Прогнозирование работы промышленной установки гидроочистки вакуумного дистиллята с применением математической модели

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. Современные тенденции в переработке тяжелой нефти с высоким содержанием серы и ужесточение экологических требований к топливу приводят к необходимости проведения очистки углеводородного сырья от вредных компонентов, таких как сера. Одним из процессов облагораживания средних и тяжелых фракций нефти является гидроочистка. Из-за высокой значимости процесса гидроочистки в современной нефтепереработке применение математических моделей имеет критически важное значение при проектировании новых установок, оптимизации работы действующих, а также при разработке катализаторов.

Цель. Настоящая работа посвящена прогнозированию работы промышленной установки гидроочистки вакуумного газойля при изменении состава сырья и основных управляющих параметров с применением математической модели.

Методы. Метод жидкостно-адсорбционной хроматографии на установке «Градиент М» для определения состава вакуумного газойля, метод газожидкостной хроматографии с применением хроматографа «Кристалл 2000 М» для определения содержания серосодержащих соединений в вакуумном газойле, метод криоскопии в бензоле для определения молекулярной массы, метод энергодисперсионной рентгенофлуорисцентной спектрометрии для определения общей серы в вакуумном газойле, пикнометрический метод для измерения плотности, квантово-химический метод исследования, реализованный в программе Gaussian, для определения термодинамических характеристик реакций, метод математического моделирования химико-технологических процессов.

Результаты. Предложена 12-компонентная математическая модель процесса гидроочистки вакуумного дистиллята, которая учитывает большинство реакций гидрогенолиза, гидрирования и гидрокрекинга гетероорганических соединений, массоперенос газ–жидкость и жидкость–твердое тело, а также влияние дезактивации катализатора коксом на его активность. По результатам расчетов, выполненных с использованием математической модели, можно сделать вывод о том, что модель процесса гидрооблагораживания вакуумного газойля достоверно воспроизводит зависимости остаточного содержания серы в продукте от изменений основных управляющих параметров работы промышленной установки гидроочистки вакуумного дистиллята.

Об авторах

Сания Болатовна Аркенова

Национальный исследовательский Томский политехнический университет

Автор, ответственный за переписку.
Email: sba5@tpu.ru
ORCID iD: 0000-0002-6345-9754

инженер отделения химической инженерии Инженерной школы природных ресурсов

Россия, 634050, г. Томск, пр. Ленина, 30

Елена Николаевна Ивашкина

Национальный исследовательский Томский политехнический университет

Email: ivashkinaen@tpu.ru
ORCID iD: 0000-0003-3984-1352

доктор технических наук, профессор отделения химической инженерии Инженерной школы природных ресурсов

Россия, 634050, г. Томск, пр. Ленина, 30

Елизавета Федоровна Гриценко

Национальный исследовательский Томский политехнический университет

Email: efg2@tpu.ru

магистрант отделения химической инженерии Инженерной школы природных ресурсов

Россия, 634050, г. Томск, пр. Ленина, 30

Список литературы

  1. Абдуллин А.И., Сираев И.Р. Гидрокрекинг как процесс получения дизельного топлива // Вестник технологического университета. – 2016. – Т. 19. – № 10. – С. 41–43.
  2. Исследование кинетических особенностей реакций гидродесульфуризации, гидродеазотирования и гидрирования соединений тяжелого нефтяного сырья на сульфидных Ni6PMonW(12–n)/Al2O3 катализаторах гидроочистки / А.В. Моисеев, Н.М. Максимов, П.С. Солманов, В.А. Тыщенко // Кинетика и катализ. – 2023. – Т. 64. – № 2. – С. 189–202. DOI: https://doi.org/10.31857/S0453881123020053
  3. Халикова Д.А., Петров С.М., Башкирцева Н.Ю. Обзор перспективных технологий переработки тяжелых высоковязких нефтей и природных битумов // Вестник Казанского технологического университета. – 2013. – Т. 16. – № 3. – С. 217–221.
  4. Nadeina K.A., Potapenko O.V., Kazakov M.O. Influence of hydrotreatment depth on product composition of fluid catalytic cracking process for light olefins production // Catalysis Today. – 2021. – № 378. – P. 2–9. DOI: https://doi.org/10.1016/j.cattod.2021.04.014
  5. Shved M.V., Glushko N.A. The process for hydrotreatment of diesel fuel: chemical basis // World science: problems and innovations: materials of the XLVII International scientific and practical conference. – Penza, October 30, 2020. – Penza: Science and Education (IP Gulyaev G.Yu.), 2020. – P. 30–34.
  6. Жуков К.Г. Экологические аспекты применения бензина каталитического крекинга и методы улучшения его качества // Электронный научный журнал Нефтегазовое дело. – 2019. – № 1. – С. 218–233. DOI: https://doi.org/10.17122/ogbus-2019-1-218-233.
  7. Габидуллина Л.В., Муртазин Ф.Р. Пути совершенствования процесса гидроочистки дизельного топлива // Международный научный журнал «Вестник науки». – 2024. – Т. 3. – № 5 (74). – С. 1401–1403.
  8. Влияние термических и каталитических методов добычи на состав и свойства извлекаемой нефти / А.И. Хамидуллина, Д.А. Ибрагимова, С.М. Петров, З.Р. Закирова // Вестник технологического университета. – 2015. – Т. 18. – № 9. – С. 124–128.
  9. Томин В.П., Кабышев В.А. Проблемы аномальных процессов солеотложений и коррозии на установках гидроочистки нефтяных фракций // Технологии нефти и газа. – 2009. – № 4 (63). – С. 3–10.
  10. Шемелова О.В. Математическое моделирование в процессах химической технологии // Бюллетень науки и практики. – 2018. – Т. 4. – № 12. – С. 20–23. DOI: https://doi.org/10.5281/zenodo.2252778.
  11. Капуста Д.П. Молекулярно-динамическое моделирование реакций в гидратированных системах: автореф. дис. … канд. физ.-мат. наук. – М., 2022. – 22 с.
  12. Самойлов Н.А. Математическое моделирование и оптимизация процесса гидроочистки дизельного топлива // Теоретические основы химической технологии. – 2021. – Т. 55. – № 1. – С. 99–109. DOI: https://doi.org/10.31857/S0040357120060202.
  13. Самойлов Н.А. Специфика математического моделирования сложных многокомпонентных химических процессов // Промышленные процессы и технологии. – 2021. – Т. 1. – № 1. – С. 37–52. DOI: https://doi.org/10.37816/2713-0789-2021-1-1-37-52.
  14. Судаков Д.О. Превращение азот-и серосодержащих соединений в процессе гидроочистки вакуумного газойля // Химия и химическая технология в XXI веке: материалы XXIII Международной научно-практической конференции студентов и молодых ученых имени выдающихся химиков Л.П. Кулёва и Н.М. Кижнера. – Томск, 16–19 мая 2022. – Томск: ТПУ, 2022. – Т. 2. – С. 100–101.
  15. Кривцова Н.И., Судаков Д.О. Оценка термодинамических и кинетических параметров протекания реакций деазотирования в процессе гидроочистки // Добыча, подготовка, транспорт нефти и газа: Материалы X Международной конференции. – Екатеринбург, 02–06 октября 2023. – Екатеринбург: Институт химии нефти СО РАН, 2023. – С. 118–119.
  16. Бессонова Н.В., Зирка А.А., Решетников С.И. Математическое моделирование гидроочистки топлива с учетом влияния температуры на дезактивацию катализатора // Наука. Технологии. Инновации: XV Всероссийская научная конференция молодых ученых, посвященная Году науки и технологий в России. – Новосибирск, 06–10 декабря 2021. – Новосибирск: Новосибирский государственный технический университет, 2021. – Ч. 3. – С. 17–20.
  17. Babidorich M.I., Demin A.M., Reutova O.A. Using mathematical modeling to generate training data in hydrotreating processes // International Journal of Open Information Technologies. – 2023. – Vol. 11. – № 5. – P. 114–118.
  18. Pereira Neto A.T., Lucas Fernandes T.CR, Da Silva H.B. Jr. Three-phase trickle-bed reactor model for industrial hydrotreating processes: CFD and experimental verification // Fuel Processing Technology. – 2020. – № 208:106496. DOI: https://doi.org/10.1016/j.fuproc.2020.106496
  19. Применение прогнозирующих алгоритмов машинного обучения к процессам нефтепереработки в рамках интеллектуальной автоматизации / В.В. Бухтояров, И.С. Некрасов, В.С. Тынченко, К.А. Башмур, Р.Б. Сергиенко // Научные труды НИПИ Нефтегаз ГНКАР. – 2022. – № S1. – С. 12–20. DOI: https://doi.org/10.5510/OGP2022SI100665.
  20. Cyclic operation of trickle bed reactors: a review / A. Atta, S. Roy, F. Larachi, K.D.P. Nigam // Chemical Engineering Science. – 2014. – № 115. – P. 205–214. DOI: https://doi.org/10.1016/j.ces.2013.08.038.
  21. Alvarez A., Ancheyta J. Modeling residue hydroprocessing in a multi-fixed-bed reactor system // Applied Catalysis A: General. – 2008. – № 351. – P. 148–158. DOI: https://doi.org/10.1016/j.apcata.2008.09.010
  22. Alvarez A., Ancheyta J. Simulation and analysis of different quenching alternatives for an industrial vacuum gasoil hydrotreater // Chemical Engineering Science. – 2008. – № 63. – P. 662–673. DOI: https://doi.org/10.1016/j.ces.2007.10.007
  23. A modeling study of the effect of reactor configuration on the cycle length of heavy oil fixed-bed hydroprocessing / A. Alvarez, J. Ancheyta, G. Centeno, G. Marroquín // Fuel. – 2011. – № 90. – P. 3551–3560. DOI: https://doi.org/10.1016/j.fuel.2011.03.043007
  24. Modeling of trickle bed reactor for hydrotreating of vacuum gas oils: effect of kinetic type on reactor modeling / F. Jimenez, K. Ojeda, E. Sanchez, V. Kafarov, R. Maciel Filho // Computer Aided Chem. Eng. – 2007. – № 24. – P. 515–520. DOI: https://doi.org/10.1016/S1570-7946(07)80109-X
  25. Korsten H., Hoffmann U. Three-Phase reactor model for hydrotreating in pilot trickle-bed reactors // AIChE J. – 1996. – № 42. – P. 1350–1360. DOI: https://doi.org/10.1002/aic.690420515X
  26. Mederos F.S., Ancheyta J. Mathematical modeling and simulation of hydrotreating reactors: cocurrent versus countercurrent operations // Appl. Cat. A: General. – 2007. – № 332. – P. 8–21. DOI: https://doi.org/10.1016/j.apcata.2007.07.028
  27. Mederos F.S., Ancheyta J., Elizalde I. Dynamic modeling and simulation of hydrotreating of gas oil obtained from heavy crude oil // Appl. Cat. A: General. – 2012. – № 425–426. – P. 13–27. DOI: https://doi.org/10.1016/j.apcata.2012.02.034
  28. Rodríguez M.A., Ancheyta J. Modeling of Hydrodesulfurization (HDS), Hydrodenitrogenation (HDN), and the Hydrogenation of Aromatics (HDA) in a vacuum gas oil hydrotreater // Energy Fuels. – 2004. – № 18. – P. 789–794. DOI: https://doi.org/10.1021/ef030172s
  29. Kallinikos L.E., Jess A., Papayannakos N.G. Kinetic study and H2S effect on refractory DBTs desulfurization in a heavy gasoil // Journal of Catalysis. – 2010. – № 269. – P. 169–178. DOI: https://doi.org/10.1016/j.jcat.2009.11.005
  30. Simulation of hydrotreating of light cycle oil with a system dynamics model / Z. Liu, Y. Zheng, W. Wang, Q. Zhang, L. Jia // Applied Catalysis A: General. – 2008. – № 339. – P. 209–220. DOI: https://doi.org/10.1016/j.apcata.2008.01.018

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».