天然气中重组分的大量存在对于脱硫系统和产品气的影响十分显著[1-2], 不仅会加重原料气分离器的生产负荷[3-4], 同时还会在脱硫塔内频繁析出, 导致塔盘堵塞, 并造成脱硫溶液出现大规模发泡和拦液现象[5-6], 显著增加了吸收剂的损失, 严重影响了净化装置的脱硫, 并导致产品气气质不合格等诸多问题[7-8]。
天然气中重组分的组成与含量均会对净化装置的脱硫效果及产品气气质造成一定的影响, 而各影响因素之间又往往存在相互作用。因此, 对天然气中重组分影响的预测是十分复杂的非线性、随机过程[9], 而实验过程又往往不能控制所有因素的变化情况, 从而导致实验结果分散性较大。由于不同天然气净化厂的原料气气质呈现出一定的变化规律但又存在波动, 针对这种不利影响发展程度的预测方法并不单一, 目前常用的模型有灰色关联模型和人工神经网络模型两大类[10-11], 均通过建立预测模型实现以短期数据推测长期行为, 以小样本数据推测大样本规律, 以简单室内实验数据推测复杂环境现场工况[8]。灰色关联模型按照发展趋势进行分析, 故对样本量的多少没有过多的要求, 也不需要典型的分布规律, 而且该模型计算量较小, 是一种简单、便捷的预测方法。然而, 由于计算灰色关联度的现有量化模型均各有其优点和适用范围, 随着灰色关联分析理论应用领域的不断扩大, 模型自身存在的不足使其不能很好地解决某些方面的实际问题, 导致其应用受到了极大限制[9]; 人工神经网络模型作为一个非线性动态系统, 具有良好的自学习、自组织、自适应和非线性映射能力, 特别适合处理在已知条件和结果之间没有明确数学关系的数据, 并能在条件与结果之间建立一定的关系, 从而用切合实际的模型代替原型实验进行数值仿真, 抽象出系统特点, 得到装置运行状态的相关对策, 从而有效地避免大量的实验[12-14]。
本研究通过建立一套测定天然气中重组分对MDEA溶液脱硫性能影响的室内实验装置, 研究不同重组分对MDEA溶液吸收性能的影响规律, 采用多因素方差分析筛选关键因素, 并判定其影响程度大小, 采用人工神经网络建立天然气中重组分不利影响的预测模型, 准确找出天然气中重组分不利影响与相关因素之间的隐藏关系, 并确保此预测模型的误差小于10%。
本项目根据中国石油天然气股份有限公司长庆油田分公司第一采气厂第三净化厂现场工艺状况及相关操作参数, 自主设计并搭建了1套模拟现场脱除天然气中酸性组分的MDEA溶液吸收性能评价装置。
MDEA溶液吸收性能评价装置主要由溶液吸收解吸系统、温度控制系统、压力控制系统、气体供给系统、在线分析系统和数据采集系统组成, 溶液吸收解吸系统的有效容积为300 mL, 内置磁力搅拌器和鼓泡吸收管, 利用温度控制系统对其温度进行控制, 控温范围为5~250 ℃, 恒温波动不大于0.05 ℃, 通过前、后背压阀控制其压力, 控压范围为0~10 MPa, 精度可达±0.1 MPa。分别将PT100型温度变送器、3051TA型压力变送器、LXI-B型气体流量计以及EC9820型二氧化碳在线分析仪、EC9852型硫化氢在线分析仪经数据采集系统与微型计算机相连, 对整个装置的运行状况进行监视和调整。
该装置以高纯度氮气模拟现场天然气, 以高纯度硫化氢和二氧化碳模拟天然气中的酸性组分, 硫化氢与二氧化碳按1:120的体积比混合均匀后, 以鼓泡方式将其缓慢通入新鲜MDEA溶液以及含有不同天然气中重组分的脱硫溶液, 通过取样口实时在线采集、分析吸收前后气体中的酸性组分含量, 待吸收时间大于20 min后, 当吸收前后的酸气含量基本不变时, 即可停止实验。每个实验平行做3次, 根据差量法得到脱硫溶液的吸收性能。
MDEA溶液的吸收能力η按照式(1)进行计算:
式中, 组分i为硫化氢、二氧化碳等酸性组分; ci0、ci0′为在空白实验和掺杂实验条件下吸收前气体中组分i的摩尔分数; ci、ci′为在空白实验和掺杂实验条件下吸收后t、t′时刻气体中组分i的摩尔分数; qV0、qV0′为在空白实验和掺杂实验条件下吸收前t、t′时刻气体的摩尔流量, mol/min; qV、qV′为在空白实验和掺杂实验条件下吸收后t、t′时刻气体的摩尔流量, mol/min。
天然气中重组分不利影响预测模型的准确性和稳定性在很大程度上依赖于输入信号的有效性, 合理的信号输入不仅能够较好地反映出客观实际情况, 还可以保证预测精度满足相关要求。然而, 当输入信号作用强度较弱, 即因素变化对输出结果无影响或影响不显著时, BP人工神经网络进化缓慢、震荡剧烈且极易陷入局部最小。因此, 在借助MDEA溶液吸收能力性能评价装置测定不同组成含量、不同运行参数下天然气中重组分对MDEA溶液作用规律的基础上, 使用MINITAB 15.1对上述实验数据进行多因素方差分析, 通过计算各重组分的离差平方和、自由度、平均平方、统计检定值和概率来研究各重组分组成及含量对MDEA溶液吸收能力的影响大小。
BP人工神经网络通常是指基于误差反向传播算法的多层前向神经网络, 是目前应用最广泛、基本思想最直观、最容易被理解的一种神经网络, 它采用最小均方差学习方式, 需有教师训练, 可用于识别、分类、预测语言综合和自适应控制等用途。
建立BP人工神经网络的主要步骤如下:
第1步, 初始化网络。
设置wij和wjk的初始连接权值, 初始连接权值是在(-1, 1)区间随机选取的非零值, 同时给定计算精度值ε(ε>0)。
第2步, 指定输入样本和输出样本, 计算网络的输出。
当q=1, 2, 3, ..., l时, 设第q组样本输入xq=[x1q, x2q, x3q, ..., xnq], 期望输出dq=[d1q, d2q, d3q, ..., dmq], 则节点i在第q组样本输入时的网络实际输出yiq见式(2)。
式中:wij(t)是输入层到隐藏层经t次调整的权值; Ijq是在第q组样本输入时节点i的第j个输入。
第3步, 计算网络的目标函数。
设在第q组样本输入时网络的目标函数为Eq, 则Eq的计算见式(3)。
式中:yq(t)是在第q组样本输入时经t次权值调整后网络的输出; k是输出层第k个节点。
第4步, 网络的总目标函数见式(4)。
作为对网络学习情况的评价, 若J(t)≤ε, 此时算法结束, 否则进行下一步。
第5步, 反向传播计算, 根据J由输出层按梯度下降法反向计算并逐层调整权值, 步长η取常值, 由${a_{k + 1}} = {a_k} - {\eta _k}\frac{{\partial J({a_k})}}{{\partial {a_k}}}$得到节点j到节点i经t+1次调整的权值:
具体算法见式(6):
设
设式(7)中δiq是第q组样本输入时第i个节点的状态xiq对Eq的灵敏度。
由式(7)可得:
当i=k时, 即i为输出节点, 由此可得式(9):
将式(8)代入, 则得到式(10)
当i≠k时, 即不是输出节点, 此时
其中:
式中:m1是节点i下一层的第j个节点; Ijq*是第q组样本输入时节点m1的第j个输入。
当i=j, yjq=Ijq*时, 代入式(12), 则有:
由此可见, 由式(13)可对权值进行调整和计算。
采用NeuroSolutions 7.1.0.0软件建立BP人工神经网络的天然气中重组分不利影响预测模型。
天然气中的n-C5、i-C5、C6、C7、C8、C9、C10等重组分对MDEA溶液吸收能力的影响见图 1和表 1。
由表 1可知, 由于i-C5、C6、C7、C8和C10的F值均大于F0.01(4, 10)=5.994 339, n-C5与C9的F值小于F0.05(4, 10)=3.478 049 7, 故i-C5、C6、C7、C8和C10对MDEA溶液吸收能力具有十分显著的影响, n-C5和C9对其影响不显著。这是因为, 该天然气中重组分的成分为C5~C10烃类的混合物, 是介于汽油和柴油之间的高品质凝析油, 由于硫化氢、二氧化碳等酸性组分在i-C5、C6、C7、C8和C10中存在一定的溶解度, 且在特定浓度条件下极易导致MDEA溶液发生乳化现象, 故均会造成MDEA溶液吸收能力的显著降低[15-17]。影响MDEA溶液吸收能力的主要因素为:i-C5、C6、C7、C8、C10, 其影响能力按顺序为:C10>C8>C7>i-C5>C6。
在上述多因素方差分析研究结果的基础上, 针对MDEA溶液吸收性能的不同特征, 以i-C5、C6、C7、C8、C10等天然气中重组分组成、质量浓度为自变量, 以MDEA溶液吸收能力为因变量建立天然气中重组分不利影响的预测模型, 即
其中, x1~x5分别表示i-C5、C6、C7、C8和C10的质量浓度, y为MDEA溶液吸收能力。
利用MDEA溶液吸收性能评价装置采集40组实验样本, 其中, 第1~30组数据作为训练样本用于输入BP人工神经网络预测模型进行训练, 第31~40组数据作为测试样本不参加训练。当BP人工神经网络预测模型经过反复训练满足指定的容许收敛误差后, 将第31~40组数据输入训练好的神经网络, 比较模型预测结果与实际测试结果, 见表 2。
由表 2可知, 31号至40号测试样本的相对误差依次为0.001 255、0.010 008、0.022 222、0.003 517、0.002 994、0.010 018、0.016 057、0.004 333、0.001 875和0.002 124, 其平均相对误差与最大相对误差分别为0.007 440和0.022 222, 说明预测值与真实值比较接近, 完全满足误差小于10%的相关要求, 表明BP人工神经网络能够对MDEA溶液吸收能力进行较为准确的预测。
为了验证上述BP人工神经网络预测模型在实际生产中的应用效果, 对中国石油天然气股份有限公司长庆油田分公司第一采气厂5套典型天然气脱硫装置的MDEA溶液吸收能力进行预测, 并将此预测值与现场值进行对比, 见表 3。
由表 3可知, 由于上述MDEA溶液吸收能力的预测值与现场值较为接近, 其平均相对误差仅为2.10%, 完全满足实际生产中相对误差应不大于10%的考核要求, 故BP人工神经网络预测模型对MDEA溶液吸收能力具有良好的预测能力, 可成功实现对天然气脱硫装置MDEA溶液吸收能力的准确预测。
(1) 天然气中重组分的存在不仅会加重原料气分离器的生产负荷, 同时还会在脱硫塔内频繁析出, 导致塔盘堵塞, 造成脱硫溶液出现大规模发泡和拦液现象, 显著增加了吸收剂损失, 严重影响了净化装置的脱硫, 并导致产品气气质不合格等诸多问题。
(2) 天然气中的重组分i-C5、C6、C7、C8和C10对MDEA溶液吸收能力具有十分显著的影响, 均为BP神经网络预测模型的有效输入信号。
(3) BP人工神经网络能够对MDEA溶液吸收能力进行较准确的预测, 其平均相对误差与最大相对误差普遍较小, 说明预测值与真实值比较接近, 完全满足误差小于10%的相关要求。
(4) 现场验证结果表明, BP人工神经网络预测模型在实际生产中的应用效果较为理想, 其平均相对误差仅为2.10%, 利用此模型可对天然气脱硫装置MDEA溶液吸收能力进行准确预测。
2018, Vol. 47 Issue (6): 1-6
2018, Vol. 47 Issue (6): 1-6