چگونه هوش مصنوعی (AI) فرآیندهای هیدروکراکینگ در صنعت نفت را بهبود می بخشد؟

هیدروکراکینگ (hydrocracking)  یک فرآیند شیمیایی کاتالیزوری است که در صنعت نفت برای تبدیل نفت خام به محصولات با ارزش تر مانند بنزین، سوخت جت، نفت سفید و گازوئیل استفاده می شود. در هیدروکراکینگ با انجام فرآیند های ویژه ای مولکول های هیدروکربن نفت خام را بر اثر گرما  و فشار تجزیه می کنند و در نهایت محصولاتی مانند گازوئیل، بنزین سبک، نفت سفید و آروماتیک را به دست  می آورند.

اصولا فرآیند هیدروکراکینگ در شرکت پتروپالایش میرداماد صفه برای تبدیل مواد کم ارزش به مواد با ارزش بالاتر انجام می گیرد ، ضمناً می تواند برش های نفتی را به محصولات مختلف از جمله نفت سفید، گازوییل و انواع روغن های با ارزش بالا تبدیل نماید.

مدل سازی و شبیه سازی پیشرفته

مدل‌های شیمی کوانتومی :

شبیه‌سازی‌های شیمی کوانتومی مبتنی بر هوش مصنوعی می توانند مسیرهای واکنشی، انرژی های فعالسازی و حالات انتقالی را پیش بینی کنند و در طراحی و بهینه سازی کاتالیزور ها مورد استفاده قرار بگیرند.

دینامیک سیالات محاسباتی (CFD):

مدل‌های CFD تقویت‌شده با هوش مصنوعی، جریان سیال، انتقال حرارت و انتقال جرم را در راکتورها شبیه‌سازی می‌کنند که این کار باعث بهینه سازی کارایی راکتورها می شود.

طراحی کاتالیست و غربالگری:

 انفورماتیک مواد:

الگوریتم های هوش مصنوعی بر اساس پایگاه داده های  گسترده مواد ، کاتالیزورها را شناسایی و تجزیه و تحلیل می کنند و سپس فعالیت های گزینش پذیری و پایداری را پیش بینی می کنند.

 غربالگری با توان بالا:

هوش مصنوعی تست کاتالیزورها را خودکار انجام می دهند و تولید مواد جدید را تسریع می کند.

نظارت و کنترل در زمان واقعی:

 حسگرهای نرم یادگیری ماشین (ML):

این حسگرهای مجازی متغیرهای فرآیندی حیاتی (مانند دما، فشار، تبدیل) را با استفاده از اندازه‌گیری‌های موجود تخمین می‌زنند ضمنا نظارت در زمان واقعی را پیش بینی و افزایش می دهند.

تعمیر و نگهداری: هوش مصنوعی نشانه های اولیه تخریب تجهیزات را تشخیص می دهد و از خاموش شدن برنامه ریزی نشده جلوگیری می کند.

استراتژی های بهینه سازی:

• الگوریتم های ژنتیک:

با استفاده از الگورتیم های ژنتیک می توان،  بهینه سازی فضاهای پارامتری (مانند دما، فشار، ترکیب خوراک) را به حداکثر رسانده و یا مصرف انرژی را به حداقل برسانیم.

• یادگیری تقویتی (RL):

عوامل RL با استفاده از روش های تعامل با فرآیند هیدروکراکینگ، سیاست های کنترل بهینه را یاد می گیرند و سپس با شرایط متغیر سازگار می شوند.

تشدید فرآیند:

میکرو راکتورها :

طراحی هدایت ‌شده با هوش مصنوعی انتقال گرما و جرم را افزایش می‌دهد و منجر به نرخ تبدیل بالاتر می‌شود.

مدل‌سازی چند مقیاسی :

هوش مصنوعی با استفاده از روش شبیه سازی سطح مولکولی به قابل رویت کردن کارکرد راکتور کمک می کند.

کاهش اثرات زیست محیطی:

• پیش‌بینی انتشار :

•  مدل‌های هوش مصنوعی میزان انتشار (مثلاً اکسیدهای گوگرد، اکسیدهای نیتروژن) را بر اساس شرایط عملیاتی تخمین می‌زنند  که با این کار می تواند انطباق با محیط زیست را نشان دهد .

• بهینه سازی ردپای کربن:

• هوش مصنوعی کیفیت محصول، مصرف انرژی و انتشار گازهای گلخانه ای را متعادل می کند تا ردپای کربن کارخانه ها  را به حداقل برساند

بهینه سازی زنجیره تامین:

پیش بینی تقاضا

هوش مصنوعی تقاضای بازار را برای محصولات هیدروکراک پیش بینی می کند و به برنامه ریزی تولید  می تواند کمک کند.

بهینه سازی لجستیک:

هوش مصنوعی مسیرهای حمل و نقل، ذخیره سازی و توزیع را بهینه می کند.

افزایش ایمنی:

تشخیص ناهنجاری : هوش مصنوعی داده‌های حسگر را برای الگوهای غیرعادی نظارت می‌کند و به اپراتورها در مورد خطرات احتمالی ایمنی هشدار می‌دهد.

برنامه ریزی واکنش اضطراری : هوش مصنوعی سناریوهای اضطراری را شبیه سازی می کند و به اپراتورها کمک می کند تا برای حوادث احتمالی آماده شوند.

بهینه سازی کاتالیست:

• طراحی کاتالیست مبتنی بر هوش مصنوعی: محققان یک شرکت بزرگ نفتی از هوش مصنوعی برای طراحی کاتالیزورهای جدید برای هیدروکراکینگ استفاده کردند. آنها با تجزیه و تحلیل پایگاه های داده مواد و شبیه سازی فرآیند ها ، کاتالیست های کارآمدتری را کشف کردند که نرخ تبدیل را افزایش داده و مصرف انرژی را کاهش می دهد.

تعمیرات قابل پیش بینی:

تجزیه و تحلیل ارتعاش : یک پالایشگاه نفت الگوریتم های هوش مصنوعی را برای تجزیه و تحلیل داده های ارتعاش پمپ ها و کمپرسورهای هیدروکراکینگ پیاده سازی کرد. آنها با شناسایی علائم اولیه سایش یا عدم تعادل، تعمیر و نگهداری را به طور پیشگیرانه برنامه ریزی کردند و زمان خرابی را به حداقل رساندند.

کنترل فرایند:

• کنترل پیش بینی مدل (MPC): یک سیستم MPC شرایط عملیاتی (دما، فشار، نرخ جریان) را در زمان واقعی تنظیم می کند و بازده محصولات را بهینه و در عین حال ایمنی و پایداری را در هنگام هیدروکراکینگ تضمین می نماید.

سنسورها:

• سنسورهای دمای مجازی: با استفاده از داده های تاریخچه واحد، هوش مصنوعی دمای راکتور را بدون حسگرهای فیزیکی تخمین می زند و به اپراتورها اجازه می دهد تا بر قسمت های بحرانی نظارت کنند و از گرمای بیش از حد جلوگیری نمایند.

کاهش انتشار:

• پیش‌بینی محتوای گوگرد: مدل‌های هوش مصنوعی محتوای گوگرد را در محصولات هیدروکراک شده بر اساس ویژگی‌های مواد اولیه پیش‌بینی می کنند و به رعایت مقررات زیست محیطی کمک می نمایند.

 افزودن بهینه هیدروژن: تزریق هیدروژن کنترل شده با هوش مصنوعی باعث کاهش انتشار گوگرد در طول هیدروکراکینگ می شود.

بهینه سازی زنجیره تامین:

• پیش بینی تقاضا: الگوریتم های هوش مصنوعی تقاضای بازار را برای محصولات هیدروکراک پیش بینی می کردند و پالایشگاه ها برنامه های تولید خود را بر این اساس تنظیم می نمایند.
• مسیریابی لجستیک: مسیرهای حمل و نقل با هوش مصنوعی برای تحویل سوخت های هیدروکراک به مراکز توزیع بهینه سازی شده است.

این مثال‌ها تأثیر هوش مصنوعی بر کارایی، ایمنی و انطباق با محیط زیست در هیدروکراکینگ را نشان می‌دهد. تحقیقات مشترک و مشارکت های صنعتی در شرکت پتروپالایش میرداماد صفه باعث نوآوری مداوم می شود.

تهیه و تنظیم: رضا علی اکبری