石油与天然气化工  2020, Vol. 49 Issue (5): 56-62
LNG与NGL联产工艺优化及改进
王金波 , 蒋洪 , 宋晓娟     
西南石油大学石油与天然气工程学院
收稿日期：2020-02-15；修回日期：2020-05-10
作者简介：王金波(1996-), 硕士, 研究方向为液化天然气。E-mail: 15838153589@163.com.
摘要：为了降低LNG与NGL联产工艺能耗以及进一步提高乙烷回收率，采用Aspen HYSYS软件进行仿真模拟，其中凝液回收工艺采用冷干气回流工艺，制冷循环采用混合冷剂制冷工艺，在保持乙烷回收工艺各参数不变、保证乙烷回收率在95%以上的前提下，以压缩机总能耗与LNG产品质量流量的比值为目标函数，以换热器夹点温差为约束条件，使用遗传算法进行优化。并针对基础流程优化后换热器HX-2中对数平均温差大、冷热组合曲线温差波动范围大的问题提出了改进方案。然后通过火用分析方法定量对比优化改进前后主要设备的火用损失。研究结果表明：①对基础流程优化后单位能耗由0.55 kW·h/kg降低到0.41 kW·h/kg，换热器HX-1对数平均温差由10.6 ℃降低到5.6 ℃，换热器HX-2对数平均温差由7.6 ℃降低到6.7 ℃；②采用遗传算法优化后，改进流程单位能耗由基础流程的0.41 kW·h/kg降低到0.36 kW·h/kg，换热器HX-1对数平均温差无明显变化，换热器HX-2对数平均温差由6.7 ℃降低到4.9 ℃；③改进流程优化后与基础流程相比，火用损失减少43.92%。其中换热器HX-2火用损失减少最多，占总火用损失减少量的32.14%。
关键词：优化    联产工艺    NGL    LNG    冷干气回流    遗传算法    混合冷剂    火用分析    
Optimization and improvement of LNG and NGL co-production process
Wang Jinbo , Jiang Hong , Song Xiaojuan     
Petroleum Engineering School, Southwest Petroleum University, Chengdu, Sichuan, China
Abstract: In order to reduce the energy consumption of LNG and NGL co-production process and further improve ethane recovery rate, a process simulation model using the Aspen HYSYS is established. In the co-production process, cold residue recycle process for NGL recovery and single mixed refrigerant cycle for the refrigeration process are used. Under the premise of maintaining the parameters of the ethane recovery process unchanged and ensuring the ethane recovery above 95%, taking ratio of the compressor general energy consumption and mass flow of LNG products as the objective function and using the minimum temperature approaches of the heat exchanger as the constraint, the genetic algorithm is used to optimize the co-production process.According to the optimization results of the basic process, an improved scheme is proposed for large logarithmic mean temperature difference in the heat exchanger HX-2 and large temperature difference between the hot and cold composite curves. Exergy destructions of main facilities before and after optimization by exergy analysis are compared quantitatively. Research results were obtained. First, after optimizing the basic process, the unit energy consumption reduced from 0.55 kW·h/kg to 0.41 kW·h/kg. The logarithmic mean temperature difference of heat exchanger HX-1 decreased from 10.6 ℃ to 5.6 ℃ and that of heat exchanger HX-2 decreased from 7.6 ℃ to 6.7 ℃. Second, after genetic algorithm optimization, by comparing of the basic process and the modified process, unit energy consumption reduced from 0.41 kW·h/kg to 0.36 kW·h/kg, and the logarithmic mean temperature difference of heat exchanger HX-2 reduced from 6.7 ℃ to 4.9 ℃, but heat exchanger HX-1 didn't change significantly. Third, compared with the basic process, the optimized modified process reduced the exergy destruction by 43.92%, and the heat exchanger HX-2 exergy destruction decreased the most, accounting for 32.14% of the total exergy destruction reduction.
Key words: optimization    co-production process    NGL    LNG    cold residue reflux    genetic algorithm    mixed refrigerant    exergy analysis    

天然气作为清洁能源与煤炭相比可减少50%的温室气体排放[1]。目前，天然气占世界能源产量接近22%[2]。根据预测，到2030年天然气在世界一次能源供应中将达到30%[3]。天然气运输的主要方式是管输和液化天然气(liquefied natural gas，LNG)。对于短距离天然气运输，管道输送技术十分成熟且较为经济，但是对于远距离输送，用LNG则更为经济。对于气源分散、同时距离供气管网较远的非常规气田，采用LNG比管道输送方法更为经济。由于天然气中含有乙烷及乙烷以上的重烃，因此在天然气液化前需要将天然气脱烃以满足液化天然气技术要求。另一方面，天然气中的乙烷是制乙烯的原料，乙烷裂解生产乙烯在工艺以及回收率上，与石脑油相比存在诸多优点。因此，有必要对天然气中的乙烷进行回收[4-6]。

本研究在LNG与NGL联产工艺中，为进一步提高乙烷回收率，凝液回收采用冷干气回流(cold residue reflux，CRR)工艺[7-8]，制冷采用混合冷剂制冷循环(single mixed refrigeration，SMR)工艺。在保证乙烷回收率95%以上的前提下，以单位能耗为目标，使用遗传算法对流程进行优化。并针对换热器对数平均温差较大的情况，提出了改进流程。

1 流程描述
1.1 乙烷回收工艺与LNG工艺

乙烷回收工艺采用CRR工艺，见图 1。预处理的天然气(NG)经过换热器HX-1被冷却到-60 ℃，然后进入分离器S-1，分离器部分液相物流4经过节流降温至-85 ℃进入脱甲烷塔(D-1)下部，部分气相7经过膨胀机(E-1)降温到-90 ℃进入脱甲烷塔中下部，分离器剩余气相物流8与剩余液相物流5混合后进入换热器HX-1，冷却至-75 ℃，然后进入换热器HX-2冷凝至-90 ℃，经过节流阀降温至-98 ℃进入脱甲烷塔上部。脱甲烷塔塔顶部分物流18增压后经过换热器冷却至-100 ℃，然后经过节流降温至-102 ℃作为回流进入脱甲烷塔；脱甲烷塔塔底物流进入脱乙烷塔(D-2)上部，脱乙烷塔塔顶部分物流23经过换热器HX-1冷凝至-10 ℃，作为回流进入脱乙烷塔顶部。由于脱甲烷塔内部存在多余冷量，因此从塔内抽出3股温度分别为-85 ℃、-91 ℃、-14 ℃的物流，在换热器HEX-1内换热；脱甲烷塔塔顶物流25进入换热器HX-2冷却至-151 ℃，经过节流阀降压至200 kPa，温度降至-155 ℃进入LNG储罐。另外，在乙烷回收工艺中，通过增加3股侧线抽出物流以降低能耗，同时可以减少重沸器。

图 1     LNG与NGL联产工艺基础流程

1.2 制冷工艺

制冷工艺采用SMR工艺，制冷剂经过压缩机两级增压进入分离器S-3将气液两相分离，气相与液相分别经过压缩机与泵增压后进入空气/水冷却器冷凝至40 ℃进入分离器S-2，分离器液相MR14进入换热器HX-1过冷后，经过节流阀降压，气相MR10经过换热器HX-1与HX-2过冷后，经过节流阀降压降温后进入换热器HX-2内相变制冷，然后与节流降压后的分离器液相MR16混合进入换热器HX-1制冷。假设膨胀机E-1输出功均被压缩机C-4接收，没有能量损失。

1.3 联产工艺模拟参数

原料气预处理后的摩尔分数如表 1所列。

表 1    原料气摩尔分数 

本研究模拟软件采用Aspen HYSYS，其中状态方程选择p-R状态方程。联产流程中模拟参数规定如表 2所列。

表 2    模拟参数规定

2 流程参数优化
2.1 遗传算法

1975年，Holland描述了如何将自然进化原理应用于优化问题，并建立了第一个遗传算法(genetic algorithm，GA)，遗传算法基础是遗传和进化原理，现在遗传算法已经成为解决优化问题的有力工具[9]。遗传算法在天然气液化工艺中被广泛使用并获得良好的优化效果[10-13]。遗传算法从初始函数随机生成的种群开始，然后通过变异、选择和交叉等方法在全局解中搜索优化目标函数[14]。使用ActiveX技术将Aspen HYSYS与Matlab连接，然后通过编码使Matlab读取HYSYS中的参数，并对HYSYS中的参数赋值，以此为基础，即可在Matlab中使用遗传算法对HYSYS中的工艺流程参数进行优化。本研究中采用遗传算法的相关参数如表 3所列。

表 3    遗传算法参数

2.2 目标函数

本研究以单位能耗作为遗传算法的优化目标，单位能耗W定义为集成流程的总能耗与LNG产品质量流量的比值(kW·h/kg)。其表达式如式(1)所示。

$W=\frac{W_{\mathrm{C}-1}+W_{\mathrm{C}-2}+W_{\mathrm{C}-3}+W_{\mathrm{P}-1}}{q_{\mathrm{LNG}}} $ (1)

式中：X为决策变量；WC-1、WC-2、WC-3、WP-1为压缩机能耗, kW；qLNG为LNG质量流量，kg/h。

2.3 约束条件与惩罚函数

换热器夹点温差需要满足的条件是换热器HX-1与HX-2夹点温差不小于3 ℃，其表达式如式(2)、式(3)所示。

$\Delta t_{\min , \mathrm{HEX}-1} \geqslant 3\;℃ $ (2)
$\Delta t_{\min , \mathrm{HEX}-2} \geqslant 3\;℃ $ (3)

在计算过程中，当换热器最小温差小于3 ℃时，单位能耗可能会降低，但是并不符合实际运行情况，因此引入惩罚函数，如式(4)所示。

$W=f(X) \cdot e^{(3+g(y))} $ (4)

其中，g(y)表达式如式(5)所示。

$\begin{aligned} g(y)=& \operatorname{Max}\left(3-\Delta t_{\min , \mathrm{HEX}-1}, \right.\\ &\left.3-\Delta t_{\min , \mathrm{HEX}-2}\right) \end{aligned} $ (5)
2.4 决策变量

决策变量包括制冷循环中冷凝压力、蒸发压力、制冷循环中制冷剂各组分流量以及过冷温度共8个变量，决策变量及其取值范围如表 4所示。

表 4    基础流程决策变量及取值范围

3 改进流程

如图 2中Ⅰ部分所示，由于物流25在换热器HX-2中发生相变，导致冷热组合曲线温差波动范围很大，从而导致能量损失较大。图 3展示了物流25的t-H图，当压力升高时，相变温度升高，摩尔相变焓减小，因此，在物流25处增加了1台压缩机以提高相变温度，以减少对数平均温差(logarithmic mean temperature difference, LMTD)，从而降低能耗。改进流程如图 4所示，改进流程与基础流程的主要区别在于物流25处增加了1台压缩机C-5。

图 2     换热器HX-2冷热复合曲线

图 3     物流25 t-H图

图 4     LNG与NGL联产工艺改进流程

改进流程中需要增加物流25的压力作为决策变量之一，决策变量如表 5所列，目标函数如式(6)所示。约束条件及遗传算法的相关参数保持不变。

表 5    改进流程决策变量及取值范围

$f(X)=\frac{W_{\mathrm{C}-1}+W_{\mathrm{C}-2}+W_{\mathrm{C}-3}+W_{\mathrm{P}-1}+W_{\mathrm{C}-5}}{q_{\mathrm{LNG}}} $ (6)
4 㶲分析

㶲是以环境状态作为基准，从系统的某一状态到环境状态所做的最大的功[15]。㶲主要分为物理㶲、动能㶲、势能㶲以及化学㶲4部分。但是动能㶲和势能㶲十分小，可以忽略不计。由于系统中并没有发生化学反应，所以不考虑化学㶲。

本研究流程中主要设备为压缩机、泵、膨胀机、节流阀、换热器、脱甲烷塔以及脱乙烷塔，通过㶲分析方法可以计算以上设备的㶲损失，以评价流程优化改进效果。㶲损失计算公式如式(7)所示。

$\Delta E x=\left(H-T_{0} S\right)_{\text {state2} }+\left(H-T_{0} S\right)_{\text {state1}} $ (7)

式中：ΔEx为㶲损失，kJ；H为物流的焓，kJ；S为物流的熵，kJ/K；T0为环境温度，K。

5 结果与讨论

图 5为基础流程与改进流程采用遗传算法优化的收敛曲线。由图 5可知，对基础流程优化后单位能耗为0.41 kW·h/kg，而改进流程采用遗传算法优化后能耗降低到0.36 kW·h/kg。表 6展示了各个决策变量优化后的数据。改进流程优化结果与基础流程优化结果相比，由于增加了1台压缩机，使得物流25压力由2 600 kPa增加到4 233 kPa，温度由-99.30 ℃升高到-70.74 ℃，提高了相变温度，因此在制冷循环中甲烷含量也会随之降低，改进流程优化后甲烷摩尔流量与基础流程优化结果相比减少了58%。制冷剂总摩尔流量下降了11.63%。

图 5     基础流程与改进流程遗传算法优化收敛曲线

表 6    优化及改进结果

图 6为换热器HX-2基础流程(Ⅲ)与基础流程优化后(Ⅰ)以及改进流程优化后(Ⅱ)的冷、热组合曲线图。基础流程与基础流程优化后相比，优化效果主要是使得-100 ℃以上的温位更加匹配，由于相变的存在导致-100 ℃以下的温位匹配效果较差。改进流程优化后与基础流程优化后相比，热组合曲线中相变段相变温度由-99.35 ℃升高到-85.44 ℃，摩尔相变焓由5 123 kJ/kmol降低到2 740 kJ/kmol，其结果是使得-100 ℃以下的温位更加匹配。由图 6(Ⅳ)可知，改进流程优化后，换热负荷与基础流程优化后相比下降8.45%，其冷热组合曲线最大温差由20.08 ℃降至9.61 ℃，温差波动范围减小。表 6为优化改进结果。由表 6可知，换热器HX-2对数平均温差由6.7 ℃降低到4.9 ℃。

图 6     换热器HX-2冷热组合曲线及其温差曲线

图 7展示了基础流程、基础流程优化后与改进流程优化后主要设备的㶲损失。改进流程优化后与基础流程相比，㶲损失减少43.92%。其中换热器HX-2㶲损失减少最多，占总㶲损失减少量的32.14%。在改进流程中主要压缩机与空冷器㶲损失最大，两者占比达到57%。在总㶲损失中，脱甲烷塔与脱乙烷塔㶲损失最小，由于保持乙烷回收流程参数不变，脱甲烷塔与脱乙烷塔㶲损失在优化改进前后无变化。

图 7     主要设备㶲损失

6 结论

本课题对天然气液化工艺与乙烷回收工艺进行了仿真模拟研究，其中制冷采用混合制冷工艺，乙烷回收采用冷干气回流工艺。并将脱甲烷塔与换热器HX-1集成，减少了脱甲烷塔的重沸器。以单位能耗为目标函数，在保证乙烷回收率在95%以上的前提下，以制冷循环各组分流量、蒸发压力、冷凝压力以及过冷温度共8个关键参数为决策变量，采用遗传算法进行优化。优化结果显示：

(1) 基础流程与基础优化流程相比，换热器HX-1的对数平均温差由10.6 ℃降低到5.6 ℃，换热器HX-2的对数平均温差由7.6 ℃降低到6.7 ℃；流程进一步优化后，换热器HK-1与HK-2的对数平均温差分别降至5.5 ℃和4.9 ℃。

(2) 基础流程与基础优化流程相比，单位能耗由0.55 kW·h/kg降低到0.41 kW·h/kg；对基础流程优化后，针对换热器HX-2对数平均温差较大提出了改进，在天然气进入换热器HX-2之前增加1台压缩机以改变相变温度，使换热曲线更加匹配。

(3) 改进优化流程与基础优化流程相比，单位能耗由0.41 kWh/kg降至0.36 kWh/kg。对集成流程中主要设备进行㶲分析显示，改进流程优化后与基础流程相比，㶲损失减少43.92%。其中，换热器HX-2㶲损失减少最多。压缩机㶲损失在整体㶲损失中所占比例最大。

参考文献
[1]
QYYUM M A, DUONG P L T, MINH L Q, et al. Dual mixed refrigerant LNG process: Uncertainty quantification and dimensional reduction sensitivity analysis[J]. Applied Energy, 2019, 250: 1446-1456. DOI:10.1016/j.apenergy.2019.05.004
[2]
BAKER C, SIAHVASHI A, OAKLEY J, et al. Advanced predictions of solidification in cryogenic natural gas and LNG processing[J]. The Journal of Chemical Thermodynamics, 2019, 137: 22-33. DOI:10.1016/j.jct.2019.05.006
[3]
TESCH S, MOROSUK T, TSATSARONIS G. Advanced exergy analysis applied to the process of regasification of LNG (liquefied natural gas) integrated into an air separation process[J]. Energy, 2016, 117: 550-561. DOI:10.1016/j.energy.2016.04.031
[4]
李均方, 何琳琳, 贺晓敏. 中贵线乙烷回收工程模拟计算研究[J]. 石油与天然气化工, 2018, 47(2): 41-45.
[5]
杨雨林, 陈小榆, 何杰, 等. 乙烷回收改进流程用能分析[J]. 石油与天然气化工, 2019, 48(4): 61-68.
[6]
蒋洪, 蔡棋成. 高压天然气乙烷回收高效流程[J]. 石油与天然气化工, 2017, 46(2): 6-11.
[7]
MEHRPOOYA M, VATANI A, MOUSAVIAN S M A. Introducing a novel integrated NGL recovery process configuration (with a self-refrigeration system (open-closed cycle)) with minimum energy requirement[J]. Chemical Engineering and Processing: Process Intensification, 2010, 49(4): 376-388. DOI:10.1016/j.cep.2010.03.004
[8]
KHERBECK L, CHEBBI R. Optimizing ethane recovery in turboexpander processes[J]. Journal of Industrial and Engineering Chemistry, 2015, 21: 292-297. DOI:10.1016/j.jiec.2014.02.035
[9]
SIVANANDAM S N, DEEPA S N. Introduction to genetic algorithms[M]. Berlin Heidelberg: Springer, 2008: 233-242.
[10]
DING H, SUN H, SUN S J, et al. Analysis and optimisation of a mixed fluid cascade (MFC) process[J]. Cryogenics, 2017, 83: 35-49. DOI:10.1016/j.cryogenics.2017.02.002
[11]
GHORBANI B, SHIRMOHAMMADI R, MEHRPOOYA M, et al. Structural, operational and economic optimization of cryogenic natural gas plant using NSGAII two-objective genetic algorithm[J]. Energy, 2018, 159: 410-428. DOI:10.1016/j.energy.2018.06.078
[12]
JIN C H, LIM Y. Optimization and economic evaluation of integrated natural gas liquids (NGL) and liquefied natural gas (LNG) processing for lean feed gas[J]. Applied Thermal Engineering, 2019, 149: 1265-1273. DOI:10.1016/j.applthermaleng.2018.12.143
[13]
HE T B, LIU Z M, JU Y L, et al. A comprehensive optimization and comparison of modified single mixed refrigerant and parallel nitrogen expansion liquefaction process for small-scale mobile LNG plant[J]. Energy, 2019, 167: 1-12. DOI:10.1016/j.energy.2018.10.169
[14]
VATANI A, MEHRPOOYA M, PALIZDAR A. Energy and exergy analyses of five conventional liquefied natural gas processes[J]. International Journal of Energy Research, 2014, 38(14): 1843-1863. DOI:10.1002/er.3193
[15]
TIRANDAZI B, MEHRPOOYA M, VATANI A, et al. Exergy analysis of C2+ recovery plants refrigeration cycles[J]. Chemical Engineering Research and Design, 2011, 89(6): 676-689. DOI:10.1016/j.cherd.2010.10.006
X