朱春夢 ，藍興英 *

1 中國石油大學(xué)(北京)人工智能學(xué)院，北京 102249

2 中國石油大學(xué)(北京)重質(zhì)油國家重點實驗室，北京 102249

*通信作者, Lanxy@cup.edu.cn

0 引言

化工流程模擬軟件目前已廣泛應(yīng)用于石油化工行業(yè)。通過流程模擬手段對工藝過程中的操作參數(shù)進行數(shù)值調(diào)整，尋找最佳工藝條件，從而達到節(jié)能、降耗、增效的目的[1]。然而流程模擬中操作參數(shù)具有多樣性和復(fù)雜性，體現(xiàn)在每一個操作單元都有其對應(yīng)的操作參數(shù)，且多個操作單元之間互相影響，人們多基于工藝機理知識和經(jīng)驗給定操作參數(shù)數(shù)值，或者對幾個關(guān)鍵操作參數(shù)進行靈敏度分析尋優(yōu)，此方法耗費了大量的時間成本，且無法確定所選取的操作參數(shù)數(shù)值為最佳數(shù)值，僅獲得一種能夠達到較好工藝效果的操作方案[2-4]。

通過優(yōu)化算法來獲得最佳操作參數(shù)是近年來一個非常有前景的研究方向。傳統(tǒng)優(yōu)化算法雖然能夠較好解決結(jié)構(gòu)化問題以及單極值問題，但面對復(fù)雜的化工過程，具有普適問題描述，能夠找到全局最優(yōu)以及能夠較好解決多極值問題等優(yōu)勢的啟發(fā)式智能算法受到了學(xué)者們的廣泛關(guān)注，其中熊俊文等[5]利用遺傳算法實現(xiàn)了催化裂化分餾塔操作參數(shù)的最優(yōu)化設(shè)置，保證了分餾塔重石腦油流量和輕柴油流量的同時最優(yōu)；王珊珊等[6]介紹了基于約束骨干粒子群算法的化工過程動態(tài)多目標(biāo)優(yōu)化問題，并將其應(yīng)用到解決間歇反應(yīng)器的優(yōu)化問題中，指出該方法可通過結(jié)合偏好等信息控制冷卻劑的流率來最大化主產(chǎn)物濃度和最小化副產(chǎn)物濃度；也有學(xué)者對智能算法的結(jié)構(gòu)進行了改進[7-8]，以更簡單、更通用、便于并行處理等特點，使之更適用于具體的化工過程。

受宏觀經(jīng)濟增長、環(huán)保政策推進等因素的拉動，未來幾年全球天然氣需求將保持1.5%到2.0%的增速持續(xù)增漲[9]。隨著“碳達峰”和“碳中和”概念在《巴黎協(xié)定》中的提出，各國紛紛做出響應(yīng)以應(yīng)對全球氣候變化問題，目標(biāo)使全球溫升保持在2 ℃甚至1.5 ℃以內(nèi)的水平[10]，因此天然氣中CO2的脫除問題獲得了學(xué)者們的極大關(guān)注[11-12]。常用于高進料量、中低二氧化碳含量、高脫碳率以及甲烷含量損失小的醇胺法脫碳工藝已被廣泛應(yīng)用于化工領(lǐng)域。學(xué)者們多通過流程模擬手段對工藝過程中的操作參數(shù)進行數(shù)值調(diào)整，尋找最佳工藝條件，其中常學(xué)煜等[13]利用流程模擬軟件對醇胺法脫酸工藝流程進行了參數(shù)優(yōu)化分析，使得流程總能耗較優(yōu)化前降低18.84%；劉卜瑋等[14]采用Aspen HYSYS軟件搭建了脫碳工藝流程并建立了系統(tǒng)能耗計算模型，優(yōu)化后系統(tǒng)總能耗降低了2.4%。遺傳算法和粒子群優(yōu)化算法是兩個化工領(lǐng)域經(jīng)常應(yīng)用并取得了較好效果的智能算法，相比遺傳算法，粒子群優(yōu)化算法[15]省略了復(fù)雜的選擇、交叉、變異的計算過程，具有簡單的結(jié)構(gòu)和易于實現(xiàn)、不需要借助問題特征進行信息描述的特點，將其與流程模擬結(jié)合實現(xiàn)醇胺法脫碳工藝的降本增效可行性更高。因此本文以天然氣脫碳工藝過程為研究對象，根據(jù)數(shù)據(jù)對象接口技術(shù)利用Python腳本語言開發(fā)了Aspen HYSYS與粒子群優(yōu)化算法之間的接口程序，在采用Aspen HYSYS流程模擬軟件對其進行穩(wěn)態(tài)流程模擬的基礎(chǔ)上，結(jié)合粒子群優(yōu)化算法進行工藝過程操作參數(shù)數(shù)值的優(yōu)化選取，進而獲得了一種最優(yōu)的工藝操作方案，并基于數(shù)據(jù)庫實現(xiàn)了裝置穩(wěn)定運行時異常操作的重新優(yōu)化。在產(chǎn)品滿足工藝要求的條件下，以最高脫碳率和最小裝置用能為目標(biāo)函數(shù)，以對工藝有較大影響且可控的操作參數(shù)為決策變量，對某5.8×106m3/d天然氣凈化裝置實行了操作參數(shù)的最優(yōu)化。

1 基于智能算法的流程模擬參數(shù)優(yōu)化方法

將流程模擬軟件與智能算法相融合對化工生產(chǎn)的挖潛改造、節(jié)能增效、生產(chǎn)指導(dǎo)具有重大意義。本文提出的基于智能算法的化工穩(wěn)態(tài)流程模擬操作參數(shù)優(yōu)化方法主要有兩大操作步驟：一方面先利用流程模擬軟件搭建合理的工藝流程，再利用數(shù)據(jù)對象接口技術(shù)開發(fā)流程模擬軟件與智能算法之間的接口程序，通過智能算法選取最佳操作參數(shù)數(shù)值；另一方面結(jié)合數(shù)據(jù)庫將流程模擬收斂的關(guān)鍵過程變量數(shù)據(jù)進行存儲，以便進行模擬效果的驗證以及異常操作后的重新優(yōu)化。整體架構(gòu)如圖1所示，具體操作步驟如下：

圖1 基于智能算法的穩(wěn)態(tài)流程模擬參數(shù)優(yōu)化方法圖Fig. 1 Diagram of optimization method for steady-state process simulation parameters based on intelligent algorithms

(1)選用合適的流程模擬軟件搭建相應(yīng)的化工工藝流程，給定各操作單元操作參數(shù)的初始值，使流程模擬收斂，獲得初步工藝流程。

(2)依據(jù)工藝機理分析工藝過程，根據(jù)具體需求，為智能算法構(gòu)建合理的單目標(biāo)或多目標(biāo)函數(shù)，選取合適的決策變量，即選擇合理的操作參數(shù)作為變量進行優(yōu)化，添加適宜的等式及不等式約束條件。

(3)隨機初始化或根據(jù)已建立的模擬流程中給定的操作參數(shù)作為初值，構(gòu)建初始數(shù)據(jù)集。如若采用隨機初始化數(shù)據(jù)集的方式，則將隨機結(jié)果通過接口程序傳入流程模擬軟件，若流程模擬軟件計算收斂，進入步驟4；若未收斂，結(jié)束程序，再一次執(zhí)行初始化數(shù)據(jù)集操作。如若采用步驟1，即操作人員自行建立流程模擬，使之收斂后直接進入步驟4。

(4)流程模擬收斂后，利用接口程序?qū)⒉襟E2中建立的智能算法模型所需的參數(shù)數(shù)據(jù)從流程模擬軟件傳入智能算法。

(5)判斷收斂的流程模擬是否滿足物料平衡、動量平衡和能量平衡等化工機理層面的等式約束以及評價標(biāo)準(zhǔn)、能耗分析、設(shè)備大小等公用工程上的不等式約束，而后進入智能算法計算階段。

(6)若滿足步驟5的約束，再根據(jù)目標(biāo)函數(shù)進行計算，進入步驟7；若未滿足步驟5的約束，則根據(jù)智能算法及工藝機理確定的懲罰項進行約束懲罰，而后進入步驟7。

(7)判斷根據(jù)目標(biāo)函數(shù)或懲罰項進行約束規(guī)范后計算出的結(jié)果是否滿足此工藝操作方案的要求。

(8)若步驟7的結(jié)果滿足工藝操作方案要求，將結(jié)果輸出，至此，我們找到了一種能夠達到最佳優(yōu)化效果的工藝操作方案；若未達到要求，重新調(diào)用智能算法，利用智能算法對決策變量進行懲罰約束更改后再次傳入流程模擬，回到步驟3。

(9)采用最佳操作參數(shù)的流程模擬穩(wěn)定運行時，對數(shù)據(jù)庫進行設(shè)置，創(chuàng)建用戶名、密碼、子協(xié)議和驅(qū)動程序等信息，利用接口程序與數(shù)據(jù)庫搭建連接，通過接口程序向數(shù)據(jù)庫發(fā)送連接請求，如若成功，返回一個數(shù)據(jù)庫連接。

(10)程序端數(shù)據(jù)庫操作，數(shù)據(jù)庫端執(zhí)行接口語言指令，根據(jù)操作選擇不同的執(zhí)行方法，ExecuteQuery、Replace into、Commit和Execute分別執(zhí)行查詢、替換、內(nèi)存到數(shù)據(jù)庫的數(shù)據(jù)提交、多個結(jié)果集的返回操作，繼而讀取流程模擬中關(guān)鍵過程變量的數(shù)據(jù)，存儲到所建立的數(shù)據(jù)表1中，綜合考慮數(shù)據(jù)查詢需求以及內(nèi)存需求等建立相應(yīng)的數(shù)據(jù)庫主鍵。

(11)調(diào)整流程模擬中操作參數(shù)的數(shù)值(模擬異常操作的出現(xiàn))，流程模擬軟件端重新進行收斂運算。

(12)接口程序感知模擬收斂后，通過程序端數(shù)據(jù)庫操作，建立與數(shù)據(jù)表1格式相同的數(shù)據(jù)表2，將此時關(guān)鍵過程變量的數(shù)據(jù)傳入數(shù)據(jù)庫，進行數(shù)據(jù)存儲。

(13)數(shù)據(jù)庫結(jié)果返回，主要分為更新操作，查詢操作和程序端數(shù)據(jù)庫數(shù)據(jù)表對比操作，分別對應(yīng)返回操作產(chǎn)生影響的記錄數(shù)據(jù)，返回已選擇的數(shù)據(jù)集對象和檢查兩表存在的差異。若無差異，流程模擬仍平穩(wěn)運行；若有差異，再次調(diào)用智能算法，重新優(yōu)化流程模擬中的操作參數(shù)，穩(wěn)定運行時再次回到步驟10。

2 基于粒子群優(yōu)化算法的天然氣脫碳穩(wěn)態(tài)流程模擬參數(shù)優(yōu)化

2.1 天然氣脫碳穩(wěn)態(tài)流程模擬

本文以天然氣脫碳過程為具體工藝過程，構(gòu)建基于智能算法的穩(wěn)態(tài)流程模擬參數(shù)優(yōu)化模型。首先在Aspen HYSYS中搭建模擬流程，為智能算法調(diào)優(yōu)提供基礎(chǔ)。以某5.8×106m3/d(體積基準(zhǔn)為20 ℃、101.325 kPa)天然氣凈化裝置為研究對象，該裝置年生產(chǎn)時間330天，原料氣壓力9.1 MPa，溫度55 ℃。原料氣具體組分組成見表1。使用甲基二乙醇胺(MDEA)水溶液(51.99 wt%)脫除天然氣中的酸性氣體(硫化氫和二氧化碳)，使用Aspen HYSYS軟件中的酸性氣體-化學(xué)溶劑物性包作為本設(shè)計的物性方法。采用Aspen HYSYS中多種類別的模塊來模擬對應(yīng)的工業(yè)設(shè)備或單元操作，具體的模塊選擇見表2。

表1 原料氣組分組成Table 1 Composition of feed gas

表2 單元模塊的選擇Table 2 Selection of unit model

天然氣脫碳穩(wěn)態(tài)模擬流程如圖2所示，主要包含吸收、閃蒸、換熱和汽提4大部分。原料氣B1在55 ℃，9.1 MPa(g)的條件下進入本裝置，經(jīng)過進口分離器V1脫除氣體中可能攜帶的小固體顆粒和液滴后進入吸收塔T1的底部。塔內(nèi)含酸性氣體的天然氣自下而上與來自吸收塔T1頂部的MDEA貧液逆流接觸，氣體中絕大部分的H2S和CO2被胺液吸收脫除。濕凈化氣B17從吸收塔T1頂部離開，吸收了酸氣的富胺液B4(6.3 MPa(g)，74.51 ℃）從吸收塔T1底部抽出后經(jīng)過減壓閥F1，壓力降至約0.87 MPa(g)后進入閃蒸罐V1，閃蒸出部分溶解的烴類氣體。從閃蒸罐底部抽出的富胺液B7經(jīng)貧/富液換熱器E1與再生塔T2塔底來的貧胺液換熱，溫度升至約89.3 ℃后進入再生塔第1塊塔板后自上而下流動，與塔內(nèi)自下而上的蒸汽逆流接觸，上升的蒸汽汽提出富胺液中的H2S、CO2氣體。再生熱量由再生塔再沸器提供。熱貧胺液B10(108.0 ℃)自再生塔底部引出，先經(jīng)貧/富液換熱器E1與富胺液換熱至84.57 ℃左右，經(jīng)過貧液空冷器E2，冷至約41.65 ℃送至低壓貧液泵P1，升壓后進入吸收塔T1循環(huán)使用。由于本裝置用水不平衡，需向系統(tǒng)不斷補充水，以維持溶液濃度，利用混合器M1將物流B11和水B12在等壓下混合。

圖2 天然氣脫碳穩(wěn)態(tài)流程模擬圖Fig. 2 Simulation diagram of steady-state process of natural gas decarbonization

關(guān)鍵過程變量的Aspen HYSYS模擬值與裝置當(dāng)前儀表顯示的實際值見表3。通過數(shù)據(jù)對比可知，關(guān)鍵組分與流量的模擬數(shù)據(jù)與實際數(shù)據(jù)較為接近，可認為在HYSYS中搭建的模擬工藝過程足夠準(zhǔn)確，能夠在一定程度上反應(yīng)實際情況，為下文在此流程模擬基礎(chǔ)上建立的基于粒子群優(yōu)化算法的天然氣脫碳穩(wěn)態(tài)流程模擬操作參數(shù)的優(yōu)化提供了可靠的基礎(chǔ)。

表3 實際數(shù)據(jù)與模擬數(shù)據(jù)過程變量對比Table 3 Comparison of process variables between actual data and simulated data

2.2 粒子群優(yōu)化算法

本文采用全局最佳粒子優(yōu)化方案[16]，即每個粒子都被其他成員找到的最佳解決方案所吸引，這種結(jié)構(gòu)類似于一個完全連接的社交網(wǎng)絡(luò)，最終跨越種群中所有粒子得到一個最佳解決方案。粒子群優(yōu)化算法流程如圖3所示。(1)算法初始化，設(shè)定迭代次數(shù)閾值為50，swarm_size(粒子種群數(shù))為20，variables(變量數(shù))為5，設(shè)定粒子初始速度值為0，限制粒子絕對最大速度值為5，根據(jù)公式1設(shè)定粒子初始位置，粒子位置上下界(u和l)見表4；(2)根據(jù)目標(biāo)函數(shù)評估每個粒子的函數(shù)適應(yīng)值，得到粒子的個體極值；(3)根據(jù)粒子個體極值尋找全局最優(yōu)解，速度更新公式如式2所示。優(yōu)化參數(shù)含有連續(xù)與離散兩種變量，離散變量的位置同連續(xù)變量根據(jù)公式3更新后進行整數(shù)舍入。

圖3 粒子群優(yōu)化算法流程圖Fig. 3 Flow chart of particle swarm optimization algorithm

表4 粒子位置的最大值與最小值數(shù)據(jù)Table 4 The maximum and minimum data for particle position

在一個d維搜索空間中，k稱為慣性影響因子，k=0.72；K1和K2稱為搜索過程中速度的加速常數(shù)，K1=K2=1.49。Pi,d表示維數(shù)為d維時變量i的個體極值，Gi,d表示維數(shù)為d維時變量i的全局最優(yōu)解，本文d=1；(4)根據(jù)全局最優(yōu)解，更新每個粒子的歷史最優(yōu)位置，進而更新群體的全局最優(yōu)位置；(5)當(dāng)?shù)螖?shù)達到設(shè)定閾值或根據(jù)2-范數(shù)計算的個體極值與全局最優(yōu)值差距小于10-5時，尋優(yōu)結(jié)束；否則重新評估粒子的函數(shù)適應(yīng)值，回到步驟2。實驗結(jié)果表明，當(dāng)?shù)螖?shù)達到設(shè)定閾值時已經(jīng)平穩(wěn)收斂且損失值達到10-5，優(yōu)化效果滿足流程需求。

2.3 粒子群優(yōu)化算法與天然氣脫碳穩(wěn)態(tài)流程模擬的融合

本文采用Aspen HYSYS流程模擬軟件對天然氣脫碳工藝過程進行穩(wěn)態(tài)模擬，基于對象接口技術(shù)利用Python腳本語言將Aspen HYSYS與粒子群優(yōu)化算法相連[17]，實現(xiàn)了Aspen HYSYS與粒子群優(yōu)化算法之間數(shù)據(jù)的雙向傳遞[18]，結(jié)合SQLite數(shù)據(jù)庫操作實現(xiàn)了模擬穩(wěn)態(tài)運行時的數(shù)據(jù)存儲和異常操作后的重新調(diào)優(yōu)，從天然氣二氧化碳脫除率和裝置整體運行成本兩個方面綜合評價裝置操作參數(shù)選取的優(yōu)劣，最終實現(xiàn)了基于粒子群優(yōu)化算法的天然氣脫碳穩(wěn)態(tài)流程模擬操作參數(shù)的最優(yōu)化。

2.3.1決策變量

工藝流程中的設(shè)計參數(shù)，如塔板數(shù)，和操作參數(shù)，如溫度、壓力等，均會對最終結(jié)果產(chǎn)生影響，本文提出的方法既可以實現(xiàn)對設(shè)計參數(shù)進行優(yōu)化，也可以對操作參數(shù)進行優(yōu)化。在天然氣脫碳工藝過程中，吸收塔塔板數(shù)影響著塔的設(shè)計成本，塔板數(shù)增加，塔裝置設(shè)計成本增加，但隨塔板數(shù)的增加，酸氣的脫除會更加徹底，因此要綜合考慮酸氣脫除和固定投資的均衡來選擇吸收塔塔板數(shù)。與吸收塔類似，再生塔塔板數(shù)的選擇要綜合考慮再生效果和固定投資的均衡。因此本文優(yōu)化的設(shè)計參數(shù)為吸收塔和再生塔的塔板數(shù)。如圖1所示，程序找到合適的塔板數(shù)，模擬流程收斂后，通過粒子群優(yōu)化算法對操作參數(shù)進行優(yōu)化。粒子群優(yōu)化算法的決策變量為貧胺液入吸收塔溫度、吸收塔頂部塔板壓力、再生塔回流比。

(1)貧胺液入吸收塔溫度

綜合考慮原料氣和再生塔循環(huán)胺液的影響來確定貧胺液入吸收塔溫度。CO2與醇胺液的反應(yīng)屬于假一級可逆反應(yīng)，總反應(yīng)見式4：

從反應(yīng)動力學(xué)和傳質(zhì)角度出發(fā)，溫度越高反應(yīng)速度越快，并且隨著溫度升高溶液粘度會降低，更有利于傳質(zhì)。但伴隨反應(yīng)溫度的升高，設(shè)備腐蝕加劇，此外，該反應(yīng)為放熱反應(yīng)，提高溫度使得反應(yīng)平衡常數(shù)減小，反應(yīng)正向進行程度減小。一般溫度越低，可溶組分的溶解度越高，溶質(zhì)的平衡分壓減小，吸收推動力增大，完成規(guī)定的分離任務(wù)需要比高溫下操作更小的液氣比，或更少的塔板數(shù)。因此需要平衡多方因素選擇適宜的貧胺液入吸收塔溫度。

(2)吸收塔底部塔板壓力

吸收塔內(nèi)壓力升高，會增加酸性氣體組分的分壓，氣體分壓的增高有助于增大傳質(zhì)推動力，提高氣體凈化效果，但同時會影響凈化氣的流量。吸收塔的壓力和進料的壓力有著緊密的聯(lián)系，入口原料氣壓力升高或吸收塔內(nèi)壓力升高，都會使得酸性氣體分壓增大，但吸收塔壓力高于原料氣時需要增加原料天然氣壓縮功，進而提高能耗，因此需要平衡傳質(zhì)推動力，凈化氣的流量和能耗的影響選擇適宜的吸收塔底部塔板壓力。單機壓縮機絕熱功率Wgas，單位“kW”，計算[19]見式5：

式中，P1為壓縮機入口處天然氣壓力，P1′和P2′分別為壓縮機入口處和出口處天然氣的絕對壓力，單位“MPa”，Vn為壓縮機排氣量，單位“m3·s-1”，A為壓縮機絕熱指數(shù)，值取1.32，n為壓縮機轉(zhuǎn)速，單位“r·min-1”。壓縮機實際軸功率為摩擦耗功、風(fēng)扇耗功和絕熱功率之和，為簡化計算，功率消耗按壓縮機絕熱功率計算。

(3)再生塔回流比

醇胺法脫碳工藝中再生塔回流比對富胺液再生程度影響較大，隨著回流比的增大，回流量會增大，再生塔塔內(nèi)的氣液相負荷也會隨之增加，導(dǎo)致冷凝器和再沸器負荷皆升高，而再生貧胺液的酸氣負荷會降低，CO2和H2S幾乎全部進入塔頂酸氣中。當(dāng)回流比增至一定程度后貧胺液酸氣負荷會保持穩(wěn)定，因此回流比也具有最優(yōu)值。

2.3.2目標(biāo)函數(shù)

考慮工藝需求和裝置整體運行成本，從最高脫碳率和最小裝置運行成本兩方面建立了多目標(biāo)函數(shù)。工程總投入Zcapital分為固定資本Cfixed,i和可變資本Cvariable,i，即Zcapital=Σ(Cfixed,i+Cvariable,i)，大多數(shù)持續(xù)運行的工廠，固定資本往往不會改變，需要優(yōu)化的為可變資本，可變資本公式如式6所示：

式中，Mfeed，p均為價格因子，優(yōu)化時為定值，實際天然氣脫碳工藝過程中，Pfeed進料也為定值。因此，可變資本的優(yōu)化轉(zhuǎn)化為裝置用能成本W(wǎng)compressor的優(yōu)化。天然氣脫碳工藝過程中含兩個能量汲取點，泵用能E1和再生塔用能E2，當(dāng)吸收塔底部塔板壓力大于原料氣進口壓力時，增加額外的天然氣壓縮功E3，因此選用E1、E2和E3之和Energy最小為目標(biāo)函數(shù)，單位“kJ·h-1”，最終多目標(biāo)優(yōu)化描述如式7所示：

多目標(biāo)粒子群優(yōu)化算法采用權(quán)重加全求和的方法進行求解，使得多目標(biāo)問題單目標(biāo)化，如公式8，不同的權(quán)值賦予獲得Pareto解集。優(yōu)化目標(biāo)中二氧化碳含量變化范圍的數(shù)量級遠小于裝置能耗，簡單的隨機權(quán)重分配會讓算法過度優(yōu)化整體流程的能量消耗而使脫碳率達不到標(biāo)準(zhǔn)。本文采用最大最小歸一化方法，如公式9，使得兩目標(biāo)完成數(shù)量級上的匹配，從而進行優(yōu)化，其中mi代表目標(biāo)函數(shù)中的profit(x)和Energy，u和l分別對應(yīng)其上下限，其中Energy的u=3.2×108，l=2.4×108；profit(x)的u=0.03，l=0。本文優(yōu)化時采用w1=0.7，w2=0.3的權(quán)值分配。

相應(yīng)的經(jīng)濟模型如公式10所示，符號說明見表5：

表5 經(jīng)濟模型的符號說明Table 5 Symbolic description of economic model

2.3.3模擬與優(yōu)化結(jié)果

使用2.1中搭建的工藝模擬流程框架，保持原料氣組成和處理量不變，使用本文構(gòu)建的基于智能算法的化工穩(wěn)態(tài)流程模擬參數(shù)優(yōu)化方法對工藝過程參數(shù)進行優(yōu)化。本文采用的全局最佳粒子群優(yōu)化算法，粒子種群數(shù)20，2個連續(xù)變量，3個離散變量，迭代10次左右時全局最佳粒子和個體粒子的值已十分接近，如圖4所示，y-gbest代表全局最佳粒子的尋優(yōu)曲線，y-pbest代表個體粒子的尋優(yōu)曲線?；诹Ｗ尤簝?yōu)化算法優(yōu)化后的模擬結(jié)果與原穩(wěn)態(tài)流程的模擬結(jié)果中關(guān)鍵過程變量的對比見表6。本文搭建的基于智能算法的化工穩(wěn)態(tài)流程模擬參數(shù)優(yōu)化方法能夠在不依賴操作人員的情況下快速找到全局最優(yōu)操作方案，模擬結(jié)果表明，凈化氣中二氧化碳含量從0.16 mol%降低到0.05 mol%，同時能量消耗成本年降低約12.96%，比2.1中的工藝模擬流程效果更優(yōu)。模擬優(yōu)化結(jié)果表明，更少的吸收塔和再生塔塔板數(shù)即可滿足酸性氣體的脫除需求。

表6 智能算法優(yōu)化前后過程變量對比Table 6 Comparison of process variables before and after intelligent algorithm optimization

圖4 優(yōu)化過程中PSO算法種群粒子目標(biāo)函數(shù)值隨迭代次數(shù)變化圖Fig. 4 Variation of PSO algorithm objective function with iteration times in the optimization process

經(jīng)過優(yōu)化后的再生塔回流比相對于實際裝置由3.7降至3.0，隨著回流比的減小，回流量減小，再生塔塔內(nèi)的氣液相負荷較原模擬流程也有一定程度的減少，導(dǎo)致再沸器負荷有所降低。本文選用浮閥塔板，4個矩形降液管，對回流比降低后精餾塔的第4塊塔板(由上往下)進行了水力學(xué)核算，智能算法優(yōu)化前后數(shù)據(jù)對比如表7所示。結(jié)果表明，塔板泛液率升高，塔板上液層變厚，使得塔板壓降升高。塔板總壓降升高，會使得氣體通過塔板的速度增大，上升氣體通過開孔處的阻力和克服液體表面張力所形成的壓降能夠更好抵消塔板上液層的重力，漏液現(xiàn)象發(fā)生的可能性將會降低。但總壓降的升高會增大塔板的放大效應(yīng)，即塔的操作性能會有所降低，同時體系的相對揮發(fā)度和降液管的液相處理能力也會有所下降，霧沫夾帶和噴射泛液現(xiàn)象發(fā)生的可能性將會升高，但壓降變化幅度較小，不足以使氣體在液層中的氣泡形式發(fā)生較大改變。回流比降低后，降液管中液體流速降低，液體在降液管中的停留時間增多，使被液體夾帶進入降液管中的氣泡更多的被釋出同時降液管中的液面仍超過堰上高度，沒有阻礙液體在降液管中的正常下流。在塔的實際操作中，氣液負荷時常是有變化的，但要維持在一定的范圍內(nèi)，使得塔板具有適宜的工作區(qū)，如圖5、6所示。核算結(jié)果表明，優(yōu)化后的回流比能夠保證每層塔板處于良好的操作狀態(tài)。

圖5 優(yōu)化操作前第4塊精餾塔板液相與氣相質(zhì)量流量圖Fig. 5 Mass flow diagram of the liquid phase and vapor phase of the 4st distillation column plate before optimization operation

表7 智能算法優(yōu)化前后第4塊精餾塔板水力學(xué)數(shù)據(jù)對比Table 7 Comparison of hydraulic data of the 4st distillation column plate before and after intelligent algorithm optimization

貧胺液入吸收塔溫度由43 ℃降到30 ℃，同時在產(chǎn)品滿足工藝要求的條件下，CO2塔板數(shù)由28塊降到了23塊。實驗結(jié)果表明，貧胺液入吸收塔溫度降低，使得CO2與醇胺液反應(yīng)正向進行程度增大，吸收推動力變大，從某種程度上也減輕了設(shè)備的腐蝕程度。

吸收塔底部塔板壓力由6.3 MPa升至7.8 MPa，凈化氣流量從9113 kmol·h-1降至9094 kmol·h-1，凈化氣中CO2含量由0.16 mol%降至0.05 mol%。實驗結(jié)果表明，吸收塔壓力的升高增加了傳質(zhì)推動力，但同時也減小了凈化氣流量。優(yōu)化后的吸收塔底部塔板壓力未超出天然氣進塔的入口壓力，節(jié)省了壓縮天然氣的功率消耗。

圖6 優(yōu)化操作后第4塊精餾塔板液相與氣相質(zhì)量流量圖Fig. 6 Mass flow diagram of the liquid phase and vapor phase of the 4st distillation column plate after optimization operation

3 結(jié)論

(1)本文針對化工過程工藝參數(shù)難以達到全局最優(yōu)的問題，將流程模擬技術(shù)與智能算法進行耦合，提出了一種基于智能算法的化工工藝過程模擬參數(shù)優(yōu)化方法。具體實施方式為，一方面先利用流程模擬軟件搭建合理的工藝流程，再利用數(shù)據(jù)對象接口技術(shù)開發(fā)流程模擬軟件與智能算法之間的接口程序，通過智能算法選取最佳操作參數(shù)；另一方面結(jié)合數(shù)據(jù)庫將流程模擬收斂的物流數(shù)據(jù)進行存儲，以便進行模擬效果驗證以及異常操作后的重新優(yōu)化。

(2)以天然氣脫碳工藝過程為研究對象，以最高脫碳率和最小裝置運行成本為目標(biāo)函數(shù)，以對工藝有較大影響且可控的操作參數(shù)為決策變量，對某5.80×106m3/d天然氣凈化裝置進行了操作參數(shù)的優(yōu)化。模擬結(jié)果表明，通過調(diào)整吸收塔和再生塔塔板數(shù)，降低貧液入吸收塔溫度和再生塔回流比，提高吸收塔底部塔板壓力，使得凈化氣中二氧化碳含量從0.16 mol%降低到0.05 mol%，同時每年能量消耗成本降低約12.96%。本優(yōu)化方法無需人為參與地快速自動找到全局最優(yōu)操作方案，可靈活推廣到各種實際工業(yè)過程的流程優(yōu)化。