石油与天然气化工  2025, Vol. 54 Issue (3): 57-63
引用本文
裴向兵, 冯光飞, 张谭, 冯建秋, 蒋轲, 邓宝康. 天然气提氦联产液化工艺设计与分析[J]. 石油与天然气化工, 2025, 54(3): 57-63.   DOI: 10.3969/j.issn.1007-3426.2025.03.008
PEI Xiangbing, FENG Guangfei, ZHANG Tan, et al. Design and analysis of the co-production liquefaction process for extracting helium from natural gas[J]. Chemical Engineering of Oil & Gas, 2025, 54(3): 57-63. DOI: 10.3969/j.issn.1007-3426.2025.03.008
天然气提氦联产液化工艺设计与分析
裴向兵1 , 冯光飞2 , 张谭1 , 冯建秋1 , 蒋轲1 , 邓宝康3     
1. 中石油煤层气有限责任公司;
2. 中国石化华东油气分公司;
3. 四川奥吉特油田科技开发有限公司
收稿日期：2024-07-09
作者简介：裴向兵，1987年生，本科，工程师，主要从事致密气、深层煤岩气地质勘探、生产运行管理与动态研究工作。E-mail: 170225139.qq.com.
通信作者：邓宝康，1985年生，本科，主要从事油气田地质、油气藏工程研究等方面工作。E-mail: petro_ljl@126.com.
摘要：目的 目前国内天然气提氦虽能降低能耗，但仍存在氦气产品纯度低、设备众多、流程复杂等问题。为此，开发一种高效低耗的联产工艺，提升产品纯度并简化流程。方法 提出了一种单塔加两级分离器配合混合冷剂制冷的联产工艺，通过深冷塔和分离器实现了氦气的逐级提纯，并利用支持向量机（SVM）配合改进海鸥算法（ISOA）实现了工艺关键参数和指标的优化。结果 该工艺只有氦气和LNG两种产品，整个流程形成闭环控制，氦气产品纯度（以摩尔分数计）可超80%，优于文献报道；总能耗与所有关键参数相关，LNG液化率与深冷塔的参数设置有关，氦气收率和氦气产品纯度与深冷塔和两级分离器的参数设置有关；ISOA-SVM模型在总能耗、LNG液化率、氦气收率和氦气产品纯度预测结果上的相对误差分别为0.54%、0.98%、0.63%和0.69%，优于其余对比模型，具有较强的泛化能力和鲁棒性；优化后总能耗可在现有基础上降低16.21%，氦气收率可达97.06%，氦气产品纯度可达85.09%。结论 该工艺通过低温精馏即可得到高收率高纯度的氦气，工艺综合性能优势明显。
关键词：天然气    提氦    LNG    联产    氦气收率    氦气产品纯度    
Design and analysis of the co-production liquefaction process for extracting helium from natural gas
PEI Xiangbing1 , FENG Guangfei2 , ZHANG Tan1 , FENG Jianqiu1 , JIANG Ke1 , DENG Baokang3     
1. PetroChina CBM Company Limited, Beijing, China;
2. Sinopec East China Oil & Gas Company, Nanjing, Jiangsu, China;
3. Sichuan OGT Oilfield Technology Development Co., Ltd., Chengdu, Sichuan, China
Abstract: Objective Although the current domestic helium extraction from natural gas can reduce energy consumption, it still faces problems such as low purity of helium products, numerous equipment and complex processes. To solve these problems, an efficient and low-consumption co-production process is developed to improve product purity and simplify the process. Method A co-production process with a single tower and a two-stage separator combined with mixed refrigerant refrigeration was proposed. Helium was enriched step by step by cryogenic tower and separator. Support vector machine (SVM) and improved seagull optimization algorithm (ISOA) were used to optimize the key parameters of the process and the product indexes. Result There were only helium and LNG products in the process, and the whole process formed a closed-loop control. The purity of helium products could exceed 80 mol%, which was better than other literature reports. The total energy consumption was related to all key parameters, the LNG liquefaction rate was related to the parameter setting of the cryogenic tower, and the helium yield and helium product purity were related to the parameter setting of the cryogenic tower and the two-stage separator. The relative errors of the ISOA-SVM model in the prediction results of total energy consumption, LNG liquefaction rate, helium yield and helium product purity are 0.54 mol%, 0.98 mol%, 0.63 mol% and 0.69 mol%, respectively, which was superior to other comparison models, and had strong generalization ability and robustness. After optimization, the total energy consumption could be reduced by 16.21%, the helium yield could reach 97.06%, and the purity of helium products could reach 85.09%. Conclusion Helium with high yield and purity can be obtained by low temperature rectification, and the comprehensive performance of the process has obvious advantages.
Key words: natural gas    helium extraction    LNG    co-production    helium yield    helium product purity    

氦气（He）具有导热性好、扩散性强、溶解度低等特点，被广泛用于低温工程、超导工程、航空航天工程、芯片制造工程等高端领域[1]。近年来，国际氦价格持续上涨，我国约95%左右的氦气需要进口解决，因此，积极研究和发展相关提氦技术具有重要意义。

目前，从天然气中提氦是唯一可工业化生产氦气的技术，对比变压吸附法、吸收法、膜分离法等手段，低温冷凝法在现场的应用最为广泛[2-3]，但单一提氦流程存在设备多、能耗大、经济效益差等缺点。天然气液化工艺与提氦工艺同属低温工程，两者可以共用冷箱完成产品生产，故现有学者将两者结合形成了联产工艺。蒋洪等[4]设计了一种双塔+混合冷剂的提氦联产工艺，通过普通㶲和高级㶲分析，确定了工艺流程的优化方向；肖荣鸽等[5]采用双塔加氮气膨胀制冷的联产工艺流程，通过响应面法进行参数优化；李浩玉等[6]针对提氦塔和脱氮塔完成了联产工艺，确定了不同影响因素对能耗的影响程度。以上研究存在几点问题，一是天然气液化后LNG储罐产生的BOG气体直接进入尾气系统，BOG没有充分利用；二是流程中塔器和冷箱数量较多，过多的设备会造成现场操作困难。对于联产工艺的研究，工艺参数的优化也至关重要，现有手段多通过正交实验法、响应面法构建二次函数，在约束条件下实现非线性条件的参数优化，但优化过程容易陷入局部最优解的困境，无法保证能耗最优。鉴于此，采用单塔加两级分离器配合混合冷剂制冷流程联产氦气和LNG产品，通过文献对比验证流程优越性，利用支持向量机（SVM）模型建立输入变量与综合能耗之间的函数关系，以此实现联产工艺的参数优化，为指导天然气提氦工程的设计提供借鉴思路。

1 联产工艺方案
1.1 工艺流程描述

原料气是经过去除二氧化碳（CO2）、硫化氢（H2S）、水及其余杂质的净化气，整个流程分为天然气液化、天然气提He和N2循环制冷3部分，流程见图1。原料气依次经过预冷冷箱、深冷冷箱，随后进入深冷塔气液两相传质后，塔底液相出料分为两股物流，一股物流节流降压后达到−160 ℃，随后进入LNG储罐完成LNG产品的制备；另外一股物流为预冷冷箱提供冷量后再返回深冷塔作为液相进料。

图 1     联产工艺流程图

深冷塔气相出料经深冷冷箱过冷后，先进入一级分离器分离多余的CH4，分离器的气相出料经深冷冷箱过冷至−179 ℃左右，进入二级分离器分离多余的N2。一级分离器的液相出料、二级分离器的液相出料和BOG均经过深冷冷箱换热升温后，汇合后再进入预冷冷箱复温，混合气经增压后与原料气混合，再次进入联产工艺，重新进行提He和液化工艺。

考虑到天然气液化和提He所需的温度较低，故选择N2作为深冷区的保冷剂。在相同压力下，C2H4与C2H6的汽化潜热差距不大，但C2H4的沸点比C2H6低15 ℃，故优选C2H4。为了保证不同温区的气化制冷量，CH4可作为高温温区和低温温区的衔接剂[7]。综上，选择以N2、CH4、C2H4、C3H8和i-C5H12等为主的混合制冷剂。主体为三级N2压缩机和节流阀膨胀制冷工艺，压缩机级间采用水冷器降温。

1.2 工艺流程模拟

HYSYS软件被广泛用于石油天然气行业中的流程模拟和分析计算，在软件中建立模拟流程，根据实际工况取值，原料气压力为3.25 MPa，温度为40 ℃，摩尔流量为1850 kmol/h，气体组成见表1。气体中He摩尔分数大于0.3%，属于富氦气藏，具有商业开发价值。软件中选择PR状态方程作为气液两相平衡计算的基础，熵焓计算方法选择Lee-Kesler方程。其中，冷箱、冷却器、节流阀中的物流压降均为10 kPa，深冷塔塔顶和塔底的压差为50 kPa，压缩机的绝热效率为80%，泵的绝热效率为75%，冷箱的最小换热温差为3 ℃，压缩机前物流的气相分率为1，深冷塔塔底进料的气相分率为1。

表 1    气体组成

1.3 工艺流程分析

该工艺与传统双塔联产提氦工艺相比，具有如下特点：①通过吸收塔加两级分离器完成LNG和He的生产，塔器数量减少，现场操控的难度下降；②冷箱精简为两个，虽然深冷冷箱的流股较多，但通过混合冷剂的配置可以使换热曲线达到较优状态，有利于节省工程投资和运行能耗；③BOG气体和两级分离器的液体经冷箱复热后，回流至入口原料气，实现了He进一步提纯，BOG气体得以有效利用，工艺形成闭环控制。从原料气、深冷塔到分离器，He是一个逐渐被提纯的过程，其关键物流参数见表2。

表 2    联产工艺关键物流参数

目前，多数天然气提He联产液化工艺的文献未对总能耗进行对比，且不同气质条件和工况变化对能耗的影响也较大，在此主要考查LNG液化率、He收率和He产品纯度等产品指标，见表3。虽然本方案的LNG液化率未达到最优水平，但He产品纯度超过80%，显著高于其余方案；同时，He收率也达到了90%以上，综合指标体现了本文方案技术优势。此外，两个冷箱的最小换热温差模拟的结果分别为5.0 ℃和8.4 ℃，对数平均温差分别为13.8 ℃和41.4 ℃，说明冷热侧物流换热曲线的匹配程度还有待优化，深冷冷箱较大的温差是制冷剂组分和流量造成的。综上所述，流程能耗还有进一步降低的空间。

表 3    不同工艺的产品指标对比

2 关键参数特性分析

此联产工艺中涉及到压缩机、冷却器、冷箱、泵、深冷塔等诸多设备，在此研究不同参数对总能耗、LNG液化率、He收率和He产品纯度的影响。模拟时采用控制变量法，在冷箱最小温差高于3 ℃的条件下完成模拟，得到的变化情况见表4。以深冷塔进料温度为例进行说明，当进料温度升高时，需降低塔底回流量以保证冷箱最小温差，塔底泵的能耗有所下降，但此时塔顶气相出料的流量也会上升，制冷循环的压缩能耗和循环气的压缩能耗均会上升，且后者的增幅会更大，总能耗体现为不断升高。同时，深冷塔进料温度的升高，会导致塔顶气相出料中的氦气含量降低，增加了后续两级分离器进料中的重组分含量，在气相流量变大的情况下，He收率有所升高，但产品纯度有所降低。

表 4    不同关键参数对产品指标的影响

LNG液化率只与后续的节流压力和深冷塔的相关参数有关，与其余因素无关。N2收率和N2产品纯度与提He相关的流程参数有关，与制冷循环流程无关。制冷循环流程相关参数变化只对冷箱收敛造成影响，制冷剂流量越大、制冷剂高压压力越高、制冷剂低压压力越低，制冷循环所需的压缩能耗越大，总能耗越大。

3 基于ISOA-SVM模型的联产工艺优化
3.1 目标函数建立

从上述研究可知，不同因素对工艺指标的影响程度不同，单纯的影响分析无法体现变量之间的非线性特性。在此，建立总能耗最小（f1）、LNG液化率最大（f2）、He收率最大（f3）和He产品纯度最大（f4）的多目标函数，见式（1）。先筛选不同参数条件下LNG液化率、He收率和He产品纯度的极大值，随后将上述3个极大值转化为极小值，构成辅助约束条件，进而完成总能耗最小值的求解。

$ \left\{ \begin{gathered} \min {f_1}(X) = {y_1} = \sum\limits_i^N {{E_i}} \\ \min {f_2}(X) = {1}/{{{y_2}}} \\ \min {f_3}(X) = {1}/{{{y_3}}} \\ \min {f_4}(X) = {1}/{{{y_4}}} \\ X = {\left( {{x_1},{x_2}, \ldots ,{x_m}} \right)^{\mathrm{T}}} \\ \end{gathered} \right. $ (1)

式中：Ei为第i个设备的能耗，kW，包括制冷压缩机、混合气压缩机、塔底增压泵等设备的输入能耗；N为设备数量；y1为总能耗，kW；y2为LNG液化率，%；y3为He收率，%；y4为He产品纯度，%；X为决策变量集合；m为决策变量个数。

对于决策变量的选取，除应包括表4中的影响因素外，高嘉珮等[13]也证明了混合冷剂对能耗的影响较大，故决策变量集合中加入混合冷剂配比，共计12个决策变量（虽然混合冷剂为5种，但总的摩尔分数和为1，故定义了4种制冷剂摩尔分数，最后一种制冷剂的摩尔分数就可知）。

3.2 SVM模型建立

SVM采用少数支持向量实现多维问题的回归和分类，从原则上避免了维数灾难，与常用的前馈型神经网络相比，具有泛化能力强、鲁棒性好、预测精度高等特点[14]。因此，采用SVM模型构建决策变量与目标函数之间的非线性关系，便于后续的优化求解，样本数据的取值范围见表5。

表 5    样本数据取值范围

为缩小模型训练过程中的样本数量，预设上述参数变化符合均匀分布条件，通过拉丁超立方抽样获取500组实验条件，随后将参数代入HYSYS软件中模拟，以冷箱最小温差大于3 ℃、压缩机前物流的气相分率为1作为约束条件，筛选出流程收敛成功的410组数据作为样本库。按照9∶1的比例，训练集为369个，测试集为41个。SVM模型的输入层节点数与决策变量个数相同，输出层节点数与目标函数个数相同，隐含层可采用单层或多层结构，但过多的隐含层数量会增加网络模型的计算时长，故通常采用单隐含层多节点的设置规避上述问题。根据常规定义估算出单隐含层节点数的取值范围应为4~14，利用穷举法测试不同隐含层节点数下的指标平均相对误差，见图2。从图2可知，随着隐含层节点数的增加，4个目标函数预测值与实际值之间的相对误差均先减小后增大，说明隐含层节点数对训练效果的影响较大。其中，总能耗、He收率和He产品纯度均在隐含层节点数为8时达到最优，LNG液化率在隐含层节点数为9时达到最优。考虑到LNG液化率受工艺参数影响较小，最终确定SVM模型的网络结构为12-8-4型。

图 2     不同隐含层节点数与误差的关系曲线

3.3 SVM模型超参数优化

为进一步增强SVM模型的训练效果及预测精度，采用改进海鸥算法（ISOA）完成SVM模型中超参数的优化，主要包括核函数ε和惩罚因子c的优化。

海鸥算法（SOA）的基本思想是通过模拟海鸥迁徙和攻击行为，实现海鸥位置的更新迭代，虽然SOA算法具有调参简单、易于实现的特点，但也存在收敛速度慢、搜索方式单一、训练过程易陷入局部最优解的缺陷[15]。因此，从附加变量和螺旋系数两方面进行常规算法改进，形成ISOA算法。附加变量A负责平衡全局勘探和局部开发之间的关系，常规算法是从2线性递减至0，不能完全适应SOA算法的搜索模式，在此引入与beta分布相关的随机数，对附加变量进行修改，见式（2）。

$ A=\left(A_{\text{initial }}-A_{\text{final }}\right)/\left(1+e^{\left(20t/T\right)-10}\right)+0.1\times\mathrm{beta}(\ ) $ (2)

式中：A为附加变量；Aintial、Afinal分别为A的初值和终值；t为当前迭代次数，次；T为最大迭代次数，次；beta( )为beta分布生成的随机数。

以Aintial=2、Afinal=0、T=500次为例，分析优化前后A值的变化趋势，见图3。由图3可知，优化A值呈非线性递减趋势，在迭代初期，递减速度较慢，可以较大频率维持全局搜索；在迭代中期，递减速度明显增大，可以增加算法的收敛速度；在迭代后期，较长时间保持在较小值，可以增加解集的多样性。

图 3     优化前后A值的变化趋势

常规算法中螺旋系数v取常数1，会导致海鸥在后期迁徙的过程中飞行半径过大，导致在最优解附近出现震荡现象，故通过余弦函数对v值进行修改，见式（3）。

$ v = \cos \left( {{\text{π}} \frac{t}{T}} \right) $ (3)

以T=500次为例，分析优化前后v值的变化趋势，见图4。优化后，v值从1.0非线性递减至−1.0，通过调整飞行半径可快速获得最优解的精确位置。

图 4     优化前后v值的变化趋势

依据上述改进，分别利用ISOA-SVM模型、SOA-SVM模型、SVM模型、BP模型对样本库进行训练和预测，以平均相对误差测试模型准确性，见表6和图5。图5以总能耗为例进行说明。其中，SVM模型的超参数优化采用网格搜索法获取，核函数采用径向基核函数；BP模型的超参数采用梯度下降法获取，输入层和隐含层的传递函数为Sigmoid，输出层的传递函数为Purelin；初始化种群数量为100，粒子维度为2，4种模型的最大迭代次数均为1000次。对于工艺总能耗，BP模型的预测结果存在较多的离散点，回归结果也偏离回归线；SVM模型的预测结果略优于BP模型，但优化效果不明显；SOA-SVM模型和ISOA-SVM模型的预测效果相对较好，预测值均匀分布在回归线附近。从相对误差上分析，除氦气收率中BP模型的相对误差低于SVM模型外，其余产品指标在BP模型上的表现均不好，考虑到最终是要以总能耗为优化目的，而联产工艺总能耗的量级相对较大，故模型的泛化能力至关重要。ISOA-SVM模型在不同产品指标上的相对误差均最小，可以作为后续工艺参数优化的基础。

表 6    不同模型预测结果的平均相对误差

图 5     不同模型总能耗实际值与预测值的对比图

3.4 工艺参数优化

上述建立的最优ISOA-SVM预测模型中已形成决策变量与产品指标之间的非线性关系，再通过ISOA算法对决策变量进行随机初始化，随机生成新的样本数据。将新样本与之前的训练样本合并，按照LNG液化率不低于90%、He收率不低于97%、He产品纯度不低于85%为条件，筛选合适的数据集，将上述指标作为辅助约束条件进而求解最小总能耗对应的决策变量取值。最后，将决策变量取值回溯至HYSYS软件，验证模拟结果与优化结果是否一致，以及流程是否收敛，如不收敛，则重新选择最小总能耗对应的决策变量，重复上述操作直到选出最小总能耗的工况条件。优化前后结果对比见表7，其中深冷塔进料温度和一级分离器进料温度有所降低，二级分离器进料温度有所上升，深冷塔塔压有所增加，制冷剂流量大幅下降，导致工艺压缩能耗也大幅下降，总能耗从14368 kW降至12039 kW。混合冷剂的配比也有变化，用于提供一级分离器气相过冷的N2配比有所下降，用于提供较大汽化潜热的i-C5H12配比有所升高，优化后两个冷箱中冷热侧复合曲线的贴合程度更好。此外，将优化后的参数代入HYSYS软件，得到产品指标与优化结果差异不大，也从侧面证明了本研究模型的准确性和有效性。

表 7    优化前后的参数及产品指标对比

4 结论

1） 通过单塔加两级分离器实现了He和LNG的联产制备，该工艺有效解决了BOG气体的后续处理问题，整个流程形成闭环控制，He产品纯度可超80%，优于文献报道。

2） 通过控制变量法分析了不同参数对产品指标的影响，其中总能耗与所有参数相关，LNG液化率与深冷塔的参数设置有关，He回收率和He产品纯度与深冷塔和两级分离器的参数设置有关。

3） 通过ISOA-SVM模型实现了流程参数的训练和预测，建立了决策变量与产品参数之间的非线性关系，基于最优化理论，求解了能耗最低的最佳参数组合，相比优化前，总能耗降低了16.21%，He收率可达到97.06%，He产品纯度可达到85.09%。

参考文献
[1]
气体分离膜技术在天然气提氦中的研究进展[J]. 膜科学与技术, 2022, 42(6): 168-177.
[2]
天然气及液化天然气蒸发气提氦技术研究进展[J]. 天然气化工—C1化学与化工, 2022, 47(5): 32-41.
[3]
天然气提氦技术开发进展[J]. 天然气化工—C1化学与化工, 2020, 45(4): 108-116.
[4]
深冷法提氦联产LNG工艺分析优化[J]. 化学工程, 2023, 51(8): 78-83.
[5]
联产LNG天然气低温提氦工艺参数优化研究[J]. 低温与超导, 2023, 51(10): 47-53.
[6]
天然气提氦联产LNG新工艺特性及适应性分析[J]. 石油与天然气化工, 2023, 52(5): 64-73.
[7]
C3/MRC液化工艺中混合制冷剂组成选择及配比优化[J]. 低温与超导, 2016, 44(3): 20-25.
[8]
天然气液化与BOG提氦联产工艺的设计与优化[J]. 油气储运, 2023, 42(12): 1352-1361.
[9]
天然气提氦与制LNG结合工艺分析[J]. 化学工程, 2019, 47(1): 74-78.
[10]
XIONG L, PENG N, LIU L, et al. Helium extraction and nitrogen removal from LNG boil-off gas[J]. IOP Conference Series: Materials Science and Engineering, 2017, 171: 012003.
[11]
MEHRPOOYA M ,SHAFAEIA. Advanced exergy analysis of novel flash based Helium recovery from natural gas processes [J]. Energy,2016,114:64-83.
[12]
MEHRPOOYA M, GHORBANI B, BAHNAMIRI FK. Basic design and thermodynamic analysis of a high helium content natural gas-fuel cell power plant[J]. Journal of Cleaner Production, 2020, 262（15）: 121401. DOI:10.1016/j.jclepro.2020.121401
[13]
基于混料设计的MRC工艺中混合冷剂配比的优化[J]. 天然气化工—C1化学与化工, 2018, 43(5): 90-98.
[14]
基于深度神经网络和支持向量机的海底管线水合物生成预测模型[J]. 中国石油大学学报（自然科学版）, 2020, 44(5): 46-51.
[15]
基于海鸥优化算法的相关向量机模型在径流预测中的应用[J]. 水电能源科学, 2021, 39(5): 46-49.