Dữ liệu nhiệt động học chính xác tạo nền cho các tiến trình mô phỏng hóa học đáng tin cậy. Những mô hình máy tính này, được sử dụng rộng rãi trong thiết kế, tối ưu hóa học, và gặp khó khăn trong việc sử dụng các nhà máy hóa học, có thể gây ra sự dự đoán chính xác về tính chất chất để phản ánh hành vi thực tế. Khi dữ liệu nhiệt động học là chính xác, mô phỏng sẽ đưa ra kết quả đáng tin cậy dẫn đến hoạt động an toàn hơn, chất lượng sản phẩm cao hơn, và hiệu quả kinh tế cao hơn. Ngược lại, những lỗi nhỏ trong dữ liệu có thể đi xuống qua một mô phỏng, gây ra sự lệch chuẩn quan trọng trong hiệu suất chính xác. Bài này xem xét vai trò quan trọng của dữ liệu nhiệt động học, phát triển tìm ra kết quả của tính năng lượng, và các chiến lược thực tế cung cấp các kết quả của sự ngẫu nhiên trong tiến trình mô phỏng dữ liệu.

Vai trò cơ bản của dữ liệu động lực học theo tiến trình mô phỏng

Những tính chất này là một tập hợp tính chất nhiệt động học. Tính toán cơ bản gồm các tính năng như: chôn, entropy, tính năng tương đối, hệ số hoạt động, và hằng số cân bằng giai đoạn (K- p-giá trị). Những tính chất này là một tập hợp các tính chất quyết định cách thức các loài hóa học hoạt động dưới nhiệt độ, áp suất và cấu tạo khác nhau. Các động cơ mô phỏng như Appen Plus, Pro/II, hoặc gPROMS, hoặc gPROMs (dùng những dữ liệu này để giải quyết các đơn vị cân bằng năng lượng, kích thước và dự đoán hành vi. Nếu không có sự nhập nhiệt động chính xác, phương pháp giải quyết không thể tạo ra giải quyết thực tế.

Dữ liệu cân bằng giai đoạn đặc biệt quan trọng. Trong việc chưng cất, chiết xuất và hấp thụ, các cột hấp thụ đúng, các cột cân bằng hơi nước hoặc các dữ liệu cân bằng lỏng xác định số giai đoạn lý thuyết, tỷ lệ cân bằng và tỷ lệ giải quyết. Thiết kế phản ứng phản ứng chính xác dựa trên sự kiện phản ứng và hằng số cân bằng. Các mạng trao đổi nhiệt phụ thuộc vào khả năng nhiệt chính xác và nhiệt độ trễ. Nói tóm lại, mỗi đơn vị hoạt động trong tiến trình làm việc bổ sung các hoạt động trong quá trình hóa học nhạy cảm với cơ sở nhiệt động.

Ảnh hưởng định lượng của dữ liệu chính xác về kết quả mô phỏng

Ảnh hưởng của dữ liệu không phải chỉ là định lượng - nó có thể được định lượng thông qua phân tích nhạy cảm và trường hợp nghiên cứu. Nhiều công ty kỹ thuật đã ghi lại rằng lỗi trong một tính chất quan trọng, như tham số tương tác nhị phân, có thể dẫn đến lỗi thiết kế cột hoặc lò phản ứng. Sự lan truyền sự không chắc chắn là tuyến tính và thường xuyên khuếch đại.

Thiết kế cột phân giải

Hãy xem xét một cột chưng cất nhị phân phân phân tách các thành phần gần nhất. Dùng một phương trình trạng thái (EOS) với áp suất không chính xác trong suốt và các tham số tương tác nhị phân có thể dẫn đến sự biến đổi tương đối không ổn định mà được dự đoán, tách rời khỏi thực tế. Một mô hình tăng 10% của tính không ổn định tương đối có thể được thiết kế với 20–30 giai đoạn ít hơn cần thiết. Một khi đã xây dựng, một cột như vậy không thể đạt được sự phân chia cần thiết, để có những sửa đổi giá trị hoặc tắt kết quả. Trường hợp này là một nguồn gốc của các vấn đề hiệu quả thực vật.

Máy ảnh phản ứng và điện thoại di động

Trong việc mô hình lò phản ứng, nhiệt độ không chính xác ảnh hưởng đến hồ sơ nhiệt độ và do đó, tỷ lệ phản ứng và sự lựa chọn. Đối với các phản ứng ngoài môi trường xung quanh, một sự giải phóng nhiệt độ bị đánh giá thấp có thể dẫn đến rủi ro làm mát và nhiệt độ giảm. Ở mặt cân bằng, hằng số cân bằng sai, thay đổi dự đoán hiệu quả, có khả năng gây ra một thiết kế quá tối ưu. Các trường hợp thiết kế lò phản ứng hóa học được ghi nhận đầy đủ trong văn học, như tác phẩm [FL: 0]Carson CO][FL): 1] Trong quá trình mô phỏng sự giả lập tính chất.

Mạng trao đổi nhiệt và năng lượng

Thiết kế bộ trao đổi nhiệt có khả năng nhiệt đặc biệt và các bộ phận sinh dục đặc trưng. Một lỗi nhỏ về khả năng nhiệt lỏng (v. d., 2%) có thể tích lũy trên một thay đổi nhiệt độ lớn, dẫn đến tính toán không đúng nhiệm vụ. Kết quả việc trao đổi nhiệt có thể nhỏ, gây ra sự vi phạm nhỏ trong việc nghiên cứu nhiệt độ. Việc này ảnh hưởng trực tiếp đến việc tiêu thụ năng lượng và hoạt động.

Nguồn dữ liệu sinh động phổ biến

Hiểu được những điều không chính xác bắt nguồn từ đâu giúp các kỹ sư cải tiến mục tiêu. Nguồn chính bao gồm việc thử nghiệm đo lường lỗi, hạn chế mô hình, đánh giá các vấn đề tham số và cơ sở dữ liệu không ổn định.

Lỗi đo lường thử nghiệm

Tính chất động lực học được đo lường trong điều kiện phòng thí nghiệm, nhưng không có đo lường nào là hoàn hảo. Lỗi hệ thống trong nhiệt độ hoặc cảm biến áp suất, độ tinh khiết các mẫu, và độ lệch cân chỉnh có thể dẫn đến thành kiến. Ví dụ, đo lường thăng bằng hơi nước bằng cách lưu thông vẫn bị mất cân bằng từ phân tích cấu trúc (v. d., chuyển đổi khí sắc ký) và nhiệt độ. Thông báo về sự cố định có thể là i vững chắc trong một số hợp chất.

Những giới hạn của các mô hình tiên đoán

Trình mô phỏng tiến trình hiếm khi chỉ dựa vào dữ liệu thí nghiệm; họ sử dụng mô hình nhiệt động lực để tương quan và suy luận. Các phương trình của trạng thái (Peng-Roinson, Soave-Redling-Kwong, SAFT) và mô hình hoạt động (NTTL, UNIGGC, Wilson) có những hạn chế sẵn. Ví dụ, phương trình Peng-Ronson của nhà nước, trong khi đối với hydro- cacbon, thất bại với hệ thống phân cực cao hoặc kết hợp với các quy tắc trộn cao. Dùng mô hình không thích hợp có thể đưa ra lỗi quá nhiều từ dữ liệu thô.

Sự kiện dữ liệu và phỏng đoán tham số

Nếu dữ liệu thí nghiệm là không chắc chắn, thì nhiệt độ thấp hơn, hoặc có thể giảm xuống, các tham số có thể không thể biểu thị hành vi thật. Hơn nữa, nhiều bộ dữ liệu thông thường cũ và dựa trên các dữ liệu hạn chế.

Chất lượng cơ sở dữ liệu và sự nhất quán

Cơ sở dữ liệu động học khác nhau. Cơ sở dữ liệu cơ sở dữ liệu có thể ưu tiên độ chính xác hơn độ chính xác. Ngay cả những nguồn có thẩm quyền như phía sau [FLT: 0], danh sách hoá học hoặc ) [FLT:] [FT:3] [FT:] [FTT:]] [LTTT:] [LT:]] [LTTLTLT [LT:]] [LT= Viện vật chất vật chất học xác định] cung cấp giá trị vật chất] cung cấp giá trị xác đáng được đưa ra, nhưng nhiều trình mô phỏng sử dụng phiên bản cũ hơn. Tính năng lượng giả lập [và cũng có thể nổi bật giữa các tính năng lượng tinh khiết và dữ liệu tinh khiết. Lấy thí dụ, nhiệt độ của một thành phần không phải là nhiệt độ tương quan hệ thống nhất của một thành phần không phải từ một nguồn khác gây ra từ nhiệt độ tương quan hệ thống.

Chiến thuật để tăng cường khả năng thích nghi với dữ liệu

Tính chính xác về nhiệt động học đòi hỏi một phương pháp đa mặt kết hợp dữ liệu thí nghiệm chất lượng cao, sự xác nhận mô hình nghiêm ngặt, và công cụ tính toán hiện đại.

Dữ liệu thí nghiệm có uy tín cao

Bất cứ nơi nào có thể, mô phỏng cơ bản trên dữ liệu thí nghiệm có giá trị nghiêm trọng. Nguồn như [FLT: 0] SON [FMT:] Cơ chế dữ liệu giả lập [FLT: 1] và DIPT 801 cung cấp các dữ liệu tinh khiết và hỗn hợp đáng tin cậy với sự không chắc chắn. Đối với hệ thống, các dữ liệu nhị phân cung cấp toàn diện VLE, LLE và phụ thuộc vào dữ liệu cá nhân. Hãy dùng những nguồn chính này chỉ dựa vào các giả lập trình mô phỏng mặc định.

Bộ kiểm tra và điều chỉnh tham số

Luôn xác nhận dự đoán mô hình chống lại dữ liệu thử nghiệm trước khi hoàn tất một mô phỏng. Nếu tính dữ liệu thực vật hoặc kết quả kế hoạch phi công sẵn sàng, các tham số kiểu điều chỉnh sử dụng công cụ hồi quy trong trình mô phỏng. Bước này hòa hợp mô hình với thực tế. Đối với hệ thống mới với ít dữ liệu, xem xét bằng phương pháp đóng góp nhóm (v. d., UNIFAC) với sự cẩn thận, và đánh giá độ nhạy trên cửa sổ hoạt động mong đợi.

Dùng phương pháp tính toán cao cấp

Khi còn thiếu dữ liệu thử nghiệm, phương pháp tiên tiến như COSMO-RS ( Mô hình chụp màn hình giống màn hình cho Real Solvents) hoặc mô phỏng phân tử (v. d., Monte Carlo hay Molecular Smics) có thể dự đoán tính tính chất nhiệt động học với độ chính xác đáng ngạc nhiên. Những phương pháp này không phụ thuộc vào các tham số được tạo ra từ thí nghiệm và có thể đặc biệt hữu ích cho các chất lỏng, dược phẩm, hoặc hệ thống áp suất cao. Tuy nhiên, chúng cần thiết phần mềm chuyên dụng và chuyên môn.

Sự giả định không chắc chắn

Thay vì xử lý dữ liệu nhiệt động học như xác định, các kỹ sư nên đo lường sự không chắc chắn trong kết quả mô phỏng. Có thể thực hiện bằng cách lấy mẫu của Monte Carlo hoặc phân tích độ nhạy xác định. Bằng cách truyền bá tính chất không chắc chắn trong tính chất tinh khiết và tham số nhị phân thông qua mô hình, một người có thể tạo khoảng cách tự tin về kích cỡ thiết bị, tính chất sản phẩm, và tiêu dùng năng lượng. Việc này giúp đỡ trong việc đánh giá rủi ro và thiết kế thiết kế công phu.

Những phương pháp tốt nhất cho các kỹ sư và nhà nghiên cứu

Để đưa chất lượng dữ liệu vào công việc mô phỏng hàng ngày, hãy áp dụng những hướng dẫn sau.

Phân tích hộp dung

Trước khi bắt đầu một cuộc mô phỏng, hãy thực hiện phân tích khoảng cách: liệt kê tất cả các tính chất cần thiết và xác định xem liệu chúng có đến từ dữ liệu thử nghiệm (không chắc chắn), đóng góp vào nhóm ước tính, hoặc tương tự. Tính chất quan trọng mà chạy thiết kế, chẳng hạn như tính dễ dàng tương đối trong việc tách biệt, và đảm bảo chúng có chất lượng dữ liệu cao nhất.

Cập nhật cơ sở dữ liệu chính quy

Cơ sở dữ liệu động lực học đã cải thiện liên tục. Đặt thành phần cập nhật từ NISPPR, hoặc nhà cung cấp thương mại như lời khuyên của ông thực hiện. Thay thế tham số đã lỗi thời với các giá trị được khuyên hiện thời. Nhiều gói mô phỏng cho phép quản lý cơ sở dữ liệu tự chọn; hãy dùng tính năng này để duy trì cơ sở dữ liệu nội bộ đã kiểm tra.

Hợp tác hoá

Chia sẻ và so sánh kết quả với đồng nghiệp hoặc nhóm làm việc trong các tiến trình tương tự. Xem xét chéo các dự đoán chống lại nguồn độc lập hoặc mô hình thay thế (v. d. hai hệ thống EOS khác nhau) có thể tiết lộ những lỗi ẩn. Nhiều người đã xuất bản [FLT: 0] nghiên cứu [FLT: 1) nhấn mạnh rằng các mô hình nhiệt động học khác nhau có thể tạo ra kết quả phân dạng, nhấn mạnh đến sự cần thiết để xác thực.

Kết luận: Chi phí thiếu chính xác chống lại đầu tư dữ liệu trong chất lượng

Cộng đồng kỹ thuật đã từ lâu nhận ra rằng chi phí của dữ liệu nhiệt động học vượt xa mức đầu tư cần thiết để có dữ liệu đáng tin cậy. Một nhà máy được thiết kế với dữ liệu không hoàn chỉnh có thể đòi hỏi sự cải tiến đắt tiền, giảm lợi nhuận, hoặc thậm chí trải nghiệm sự kiện an toàn. Ngược lại, dành thêm nỗ lực vào dữ liệu hợp lệ, lựa chọn mô hình, và không chắc chắn trong giai đoạn thiết kế sẽ trả tiền nhiều lần hơn vì sự đáng tin cậy và hiệu quả hoạt động cao hơn. Trong khi các công cụ mô phỏng trở nên mạnh hơn, yếu tố chính xác ngày càng tăng từ khả năng tính toán tăng lên đến chất lượng của nền nhiệt điện. Các kỹ thuật viên nâng cấp dữ liệu sẽ tạo ra những thiết kế chính xác không chỉ đáp ứng được mà còn vượt quá mong đợi.