한 클라우드 컴퓨팅은 더 작은 운영자에 액세스할 수 있는 높은 보안 시뮬레이션을 만듭니다.

또 다른 유망한 방향은 ]physics-informed neural network (PINNs), 이는 AI 교육 과정에 지배적인 방정식을 포함. PINNs는 순수한 검은 상자 모델보다 적은 교육 데이터를 요구하고, 귀중한 조건으로, 그에 대 한 이상적인 실패 예측에 대 한 제한 없는 히터에 대 한 실패 기록.

산업 표준 및 가이드라인

Practitioners는 computational 모형 신청을 위한 설치된 기준을 참조해야 합니다:

API 530: 석유 정제에 있는 히이터 관 간격의 계산
API 579-1/ASME FFS-1: 피트니스-포드 서비스
API 580: 위험 기반 검사
ASME B31.3: 가공 배관 (온도 관 회로에 적용 가능한)

이 문서는 허용 스트레스를 해소하고 나머지 수명을 평가하고 검사 계획으로 모델을 분석하는 방법론을 제공합니다. API.org과 ]ASME.org]와 같은 외부 리소스를 제공합니다 자세한 출판물 및 훈련 프로그램.