شبيه سازي و بررسي عملكرد نمك‌زداي پالايشگاه بندرعباس

Simulation and Study of Desalter Unit Performance: Bandar-Abbas Refinery

آب‌ همراه نفت خام حاوي نمك‌هاي مختلفي بوده كه باعث ايجاد مشكلاتي نظير خوردگي، رسوب‌گذاري و مسدود كردن مبدل‌ها، مسيرهاي عبور سيال در كوره و سيني‌هاي پايين برج تقطير در فرآيندهاي پالايش مي‌شوند. در مطالعه حاضر، با هدف ارزيابي عملكرد واحد نمك‌زدا در پالايشگاه بندرعباس و با استفاده از داده‌هاي ميداني، مدلسازي به كمك شبكه عصبي انجام گرفت. در مرحله آناليز حساسيت براي تعيين اثر هريك از ورودي‌ها بر خروجي‌هاي مورد نظر، پنج متغير شدت جريان آب تزريقي به ابتداي خط، دماي آب تزريقي به نمك زداي اول، شدت جريان آب و نفت تزريقي به نمك زداي دوم و دماي آب تزريقي به نمك زداي دوم، كه از نظر فرآيندي نيز تاثير مشخصي بر ميزان آب خروجي دارند، به عنوان ورودي هاي شبكه عصبي درنظرگرفته شد. خطاي مدل شبكه عصبي در پيش بيني مقدار آب خروجي در فاز آموزش 4/0 درصد و در فاز آزمايش 9/1 درصد گزارش شده است. بر اساس نتايج بدست آمده، مدلسازي فرآيند نمك‌زدايي به كمك شبكه عصبي نتايج قابل قبولي را حاصل كرده و در صورتي كه داده‌هاي مناسب و به تعداد كافي در دسترس باشد مي‌توان بخوبي رفتار فرآيند نمك‌زدايي را با توجه به شرايط عملياتي پيش‌بيني نمود.

Crude oil associated water contains various types of salts causing problems such as corrosion, fouling and plugging of exchangers, furnace pipes and bottom trays of distillation columns in refinery processes. In this study, the performance of refinery desalters is evaluated by calculating the salinity and water cut efficiencies using artificial neural network (ANN) technique. ANN is selected due to its potential for modeling of highly nonlinear phenomena involving in the desalting process. In this study, the performance of the desalting/dehydration process is evaluated by calculating the salinity and water cut efficiencies using data based methods. Five variables namely fresh water flow rate, temperature of fresh water fed to first desalter, oil flow rate and water temperature and flow rate to the second desalter, are introduced to the ANN model as input parameters. The simulation results are compared to the experimental data extracted from Bandar Abbas refineries. The overall agreement between the ANN predictions and experimental data for water cut are acceptable with average error about 0.4% for training and 1.9% for test. Sensitivity analysis has revealed different operating parameters affecting various desalting units. The model is capable of predicting the behavior of desalting process quite well if we access to enough and suitable experimental data.