شبيه سازي ديناميك و كنترل راكتور پليمريزاسيون دوغابي اتيلن

Dynamic Simulation and Control of Slurry Ethylene Polymerization Reactor

در اين پژوهش فرايند دوغابي توليد پلي اتيلن سنگين با استفاده از برنامه نويسي در محيط نرم افزار متلب-سيميولينك به صورت ديناميك شبيه سازي شده است. مدلسازي بر اساس محاسبات انباشت و انتقال جرم و حرارت و سينتيك واكنشهاي زنجيره‌اي پليمريزاسيون در يك راكتور همزده پيوسته (CSTR) با در نظر گرفتن تغييرات دما، فشار و حجم گاز و دوغاب انجام شده است. به منظور افزودن آثار محدوديتهاي انتقال جرم بين فاز گاز و مايع، مقاومت فيلمي به شبيه سازي اضافه شده است. ضرايب انتقال جرم از روابط تجربي محاسبه و سپس به همراه ثوابت سينتيكي با توجه به داده‌هاي صنعتي اصلاح شدند. در نتيجه مدل شامل 24 معادله ديفرانسيل و تعدادي معادله جبري مي‌باشد. به منظور بيان تعادل گاز-مايع از معادله چائو-سيدر (Chao-Seader) استفاده شده بدين شكل كه داده‌هاي حاصل از نرم افزار اسپن هايسيس در 12000 نقطه كاري بر روي يك شبكه عصبي مصنوعي پيشرو پياده سازي شده است. در حالت ديناميك كنترل كننده‌هاي مناسب به صورت مداربسته بر روي فرايند پياده سازي شده و عملكرد مجموعه آنها براي تعقيب مقدار مقرر مورد مطالعه قرار گرفت. شبيه سازي انجام شده در عين حال كه قابليت خوبي در پيش بيني خصوصيات فرايند واقعي را دارد، از سرعت بالايي نيز برخوردار است. همچنين اين مطالعه نشان داد كه با افزودن دو حلقه كنترلي جديد بهبود قابل توجهي در عملكرد مجموعه حلقه‌هاي كنترلي از نظر سرعت پاسخ و كاهش نوسانات حاصل مي‌شود.

In this study, the slurry production of high density polyethylene (HDPE) has been dynamically simulated using Matlab-Simulink programming environments. The modeling accounts for the accumulation and transfer of mass and heat as well as kinetics of polymerization chain reactions in a continuous stirred tank reactor (CSTR) with varying temperature, pressure, and slurry and gas volumes. The film mass transfer resistance is added to the modeling to accommodate mass transfer limitations between gas and liquid. The mass transfer coefficients were calculated from empirical relations and then adjusted along with reaction rate constants in accordance to the available industrial data. Consequently, the model comprises of 24 differential equations and several algebraic equations. In order to express the gas-liquid equilibrium, the Chao-Seader equation was utilized by implementing 12000 operating points obtained from Aspen Hysys on a feedforward artificial neural network. Appropriate controllers were added to the dynamic simulation and the performance of the resulting system was tested for setpoint tracking. The simulation can very well predict actual process specifications whereas it is also relatively fast. This study identified that adding the two new control loops can significantly improve the overall performance of all control loops in terms of the reduction of oscillations and response time.