이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Thermodynamic Data의 기본 역할은 Process Simulation에서

모든 공정 시뮬레이션의 핵심은 열역학적 특성 계산의 집합입니다. 필수 속성은 enthalpy, entropy, fugacity, 활동 계수 및 단계 equilibrium constants (K-values)를 포함합니다. 이 속성은 다양한 온도, 압력 및 구성에서 화학 종이 어떻게 작용하는지 결정합니다. Aspen Plus, Pro/II 또는 gPROMS와 같은 시뮬레이션 엔진은 질량과 에너지 균형, 크기 단위 운영, 예측 및 실제 온도의 변화를 해결하기 위해 이러한 데이터를 사용합니다. 실제 온도가 정확하지 않고도 물리적 인 온도를 정확하게 생산할 수 없습니다.

, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

Simulation Outcomes에 데이터 정확도의 양적 충격

데이터 처리의 효과는 단지 품질이 아니라, 감도 분석과 사례 연구를 통해 자격받을 수 있습니다. 많은 엔지니어링 회사는 이진 상호 작용 매개 변수와 같은 주요 속성에 1% 오류가 발생, 열 디자인 또는 원자로 소싱에 5-10 % 오류로 이어질 수 있음을 문서화했습니다. 불확실의 전파는 비선형이며 종종 다운스트림을 증폭합니다.

증류법 열 설계

이식성 수증기 압력 또는 이진 상호 작용 매개 변수를 분리하는 이진 증류법 열을 고려하십시오. 순수 성분 수증기 압력 또는 이진 상호 작용 매개 변수를 가진 국가 (EOS) 모델의 방정식을 사용하여 현실에서 탈선하는 예측 상대 휘발성으로 이어질 수 있습니다. 상대 휘발성의 10 % overestimate는 필요한 것보다 20-30 %의 적은 단계로 설계 된 열에서 발생할 수 있습니다. 일단 내장되면, 열은 필수 분리를 달성 할 수 없으며, 비용으로 수정하거나 오프 - 특정 제품의 기본 원인입니다. 이식성 수증기는 일반적인 문제의 일반적인 문제입니다.

Reactor Kinetics 및 평형

반응기 모델링에서 반응기의 열은 온도 프로파일과, 따라서, 반응 속도 및 선택적에 영향을 미치는 영향에 영향을 미칩니다. 전사적 반응을 위해, 예상된 열 방출은 냉각 및 열 런웨이 위험을 유도 할 수 있습니다. 평형 측에서, 잘못된 평형적 일정 변화 예측 수율은 잠재적으로 극복되는 설계를 일으키는 원인이 될 수 있습니다. 열역학 모델 오류로 인한 반응기 개조의 산업 사례는 문서화 ([0]]]에서 문서화됩니다. [0]] [0]]] [0]]] [0]]] [0]]] [0]]]] [0]]]] [0]]]]] [0]]]]] [0] [0]]]] [0]]]] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0] [0]]]]]]]]]]] [0] [0]]

열교환 기 네트워크 및 에너지 최적화

열교환 기 설계는 정확한 특정 열 용량과 enthalpies에 의존합니다. 액체 열용량 (예 : 2 %)의 작은 체계적인 오류는 큰 온도 변화를 통해 축적 할 수 있으며, 잘못된 의무 계산으로 이어질 수 있습니다. 결과 열교환 기가 열전도 연구에 pinch 위반을 일으키는 원인이 될 수 있습니다. 이 직접 에너지 소비 및 운영 비용을 영향을 미칩니다.

Thermodynamic Data Inaccuracy의 일반적인 소스

inaccuracies가 시작되는 곳을 이해하는 것은 엔지니어의 목표 개선을 돕습니다. 주요 소스는 실험 측정 오류, 모델 제한, 매개 변수 추정 문제 및 데이터베이스 inconsistencies를 포함합니다.

실험 측정 오류

열역학 특성은 통제된 실험실 조건 하에서 측정되지만 측정은 완벽합니다. 온도 또는 압력 감지기, 표본의 순수성 및 구경측정 편류에 있는 체계적인 과실은 bias를 소개할 수 있습니다. 예를 들면, 순환을 사용하여 증기 액체 평형 측정은 구성 분석 (예를들면, 가스 크로마토그래피) 및 온도 윤활제에서 불확실한 불균형 측정을 붙입니다. 긴요한 일정한 불확실은 몇몇 화합물을 위해 ±1% 또는 더 많은 것일 수 있습니다.

예측 모델의 제한

실험 데이터에 거의 의존하는 시뮬레이션을 처리하십시오. 그들은 열역학 모델을 사용하여 탈산 및 extrapolate를 사용합니다. 국가 (Peng-Robinson, Soave-Redlich-Kwong, SAFT) 및 활동 계수 모델 (NRTL, UNIQUAC, Wilson)의 동등한 제한이 있습니다. 예를 들어, 핵탄소에 우수한 Peng-Robinson 방정식은 그 중 가장 높은 수준의 데이터와 비교 없이 매우 극성 또는 준결성 시스템을 위해 실패합니다.

데이터 회귀 및 매개 변수 추정

대부분의 열역학 모델은 실험 데이터에서 반복되는 조정 가능한 매개 변수를 포함합니다. 회귀 프로세스 자체는 불확실성을 일으킬 수 있습니다. 실험 데이터가 비소 인 경우 좁은 온도 범위를 커버하거나, 아웃 런을 포함하거나, 반복 된 매개 변수는 진정한 물리적 행동을 나타내지 않을 수 있습니다. 또한, 많은 일반적인 매개 변수 세트는 수십 년의 오래된 및 제한된 데이터 세트를 기반으로합니다. 예를 들어, 널리 사용되는 이진 상호 작용 매개 변수는 1970 년대 문학에서 종종 Aspen Plus의 데이터 뱅크에 있습니다.

데이터베이스 품질 및 일관성

Thermodynamic 데이터베이스는 품질에 따라 다릅니다. Proprietary 데이터베이스는 정확성을 통해 빵을 우선적으로 할 수 있습니다. NIST Chemistry WebBook 또는 DIPPR](Design Institute for Physical Properties)와 같은 저자의 소스는 문서화되지 않은 불확실성을 가진 권장값을 제공하지만, 많은 시뮬레이터는 이전 버전을 사용합니다. 순수한 혼합물과 비정상적인 물질의 경우, 다른 성분의 다른 성분은 다른 성분으로 인해 열악한 물질의 영향을 줄 수 있습니다.

Data Reliability 향상을 위한 전략

열역학 데이터 정확도 향상은 고품질 실험 데이터, 엄격한 모델 검증 및 현대 컴퓨팅 도구와 결합하는 다중면 접근 방식을 요구합니다.

높은 품질 실험 데이터베이스 활용

가능한 경우, 중요한 평가 실험 데이터에 기초 시뮬레이션. 소스 같은 NIST ThermoData Engine] (TDE) 및 DIPPR 801는 믿을 수 있는 순수 구성 요소 및 혼합물 데이터를 uncertainty 견적으로 제공합니다. 이진 시스템을 위해 DECHEMA Chemistry Data Series는 종합 VLE, LLE 및 과잉 enthalpy 데이터를 제공합니다. 이 기본 소스를 사용하여 동시 시뮬레이션에 의존합니다.

모형 검증 및 모수 조정

이 단계는 이 단계가 현실을 바꾸기 전에 실험적인 데이터에 대한 예측을 항상 검증합니다. 측정된 플랜트 데이터 또는 파일럿 플랜트 결과가 유효하다면, 시뮬레이터 내에서 회귀 도구를 사용하여 모델 매개 변수를 조정합니다. 이 단계는 현실을 가진 모델을 재구성합니다. 작은 데이터가있는 새로운 시스템을 위해 그룹 기여 방법 (예 : UNIFAC)을 사용하여 예상 운영 창의 맞은편에 대한 감도를 평가합니다.

고급 컴퓨팅 방법 사용

실험 데이터가 누락되면 COSMO-RS (Conductor-like Screening Model for Real Solvents) 또는 분자 시뮬레이션 (예 : Monte Carlo 또는 분자 Dynamics)과 같은 고급 방법이 예상되는 정확도로 열역학 특성을 예측할 수 있습니다. 이 방법은 실험에서 반복된 매개 변수에 의존하지 않으며 특히 아이오닉 액체, 제약 또는 고압 시스템에 유용합니다. 그러나, 그들은 전문 소프트웨어 및 전문 지식을 필요로합니다.

심리학의 불확실성 양화

이 연구는 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발, 연구 및 개발 및 개발, 연구 및 개발 및 개발, 연구 및 개발 및 개발, 연구 및 개발 및 개발 및 개발, 연구 및 개발 및 개발 및 개발, 연구 및 개발 및 개발 및 개발 및 개발 및 개발, 생산 및 개발 및 개발 및 개발 및 개발 및 개발.

엔지니어 및 연구자를위한 모범 사례

데이터 품질을 매일 시뮬레이션 작업에 포함하려면 다음 지침을 채택하십시오.

데이터 Gap 분석

시뮬레이션을 시작하기 전에, 격차 분석 : 모든 필수 속성을 나열하고 실험 데이터 (불확실한), 그룹 기여 추정, 또는 아날로그에서 오는지 확인합니다. 분리에 상대적 휘발성과 같은 디자인 결정에 구동되는 중요한 속성을 플래그로하고 가장 높은 데이터 품질을 보장합니다.

일반 데이터베이스 업데이트

Thermodynamic 데이터베이스는 지속적으로 개선합니다. AspenTech와 같은 NIST, DIPPR 또는 상용 제공 업체에서 업데이트를 구독하십시오. 현재 권장된 값으로 출력 된 매개 변수 세트를 대체하십시오. 많은 시뮬레이션 패키지는 사용자 정의 데이터베이스 관리가 허용됩니다. 확인 된 내부 데이터베이스를 유지하기 위해이 기능을 사용하십시오.

협력 검증

다른 프로세스에서 작업하는 동료 또는 팀과 공유하고 비교하십시오. 독립적 인 소스 또는 대안 모델 (예 : 두 가지 다른 EOS)에 대한 크로스 검사 예측은 숨겨진 오류를 밝혀 줄 수 있습니다. 많은 출판 [[FLT : 0]감도 연구[[FLT :1]] 다른 열역학 모델이 검증에 대한 필요성을 강조 강조하는 강조.

결론: Inaccuracy 대의 비용. 데이터 품질 투자

엔지니어링 커뮤니티는 오랜 기간 동안 열역학 데이터의 비용이 훨씬 더 안정적으로 데이터를 얻기 위해 필요한 투자를 초과한다는 것을 인정했습니다. 결함 데이터로 설계 된 공장은 비싼 개조를 필요로하며, 수확량 또는 안전 사고를 줄일 수 있습니다. 복잡한 데이터 검증, 모델 선택 및 불확실한 분석에 대한 추가적인 노력은 설계 단계의 지속적인 신뢰성과 효율성을 통해 여러 번 자체적으로 지불 할 수 있습니다. 시뮬레이션 도구는 더 강력해져, 정확도를 뛰어넘기 위해 더 제한적인 요소가 될 수 있지만, 설계 단계의 품질은 점점 더 많은 성능이 뛰어납니다.