韓萬龍 范崢 薛崗 王文珍 劉子兵 葛濤

1.西安長慶科技工程有限責任公司 2.西安石油大學化學化工學院

天然氣中重組分的大量存在對于脫硫系統(tǒng)和產品氣的影響十分顯著[1-2]，不僅會加重原料氣分離器的生產負荷[3-4]，同時還會在脫硫塔內頻繁析出，導致塔盤堵塞，并造成脫硫溶液出現(xiàn)大規(guī)模發(fā)泡和攔液現(xiàn)象[5-6]，顯著增加了吸收劑的損失，嚴重影響了凈化裝置的脫硫，并導致產品氣氣質不合格等諸多問題[7-8]。

天然氣中重組分的組成與含量均會對凈化裝置的脫硫效果及產品氣氣質造成一定的影響，而各影響因素之間又往往存在相互作用。因此，對天然氣中重組分影響的預測是十分復雜的非線性、隨機過程[9]，而實驗過程又往往不能控制所有因素的變化情況，從而導致實驗結果分散性較大。由于不同天然氣凈化廠的原料氣氣質呈現(xiàn)出一定的變化規(guī)律但又存在波動，針對這種不利影響發(fā)展程度的預測方法并不單一，目前常用的模型有灰色關聯(lián)模型和人工神經網(wǎng)絡模型兩大類[10-11]，均通過建立預測模型實現(xiàn)以短期數(shù)據(jù)推測長期行為，以小樣本數(shù)據(jù)推測大樣本規(guī)律，以簡單室內實驗數(shù)據(jù)推測復雜環(huán)境現(xiàn)場工況[8]?；疑P聯(lián)模型按照發(fā)展趨勢進行分析，故對樣本量的多少沒有過多的要求，也不需要典型的分布規(guī)律，而且該模型計算量較小，是一種簡單、便捷的預測方法。然而，由于計算灰色關聯(lián)度的現(xiàn)有量化模型均各有其優(yōu)點和適用范圍，隨著灰色關聯(lián)分析理論應用領域的不斷擴大，模型自身存在的不足使其不能很好地解決某些方面的實際問題，導致其應用受到了極大限制[9];人工神經網(wǎng)絡模型作為一個非線性動態(tài)系統(tǒng)，具有良好的自學習、自組織、自適應和非線性映射能力，特別適合處理在已知條件和結果之間沒有明確數(shù)學關系的數(shù)據(jù)，并能在條件與結果之間建立一定的關系，從而用切合實際的模型代替原型實驗進行數(shù)值仿真，抽象出系統(tǒng)特點，得到裝置運行狀態(tài)的相關對策，從而有效地避免大量的實驗[12-14]。

本研究通過建立一套測定天然氣中重組分對MDEA溶液脫硫性能影響的室內實驗裝置，研究不同重組分對MDEA溶液吸收性能的影響規(guī)律，采用多因素方差分析篩選關鍵因素，并判定其影響程度大小，采用人工神經網(wǎng)絡建立天然氣中重組分不利影響的預測模型，準確找出天然氣中重組分不利影響與相關因素之間的隱藏關系，并確保此預測模型的誤差小于10%。

1 實驗部分

1.1 裝置搭建

本項目根據(jù)中國石油天然氣股份有限公司長慶油田分公司第一采氣廠第三凈化廠現(xiàn)場工藝狀況及相關操作參數(shù)，自主設計并搭建了1套模擬現(xiàn)場脫除天然氣中酸性組分的MDEA溶液吸收性能評價裝置。

MDEA溶液吸收性能評價裝置主要由溶液吸收解吸系統(tǒng)、溫度控制系統(tǒng)、壓力控制系統(tǒng)、氣體供給系統(tǒng)、在線分析系統(tǒng)和數(shù)據(jù)采集系統(tǒng)組成，溶液吸收解吸系統(tǒng)的有效容積為300 m L，內置磁力攪拌器和鼓泡吸收管，利用溫度控制系統(tǒng)對其溫度進行控制，控溫范圍為5～250℃，恒溫波動不大于0.05℃，通過前、后背壓閥控制其壓力，控壓范圍為0～10 MPa，精度可達±0.1 MPa。分別將PT100型溫度變送器、3051TA型壓力變送器、LXI-B型氣體流量計以及EC9820型二氧化碳在線分析儀、EC9852型硫化氫在線分析儀經數(shù)據(jù)采集系統(tǒng)與微型計算機相連，對整個裝置的運行狀況進行監(jiān)視和調整。

該裝置以高純度氮氣模擬現(xiàn)場天然氣，以高純度硫化氫和二氧化碳模擬天然氣中的酸性組分，硫化氫與二氧化碳按1∶120的體積比混合均勻后，以鼓泡方式將其緩慢通入新鮮MDEA溶液以及含有不同天然氣中重組分的脫硫溶液，通過取樣口實時在線采集、分析吸收前后氣體中的酸性組分含量，待吸收時間大于20 min后，當吸收前后的酸氣含量基本不變時，即可停止實驗。每個實驗平行做3次，根據(jù)差量法得到脫硫溶液的吸收性能。

MDEA溶液的吸收能力η按照式(1)進行計算:

式中，組分i為硫化氫、二氧化碳等酸性組分;ci0為在空白實驗和摻雜實驗條件下吸收前氣體中組分i的摩爾分數(shù);ci為在空白實驗和摻雜實驗條件下吸收后t、t′時刻氣體中組分i的摩爾分數(shù);qV0、為在空白實驗和摻雜實驗條件下吸收前t、t′時刻氣體的摩爾流量，mol/min;qV為在空白實驗和摻雜實驗條件下吸收后t、t′時刻氣體的摩爾流量，mol/min。

1.2 方差分析

天然氣中重組分不利影響預測模型的準確性和穩(wěn)定性在很大程度上依賴于輸入信號的有效性，合理的信號輸入不僅能夠較好地反映出客觀實際情況，還可以保證預測精度滿足相關要求。然而，當輸入信號作用強度較弱，即因素變化對輸出結果無影響或影響不顯著時，BP人工神經網(wǎng)絡進化緩慢、震蕩劇烈且極易陷入局部最小。因此，在借助MDEA溶液吸收能力性能評價裝置測定不同組成含量、不同運行參數(shù)下天然氣中重組分對MDEA溶液作用規(guī)律的基礎上，使用MINITAB 15.1對上述實驗數(shù)據(jù)進行多因素方差分析，通過計算各重組分的離差平方和、自由度、平均平方、統(tǒng)計檢定值和概率來研究各重組分組成及含量對MDEA溶液吸收能力的影響大小。

1.3 BP人工神經網(wǎng)絡建立

BP人工神經網(wǎng)絡通常是指基于誤差反向傳播算法的多層前向神經網(wǎng)絡，是目前應用最廣泛、基本思想最直觀、最容易被理解的一種神經網(wǎng)絡，它采用最小均方差學習方式，需有教師訓練，可用于識別、分類、預測語言綜合和自適應控制等用途。

建立BP人工神經網(wǎng)絡的主要步驟如下:

第1步，初始化網(wǎng)絡。

設置wij和wjk的初始連接權值，初始連接權值是在(-1，1)區(qū)間隨機選取的非零值，同時給定計算精度值ε(ε＞0)。

第2步，指定輸入樣本和輸出樣本，計算網(wǎng)絡的輸出。

當q=1，2，3，...，l時，設第q組樣本輸入xq=[x1q，x2q，x3q，...，xnq]，期 望 輸 出 dq=[d1q，d2q，d3q，...，dmq]，則節(jié)點i在第q組樣本輸入時的網(wǎng)絡實際輸出yiq見式(2)。

式中:wij(t)是輸入層到隱藏層經t次調整的權值;Ijq是在第q組樣本輸入時節(jié)點i的第j個輸入。

第3步，計算網(wǎng)絡的目標函數(shù)。

設在第q組樣本輸入時網(wǎng)絡的目標函數(shù)為Eq，則Eq的計算見式(3)。

式中:yq(t)是在第q組樣本輸入時經t次權值調整后網(wǎng)絡的輸出;k是輸出層第k個節(jié)點。

第4步，網(wǎng)絡的總目標函數(shù)見式(4)。

作為對網(wǎng)絡學習情況的評價，若J(t)≤ε，此時算法結束，否則進行下一步。

第5步，反向傳播計算，根據(jù)J由輸出層按梯度下降法反向計算并逐層調整權值，步長η取常值，由ak+1得到節(jié)點j到節(jié)點i經t+1次調整的權值:

具體算法見式(6):

設

設式(7)中δiq是第q組樣本輸入時第i個節(jié)點的狀態(tài)xiq對Eq的靈敏度。

由式(7)可得:

當i=k時，即i為輸出節(jié)點，由此可得式(9):

將式(8)代入，則得到式(10)

當i≠k時，即不是輸出節(jié)點，此時

其中:

式中:m1是節(jié)點i下一層的第j個節(jié)點;是第q組樣本輸入時節(jié)點m1的第j個輸入。

當i=j，y jq=時，代入式(12)，則有:

由此可見，由式(13)可對權值進行調整和計算。采用NeuroSolutions 7.1.0.0軟件建立BP人工神經網(wǎng)絡的天然氣中重組分不利影響預測模型。

2 結果與討論

2.1 主要影響因素對MDEA溶液吸收能力的作用規(guī)律分析

天然氣中的n-C5、i-C5、C6、C7、C8、C9、C10等重組分對MDEA溶液吸收能力的影響見圖1和表1。

表1 天然氣中重組分對MDEA溶液吸收能力的影響Table 1 Influence of heavy components in natural gas on absorptive capacity of MDEA solution

由表1可知，由于i-C5、C6、C7、C8和C10的F值均大于F0.01(4，10)=5.994339，n-C5與C9的F值小于F0.05(4，10)=3.4780497，故i-C5、C6、C7、C8和 C10對MDEA溶液吸收能力具有十分顯著的影響，n-C5和C9對其影響不顯著。這是因為，該天然氣中重組分的成分為C5～C10烴類的混合物，是介于汽油和柴油之間的高品質凝析油，由于硫化氫、二氧化碳等酸性組分在i-C5、C6、C7、C8和C10中存在一定的溶解度，且在特定濃度條件下極易導致MDEA溶液發(fā)生乳化現(xiàn)象，故均會造成MDEA溶液吸收能力的顯著降低[15-17]。影響MDEA溶液吸收能力的主要因素為:i-C5、C6、C7、C8、C10，其影響能力按順序為:C10＞C8＞C7＞i-C5＞C6。

2.2 天然氣中重組分不利影響預測模型的建立

在上述多因素方差分析研究結果的基礎上，針對MDEA溶液吸收性能的不同特征，以i-C5、C6、C7、C8、C10等天然氣中重組分組成、質量濃度為自變量，以MDEA溶液吸收能力為因變量建立天然氣中重組分不利影響的預測模型，即

其中，x1～x5分別表示i-C5、C6、C7、C8和 C10的質量濃度，y為MDEA溶液吸收能力。

利用MDEA溶液吸收性能評價裝置采集40組實驗樣本，其中，第1～30組數(shù)據(jù)作為訓練樣本用于輸入BP人工神經網(wǎng)絡預測模型進行訓練，第31～40組數(shù)據(jù)作為測試樣本不參加訓練。當BP人工神經網(wǎng)絡預測模型經過反復訓練滿足指定的容許收斂誤差后，將第31～40組數(shù)據(jù)輸入訓練好的神經網(wǎng)絡，比較模型預測結果與實際測試結果，見表2。

由表2可知，31號至40號測試樣本的相對誤差依次為0.001255、0.010008、0.022222、0.003517、0.002994、0.010018、0.016057、0.004333、0.001875和0.002124，其平均相對誤差與最大相對誤差分別為0.007440和0.022222，說明預測值與真實值比較接近，完全滿足誤差小于10%的相關要求，表明BP人工神經網(wǎng)絡能夠對MDEA溶液吸收能力進行較為準確的預測。

為了驗證上述BP人工神經網(wǎng)絡預測模型在實際生產中的應用效果，對中國石油天然氣股份有限公司長慶油田分公司第一采氣廠5套典型天然氣脫硫裝置的MDEA溶液吸收能力進行預測，并將此預測值與現(xiàn)場值進行對比，見表3。

表2 MDEA溶液不同條件下吸收能力測定結果Table 2 Absorption performance determination results of MDEA solution under different conditions

表3 BP人工神經網(wǎng)絡預測模型的現(xiàn)場應用效果Table 3 Field application effect of BP artificial neural network prediction model

由表3可知，由于上述MDEA溶液吸收能力的預測值與現(xiàn)場值較為接近，其平均相對誤差僅為2.10%，完全滿足實際生產中相對誤差應不大于10%的考核要求，故BP人工神經網(wǎng)絡預測模型對MDEA溶液吸收能力具有良好的預測能力，可成功實現(xiàn)對天然氣脫硫裝置MDEA溶液吸收能力的準確預測。

3 結論

(1)天然氣中重組分的存在不僅會加重原料氣分離器的生產負荷，同時還會在脫硫塔內頻繁析出，導致塔盤堵塞，造成脫硫溶液出現(xiàn)大規(guī)模發(fā)泡和攔液現(xiàn)象，顯著增加了吸收劑損失，嚴重影響了凈化裝置的脫硫，并導致產品氣氣質不合格等諸多問題。

(2)天然氣中的重組分i-C5、C6、C7、C8和 C10對MDEA溶液吸收能力具有十分顯著的影響，均為BP神經網(wǎng)絡預測模型的有效輸入信號。

(3)BP人工神經網(wǎng)絡能夠對MDEA溶液吸收能力進行較準確的預測，其平均相對誤差與最大相對誤差普遍較小，說明預測值與真實值比較接近，完全滿足誤差小于10%的相關要求。

(4)現(xiàn)場驗證結果表明，BP人工神經網(wǎng)絡預測模型在實際生產中的應用效果較為理想，其平均相對誤差僅為2.10%，利用此模型可對天然氣脫硫裝置MDEA溶液吸收能力進行準確預測。