CN110494748A - 使用先进数据分析法和管流动模型的蜡风险评估和减轻 - Google Patents
使用先进数据分析法和管流动模型的蜡风险评估和减轻 Download PDFInfo
- Publication number
- CN110494748A CN110494748A CN201780089491.3A CN201780089491A CN110494748A CN 110494748 A CN110494748 A CN 110494748A CN 201780089491 A CN201780089491 A CN 201780089491A CN 110494748 A CN110494748 A CN 110494748A
- Authority
- CN
- China
- Prior art keywords
- wax
- hydrocarbons
- compositions
- sample
- hydrocarbon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000116 mitigating effect Effects 0.000 title claims abstract description 36
- 238000013459 approach Methods 0.000 title description 4
- 238000012517 data analytics Methods 0.000 title description 2
- 238000012502 risk assessment Methods 0.000 title description 2
- 238000013349 risk mitigation Methods 0.000 title description 2
- 150000002430 hydrocarbons Chemical group 0.000 claims abstract description 372
- 229930195733 hydrocarbon Natural products 0.000 claims abstract description 367
- 239000000203 mixture Substances 0.000 claims abstract description 254
- 238000000034 method Methods 0.000 claims abstract description 233
- 239000000126 substance Substances 0.000 claims abstract description 200
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 176
- 239000004215 Carbon black (E152) Substances 0.000 claims abstract description 154
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- -1 operation change Substances 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 153
- 238000004519 manufacturing process Methods 0.000 claims description 77
- 238000000746 purification Methods 0.000 claims description 53
- 238000000513 principal component analysis Methods 0.000 claims description 51
- 230000005484 gravity Effects 0.000 claims description 46
- 238000003860 storage Methods 0.000 claims description 46
- 238000010801 machine learning Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 42
- 239000000084 colloidal system Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 29
- 239000002253 acid Substances 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 15
- 238000000113 differential scanning calorimetry Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 239000003208 petroleum Substances 0.000 claims description 13
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 12
- 229930195734 saturated hydrocarbon Natural products 0.000 claims description 12
- 238000004817 gas chromatography Methods 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 10
- 238000000918 plasma mass spectrometry Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 238000012954 risk control Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims 2
- 230000003796 beauty Effects 0.000 claims 1
- 239000010779 crude oil Substances 0.000 abstract description 41
- 230000008859 change Effects 0.000 abstract description 3
- 239000001993 wax Substances 0.000 description 280
- 230000032258 transport Effects 0.000 description 44
- 230000000694 effects Effects 0.000 description 37
- 238000011282 treatment Methods 0.000 description 27
- 238000000151 deposition Methods 0.000 description 22
- 230000008021 deposition Effects 0.000 description 22
- 239000000654 additive Substances 0.000 description 18
- 230000000996 additive effect Effects 0.000 description 16
- 239000003921 oil Substances 0.000 description 16
- 238000012706 support-vector machine Methods 0.000 description 16
- 239000008186 active pharmaceutical agent Substances 0.000 description 14
- 238000005259 measurement Methods 0.000 description 13
- 239000012530 fluid Substances 0.000 description 11
- 238000004611 spectroscopical analysis Methods 0.000 description 11
- 239000003112 inhibitor Substances 0.000 description 10
- 239000012188 paraffin wax Substances 0.000 description 10
- 239000000047 product Substances 0.000 description 10
- 238000007670 refining Methods 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 8
- 230000036961 partial effect Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004497 NIR spectroscopy Methods 0.000 description 7
- 238000000149 argon plasma sintering Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000000386 microscopy Methods 0.000 description 7
- 238000005481 NMR spectroscopy Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000002270 dispersing agent Substances 0.000 description 6
- 230000002101 lytic effect Effects 0.000 description 6
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 5
- 239000003963 antioxidant agent Substances 0.000 description 5
- 230000003078 antioxidant effect Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 239000003381 stabilizer Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000080 wetting agent Substances 0.000 description 5
- 239000003599 detergent Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000006116 polymerization reaction Methods 0.000 description 4
- 230000001376 precipitating effect Effects 0.000 description 4
- 239000003755 preservative agent Substances 0.000 description 4
- 230000002335 preservative effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010612 desalination reaction Methods 0.000 description 3
- 239000002244 precipitate Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 102100039250 Essential MCU regulator, mitochondrial Human genes 0.000 description 2
- 101000813097 Homo sapiens Essential MCU regulator, mitochondrial Proteins 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000004821 distillation Methods 0.000 description 2
- 238000004231 fluid catalytic cracking Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- RSPISYXLHRIGJD-UHFFFAOYSA-N OOOO Chemical compound OOOO RSPISYXLHRIGJD-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 101150013568 US16 gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 230000002070 germicidal effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011344 liquid material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000012985 polymerization agent Substances 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011403 purification operation Methods 0.000 description 1
- 239000012264 purified product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012109 statistical procedure Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 239000010729 system oil Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000005292 vacuum distillation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G31/00—Refining of hydrocarbon oils, in the absence of hydrogen, by methods not otherwise provided for
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G75/00—Inhibiting corrosion or fouling in apparatus for treatment or conversion of hydrocarbon oils, in general
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G75/00—Inhibiting corrosion or fouling in apparatus for treatment or conversion of hydrocarbon oils, in general
- C10G75/02—Inhibiting corrosion or fouling in apparatus for treatment or conversion of hydrocarbon oils, in general by addition of corrosion inhibitors
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
- C10G75/00—Inhibiting corrosion or fouling in apparatus for treatment or conversion of hydrocarbon oils, in general
- C10G75/04—Inhibiting corrosion or fouling in apparatus for treatment or conversion of hydrocarbon oils, in general by addition of antifouling agents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2876—Total acid number
Landscapes
- Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本申请描述的是用于评估和减轻给定烃组合物如原油的蜡风险的系统和方法。所公开的系统和方法能够基于少量烃组合物的样品使用算法快速且方便地预测蜡风险。蜡风险是使用由机器学习开发的预测模型预测的。所公开的系统和方法包括用于蜡风险的减轻策略,其可包括化学添加剂、操作改变、和/或烃共混物。
Description
技术领域
本文公开的是分析烃样品的方法,包括分析烃样品以预测蜡风险的方法。更具体地,本文公开的方法和系统提供快速且容易地确定烃组合物的蜡风险以及确定最佳蜡抑制剂/分散剂/溶解剂,且由此通过识别呈现成蜡风险的烃物流和/或用于所关注的烃物流的化学处理物来改进在烃生产、运输、精制、和精制烃加工及使用中减轻蜡风险。
背景技术
在地球上找到的大部分烃自然而然地存在于原油中,其中分解的有机物质提供丰富的碳和氢,当结合时它们可以链接在一起形成链长长达100个碳的石蜡分子。当温度下降时石蜡分子沉淀并形成固体。石蜡的沉淀可导致蜡沉积在井筒管道、输管道线上,以及在精制加工和精制烃生产、加工、处置、储存和使用期间沉积在包括油罐区,冷预热机组,脱盐设备,热预热机组,原油加热器/炉子,原油蒸馏单元,真空单元炉,真空蒸馏单元,和下游加工单元如加氢器、氢化裂解器、流化催化裂化(FCC)、减粘裂化、炼焦器等上。在精制操作中从流动相中分出的相的沉积和积累也称为结垢(fouling)。不需要的物质如鳞状物(scale)、藻类、悬浮固体和不溶盐可以沉积在加工设备(例如锅炉和热交换器)的表面。石蜡沉积物对烃生产、运输、精制和精制烃生产、加工、处置、储存和使用的效率、安全性和经济性是严重的挑战并具有重大影响。
附着至输管道线内壁的蜡沉积物要求定期修复,例如机械去除,也称为“清管(pigging)”。每周的清管操作产生超过3千万美元的典型的年度运营成本。严重的和重复发生的蜡沉积甚至可导致花费超过1亿美元的油田废弃。
精制设备中也可遇到蜡的沉积。例如,因蜡的沉积导致的原油预热机组结垢降低精制效率,既需要额外的能量输入以克服温度下降又需要中断常规精制操作用于清洁和其他维护。
已经探索了用于评估烃样品的结垢可能性(可能性,potential)的方法。通常,这些方法依赖于液体烃本身的分析。然而,这些方法典型地耗时。
此外,结垢和蜡/石蜡沉积的减轻可为耗时的和/或产生问题的。传统上已经使用“反复试验(试错法,trial-and-error)”途径实施原油的蜡抑制剂的选择。采用台面试验(基准试验,bench-top test)如倾点、冷指(Cold finger)和流变性来评估一系列化学添加剂的性能,并得到最佳的化学品/剂量推荐。因为实际的原油可能并不容易得到,有时使用合成的蜡质流体,或者,在最好的情况下,使用具有一连串物理和化学性质模拟在油田中将被处理的原油的原油,进行比较评估。通常用有关原油性质、油田条件等对期望的实地表现(field performance)影响的经验的或启发式的专业知识(know-how)补充这些试验。
使用反复试验途径选择蜡抑制·剂和倾点压抑剂(抑制剂)的问题与选择不当化学品的风险相关联。在合成的蜡质流体表现差或者对真实流体根本不起作用的情况下找到显示良好性能的蜡抑制剂并不少见。同样不少见的是,观察到对某些类型的原油有效的蜡抑制剂对另一种无效。因此,一般认为,蜡抑制剂的效果是有限的,且应该根据不同的情况(a case by case basis)进行评估。此蜡抑制剂的原油“特异性”很长时间困扰着工业,且已经是多项科学研究的主题。此外,所述反复试验方法可为耗时的。例如,传统的冷指试验对于仅仅单个数据就要求数小时。一个单次试验所需要的少量的样品体积(几个mL)是另一个优点,而传统的冷指试验对于单个数据要求80-100mL原油。
对能够使精制者可靠且快速地预测给定烃的潜在结垢的方法仍存在强烈的需要。对将允许(原)油生产者/精制者选择具有较小结垢可能性的烃以及用合适的化学处理物处理烃以使结垢最小化的牢靠方法仍存在需要。
发明内容
本文公开的是快速且容易地评估给定烃组合物的蜡风险的系统和方法。
本文公开的是确定并减轻烃组合物的蜡风险的方法的实施方式。所述方法的一个方面包括:获取所述烃组合物的样品;分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;基于所述烃组合物的样品的分析开发用于烃组合物进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的一个或多个烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的预测模型;基于所开发的一个或多个预测模型确定蜡风险;和减轻所确定的蜡风险的一个或多个。
替代地或任选地,所述方法可包括开发用于管线的管流动模型并基于所述管流动模型和所确定的蜡风险确定在所述管线中的蜡风险。在一个方面,开发用于管线的管流动模型包括在开发所述管流动模型时使用管线的参数和操作条件。管线的参数和操作条件包括管线的实时参数和操作条件。替代地,管线的参数和操作条件包括管线的历史参数和操作条件。
替代地或任选地,减轻所确定的蜡风险的一个或多个可包括确定化学添加剂以减轻所确定的蜡风险的一个或多个。在一些方面,确定化学添加剂以减轻所确定的蜡风险的一个或多个可包括基于如下选择一种或多种化学添加剂:在所述一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性,和/或与所述烃的组成有关的属性。在一些方面,确定化学添加剂以减轻所确定的蜡风险的一个或多个可包括确定化学添加剂的共混物以减轻所确定的蜡风险的一个或多个。在一些方面,基于在化学添加剂的共混物和在烃组合物中的蜡之间匹配的沉淀特性确定化学添加剂的共混物。可以基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性来确定在烃组合物中的蜡。
替代地或任选地,确定化学添加剂以减轻所确定的蜡风险的一个或多个可包括基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性来开发用于选择一种或多种化学添加剂的定性的化学添加剂预测模型。在一些方面,使用化学添加剂机器学习算法开发所述定性的化学添加剂预测模型。化学添加剂机器学习算法可包括如下的一种或多种:随机决策森林、主成分分析(PCA)聚类(群集)、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树、决策树,等等。
替代地或任选地,所述方法可包括确定化学添加剂减轻所确定的蜡风险的一个或多个的效力。在一些方面,确定化学添加剂减轻所确定的蜡风险的一个或多个的效力包括基于在化学处理前后烃组合物的样品的分析确定烃组合物的倾点抑制的定性和定量预测。在化学处理前后烃组合物的样品的分析可包括在化学处理前后进行所述样品的红外(IR)指纹分析。基于在化学处理前后所述样品的IR指纹分析可以开发一个或多个化学添加剂效力预测模型以预测化学添加剂减轻所确定的蜡风险的一个或多个的效力。例如,可以使用一种或多种化学添加剂效力机器学习算法开发所述一个或多个化学添加剂效力预测模型。所述一种或多种化学添加剂效力机器学习算法可以包括主成分分析(PCA)、线性回归,等等。
替代地或任选地,分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性可包括进行如下的一种或多种:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析,对样品的变量分析(变化性分析)的组合等以确定所述样品的一个或多个属性。指纹分析可包括光谱法,光谱法可包括如下的一种或多种:红外(IR)光谱法、温度相关(变温)IR光谱法,二维(平面,2D)光谱法,紫外(UV)光谱法,近红外光谱法,中红外光谱法,核磁共振光谱法,等等。所述烃组合物的一个或多个属性可包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT),倾点(PP),等等。在一些方面,基于一个或多个所测量的所述烃组合物的样品的属性预测如下的一种或多种:总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT),倾点(PP),等等。这些属性可以使用显微术、UV-vis光谱法、光散射、声共振等来测量。在一些方面,指纹分析在低于烃组合物的蜡出现温度(WAT)的温度下进行。
替代地或任选地,烃生产、运输、精制、精制烃生产、加工、储存和使用的一个或多个预测模型是使用一种或多种机器学习算法开发的。所述一种或多种机器学习算法可包括主成分分析(PCA)、线性回归、逻辑回归,等等。
由所述方法确定的蜡风险可包括如下的一种或多种:蜡含量、重质蜡含量、蜡出现温度(WAT)、倾点(PP)、蜡沉积可能性,等等。
根据所述方法,减轻所确定的蜡风险的一个或多个可包括调整所述烃组合物的生产、运输、储存、加工和/或分配以降低所确定的蜡风险。
本文还公开和描述的是降低烃组合物中的蜡风险的方法的实施方式,包括:获取所述烃组合物的样品;通过如下确定一个或多个蜡风险:分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;基于所述烃组合物的样品的分析开发用于所述烃组合物的一个或多个预测模型;和基于所开发的一个或多个预测模型确定所述一个或多个蜡风险;以及调整所述烃组合物的生产、运输、储存、加工和/或分配以降低所述蜡风险。
替代地或任选地,所述方法可包括开发用于管线的管流动模型和基于所确定的蜡风险确定在所述管线中的蜡风险。在一些方面,开发用于管线的管流动模型包括在开发管流动模型时使用管线的参数和操作条件。所述管线的参数和操作条件可包括管线的实时参数和操作条件。替代地或任选地,所述管线的参数和操作条件包括管线的历史参数和操作条件。
在所述方法的一些情形中,所述烃组合物的生产、运输、储存、加工和/或分配的调整包括确定一种或多种化学添加剂以和所述烃组合物组合,从而减轻所确定的蜡风险的一个或多个。例如,所述一种或多种化学添加剂包括如下的一种或多种:润湿剂、破乳剂、洗涤剂、分散剂、稳定剂、防腐剂、硫化物或金属-硫化物溶解剂、聚合抑制剂、抗氧化剂、金属钝化剂、其组合,等等。确定化学添加剂以减轻所确定的蜡风险的一个或多个可包括基于在一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性来选择所述一种或多种化学添加剂。在一些情形中,可确定化学添加剂的共混物以减轻所确定的蜡风险的一个或多个。基于在化学添加剂的共混物和在烃组合物中的蜡之间匹配的沉淀特性可确定化学添加剂的共混物。基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性可确定在烃组合物中的蜡。
在一些情形中,确定一种或多种化学添加剂以减轻所确定的蜡风险可包括开发定性的化学添加剂预测模型以便基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性来选择一种或多种化学添加剂。所述定性的化学添加剂预测模型可使用诸如如下的一种或多种的化学添加剂机器学习算法来开发:随机决策森林、主成分分析(PCA)聚类、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树、决策树,等等。
在一些情形中,所述烃组合物的生产、运输、储存、加工和/或分配的调整可包括将所述一种或多种化学添加剂添加至:在传入输送系统或原油储存罐中的烃组合物,保持进入烃生产、运输、精制、精制烃生产、加工和使用的原油的烃储存罐区,水洗(装置),脱盐器,在精制工艺的脱盐之后的热预热机组,或其组合。
在一些情形中,所述方法进一步包括确定化学添加剂减轻所确定的蜡风险的一个或多个的效力。在一些情形中,确定化学添加剂减轻所确定的蜡风险的一个或多个的效力包括基于在化学处理前后烃组合物的样品的分析定性和定量预测确定烃组合物的倾点抑制。在化学处理前后烃组合物的样品的分析包括在化学处理前后进行所述样品的红外(IR)指纹分析。在一些情形中,可以使用在化学处理前后所述样品的IR指纹分析来开发一个或多个化学添加剂效力预测模型以预测化学添加剂减轻所确定的蜡风险的一个或多个的效力。可以使用一种或多种机器学习算法包括例如主成分分析(PCA)、线性回归,等等化学添加剂效力机器学习算法来开发所述一个或多个化学添加剂效力预测模型。
任选地或替代地,分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性可包括进行如下的一种或多种:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析,所述样品的变量分析的组合,等等,以确定所述样品的一个或多个属性。在一些情形中,指纹分析包括使用光谱法,其可包括如下的一种或多种:红外(IR)光谱法、温度相关IR光谱法、二维(2D)光谱法、紫外(UV)光谱法、近红外光谱法、中红外光谱法、核磁共振光谱法,等等。所确定的所述烃组合物的样品的一个或多个属性可包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT),倾点(PP),等等。在一些情形中,基于所述烃组合物的样品的一个或多个测量的属性预测如下的一个或多个:总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。各属性可以使用显微术、UV-vis光谱法、光散射、声共振等来测量。在一些情形中,指纹分析在低于烃组合物的蜡出现温度(WAT)的温度下进行。
替代地或任选地,可以使用一种或多种机器学习算法例如主成分分析(PCA)、线性回归、逻辑回归等来开发烃精制的一个或多个预测模型。
由所述方法确实的蜡风险可包括如下的一种或多种:蜡出现温度(WAT)、倾点(PP)、蜡含量、重质蜡含量、蜡沉积可能性,等等。开发烃组合物的一个或多个预测模型包括开发:用于烃组合物的制造、运输、精制、精制烃生产、加工、处置、储存、使用的一个或多个预测模型;用于进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的工艺的烃组合物的一个或多个预测模型;或者当烃组合物在整个烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的工艺中移动时用于所述烃组合物的一个或多个预测模型;各预测模型基于所述烃组合物的样品的分析。
本文进一步公开和描述的是对于在烃工艺的管理中使用预测分析学的系统的实施方式。所述系统的一个方面包括存储器,其中所述存储器存储计算机可读指令;和该存储器通讯连接的处理器,其中所述处理器执行在所述存储器上存储的计算机可读指令,该计算机可读指令导致所述处理器:接收烃样品的分析,基于在所述烃样品的分析中确定的所述烃组合物的样品的一个或多个属性开发用于烃的一个或多个预测模型;基于所开发的一个或多个预测模型确定蜡风险;和基于所确定的蜡风险控制所述烃工艺的各方面以减轻所确定的蜡风险的一个或多个,其中所述分析由以下步骤获取:获取所述烃组合物的样品;和分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性。
替代地或任选地,所述系统可包括使所述处理器执行指令以开发用于管线的管流动模型和基于所确定的蜡风险来确定所述管线中的蜡风险。在一些情形中,开发用于管线的管流动模型包括使所述处理器执行指令以接收和在开发所述管流动模型时使用管线的参数和操作条件。所述管线的参数和操作条件可被处理器实时接收,和/或管线的历史参数和操作条件可从存储器索回(查询,retrieve)并提供至处理器。
替代地或任选地,管理烃工艺的各方面包括使所述处理器执行指令以确定一种或多种化学添加剂从而与所述烃组合物组合以减轻所确定的蜡风险。所述一种或多种化学添加剂可包括如下的一种或多种:润湿剂、破乳剂、洗涤剂、分散剂、稳定剂、防腐剂、硫化物或金属-硫化物溶解剂、聚合抑制剂、抗氧化剂和金属钝化剂,或其组合。在一些情形中,所述处理器确定化学添加剂以减轻所确定的蜡风险包括使所述处理器执行指令以基于在所述一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性选择一种或多种化学添加剂。在一些情形中,所述处理器执行指令以确定化学添加剂的共混物从而减轻所确定的蜡风险。可基于使所述处理器执行指令以使在所述化学添加剂的共混物和在烃组合物中的蜡之间匹配的沉淀特性来确定化学添加剂的共混物。在一些情形中,在烃组合物中的蜡基于所接收的烃组合物的样品的分析通过处理器确定。
替代地或任选地,使所述处理器执行指令以确定一种或多种化学添加剂从而减轻所确定的蜡风险包括使所述处理器执行指令以基于所接收的烃组合物的样品的分析开发用于选择一种或多种化学添加剂的定性的化学添加剂预测模型。在一些情形中,该定性的化学添加剂预测模型是通过包括一种或多种化学添加剂机器学习算法的执行指令开发的。所述化学添加剂机器学习算法可包括如下的一种或多种:随机决策森林、主成分分析(PCA)聚类、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树、决策树,等等。
替代地或任选地,控制所述烃工艺的各方面包括使所述处理器执行指令以将所述一种或多种化学添加剂添加至所述烃组合物。
在一些情形中,所述系统使所述处理器执行指令以确定化学添加剂减轻所确定的蜡风险的效力。这可以包括使所述处理器执行指令以基于在化学处理前后烃组合物的样品的分析确定烃组合物的倾点抑制的定性和定量预测。在一些情形中,在化学处理前后烃组合物的样品的分析包括使所述处理器执行指令以在化学处理前后进行所述样品的红外(IR)指纹分析。在一些情形中,可使所述处理器执行指令以基于在化学处理前后所述样品的IR指纹分析开发一种或多种化学添加剂效力预测模型来预测化学添加剂减轻所确定的蜡风险的效力。所述一个或多个化学添加剂效力预测模型是通过处理器执行包括一种或多种化学添加剂效力机器学习算法的指令开发的。所述一种或多种化学添加剂效力机器学习算法包括使所述处理器执行指令进行主成分分析(PCA)、线性回归分析,等等。
替代地或任选地,分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性可包括进行如下的一种或多种:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析,所述样品的变量分析的组合,等等,以确定所述样品的一个或多个属性。在一些情形中,所述指纹分析包括使用光谱法。所述光谱法可包括如下的一种或多种:红外(IR)光谱法、温度相关IR光谱法、二维(2D)光谱法、紫外(UV)光谱法、近红外光谱法、中红外光谱法、核磁共振光谱法,等等。所述一个或多个属性可包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT),倾点(PP),等等。在一些情形中,基于所述烃组合物的样品的一个或多个测量的属性预测如下的一种或多种:总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。所述属性可以使用显微术、UV-vis光谱法、光散射、声共振等测量。
替代地或任选地,指纹分析可以在低于所述烃组合物的蜡出现温度(WAT)的温度下测量。
替代地或任选地,可以通过包括一种或多种机器学习算法的处理器执行指令开发烃精制的一个或多个预测模型。所述一种或多种机器学习算法可包括主成分分析(PCA)、线性回归、逻辑回归,等等。
在一些情形中,使所述处理器执行指令以确定蜡风险包括确定如下的一种或多种:蜡出现温度(WAT)、倾点(PP)、蜡含量、重质蜡含量、蜡沉积可能性,等等。
在一些情形中,所述系统基于所确定的蜡风险控制所述烃工艺的各方面以减轻所确定的蜡风险的一个或多个包括:在烃组合物进入生产、运输、精制、精制烃生产、加工、处置、储存和使用或者在整个生产、运输、精制、精制烃生产、加工和使用中移动时控制如下的一个或多个:烃生产、运输、精制、精制烃生产、加工、处置、储存和使用。
其他优点在随后的说明书中将部分阐述或者可通过实践知晓。所述优点将借助于在所附权利要求书中特别指出的要素和组合而实现和获取。将理解的是,如所声明的,前述一般描述和随后的详细描述仅是示范性的和说明性的而非限制性的。
附图说明
并入本说明书且构成本说明书的一部分的附图连同描述一起绘示(图示说明)实施方式,起到解释所述方法和系统的原理的作用:
图1是绘示示范性的确定蜡风险的方法和减轻与烃组合物相关的蜡风险的方式的流程图;
图2A绘示显示在106中开发的预测模型预测原油和精制烃流体的WAT的能力的示范性结果的图;
图2B绘示显示预测模型预测原油和精制烃流体的PP的能力的示范性结果的图;
图2C绘示显示预测模型预测原油和精制烃流体的蜡沉积可能性的能力的示范性结果的图;
图2D是来自图2C的三种原油样品的图像;
图2E绘示温度对原油和精制烃流体的蜡沉积可能性的影响的预测;
图2F是显示在25℃高沉积倾向和在40℃低沉积倾向的图2E中的样品的图像;
图2G是绘示预测模型预测油的重质蜡含量(n-C50+蜡)的能力的示范性结果的图;
图3是绘示确定蜡风险的示范性可替代方法和减轻烃组合物的方式的流程图;
图4是显示基于在所公开的实施方式中预测的蜡风险预测在模型化管线中蜡沉积的结果的示范性图;
图5是绘示又一确定蜡风险的可替代方法和减轻烃组合物的方式的流程图;和
图6A和6B是在添加剂和蜡之间匹配的沉淀特性以确定化学添加剂或化学添加剂共混物从而增强烃组合物在烃生产、运输、精制、精制烃生产、加工、处置、储存和使用中的性能的示意图;
图6C和6D绘示基于通过差示扫描量热法(DSC)表征的当化学处理时在蜡沉淀属性中的变化对可能性化学添加剂效力的评估;以及
图7绘示可用于以下的示范性计算机:分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;对于感兴趣的烃组合物基于所述烃组合物的样品的分析开发烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的一个或多个预测模型;和基于所开发的一个或多个预测模型确定蜡风险。
具体实施方式
在公开和描述本发明方法和系统之前,应理解,所述方法和系统不限于特定的方法、特定的组成部分(component),或具体的组合物。还应理解,本文使用的专用术语是仅为了描述具体实施方式而不打算是限制的。
如在说明书和所附权利要求书中使用的,除非上下文清楚地另有规定,单数形式“a”、“an”和“the”包括复数指代物。本文以从“约”一个特定值和/或至“约”另一特定值来表示范围。当表示这样的范围时,另一实施方式包括从一个特定值和/或至另一特定值。类似地,当通过使用前缀“约”将数值表示为近似值时,应理解该特定值形成另一实施方式。进一步应理解的是,每个范围的端点无论涉及另一端点还是独立于另一端点都是有重要意义的。
“任选的”或“任选地”是指,随后描述的事件或状况可发生或可不发生,和该描述包括其中所述事件或状况发生的情形和其中该事件或状况不发生的情形。
在整个本申请的说明书和权利要求书中,词语“包括(comprise)”以及该词语的变型如“包括(comprising)”和“包括(comprises)”是指“包含但不限于”,且不意图排除例如其他添加剂、组成部分、整数或步骤。“示范性”是指“…的例子”且不意图传达优选的或理想的实施方式的指示。“如”不以限制性意义使用,而是用于解释说明的目的。
公开的是可用于实施所公开的方法和系统的组成部分。本文公开这些和其他组成部分,且应理解,当公开了这些组成部分的组合、子集、相互作用、组等,尽管可能没有明确公开特指这些的各自不同的个体和集合的组合和排列的特定参考,但对于所有方法和系统,各自均特别预期和描述于本文。因此,如果存在可以实施的许多额外步骤,应理解,这些额外步骤各自可以用所公开的方法的任何特定的实施方式或实施方式的组合实施。
通过参考本文包括的以下实施例和优选实施方式的详细描述以及附图和它们在前的和随后的描述,可以更容易地理解本发明的方法和系统。
如本文中使用的,术语“结垢”指在烃生产、运输、精制、精制烃生产、加工、处置、储存和使用中从流动相中分离出的相积累在设备的表面上。例如,非气体材料可以从气体流动相中分离出和非液体材料可从液体流动相中分离出。分离出的相减少可以通过烃的空间,且减少了所述烃和热交换器表面之间的接触。
如本文中使用的,术语“烃”、“烃组合物”或“烃样品”指原油、原油共混物、塔底物(tower bottoms)、汽油/柴油燃料、石脑油、浓缩物、废油、氢化处理油、加氢裂化油,及其混合物。
本文提供的是评估给定烃样品的蜡风险的方法。在理解可能性蜡风险的情况下,油生产者或精制者可以采取步骤以减轻该风险。因为本文公开的方法提供了以前无法得到的关于特定风险机制的细节的程度(水平),油生产者或精制者可以容易地选择合适的减轻步骤以使油生产、运输、精制、精制烃生产、加工、处置、储存和使用的效率最大化。在油生产和运输中原油或共混物的蜡风险包括油生产/运输装置(包括井筒管道、管线等)的表面沉积材料的倾向,导致可用于油流动的横截面减小,维持流动的泵功率增加且甚至有堵塞的风险。在精制工艺中的蜡风险包括在传热表面上沉积材料的倾向,导致传热效率减小。使用热交换器网络系统通过预热进入炉之前的原料从原油蒸馏单元(CDU)周围的工艺物流回收尽可能多的热。在交换器中向原料传导的热越多,加热原油至所需蒸馏温度范围要求的能量/燃料越少。最热的交换器对炉的进口温度具有直接影响。具有最高热通量或低流动速度的交换器通常显示最高的结垢速率。
结垢是由存在于进料中或者在烃物流冷却期间形成的材料(有机的和无机的两者且包括蜡)的沉淀引起的。为了帮助油生产者/精制者优化原油共混物和使由蜡引起的在井筒管道、油运输管线、原油预热交换器和其他精制设备中的结垢可能性最小化,评估蜡风险的更具前瞻性和预测性的途径是重要的工业需求。结垢可能性可以多于一种的方式表示,例如传热损失(delta T,或ΔT),压力降的增加(delta P,或ΔP)或者结垢物的量(例如,固体的厚度、结垢物的体积或结垢物的重量),因为所有这三项均可以反映在管道、管线和其他生产或精制设备中的固体表面上发生的结垢的量。确定蜡风险并减轻它们可以降低结垢可能性。所确定的蜡风险可包括如下的一种或多种:蜡出现温度(WAT)、倾点(PP)、蜡沉积可能性,等等。关于在精制工艺中的结垢的其他细节可以在2016年12月7日提交的专利合作条约申请PCT/US16/65232中可以找到,其通过全部并入作为参考。
图1是绘示示范性的确定蜡风险的方法和减轻烃组合物的方式的流程图。在某些所选实施方式中,通过测量和/或分析烃样品和/或其不同部分可以评估蜡风险。所述示范性方法开始于102获取所述烃组合物的样品。通常,在油生产/运输、精制、精制烃生产、加工、处置、储存和使用的任何点取此样品。例如,该样品可以从在精制之前储存烃组合物的储存罐获取。获取样品可以是手动过程,或者可以涉及用于获取样品的自动化机制(机械装置)。样品可以为任何大小。有利地,如本文公开的实施方式仅要求少量样品大小。例如,对于本文公开的实施方式,样品大小可以为50mL或更少。
在104处,分析所获取的烃组合物的样品以确定所述样品的一个或多个属性。分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的变量分析的组合,从而确定所述样品的一个或多个属性。如果进行所述样品的指纹分析,则可涉及光谱法的使用。如果使用光谱法,则可包括如下的一种或多种:红外(IR)光谱法、近红外光谱法、核磁共振光谱法、温度相关IR光谱法、二维(2D)IR、UV(紫外)光谱法、中IR光谱法,等等。
如之前提到的,可以使用IR光谱法进行指纹分析,例如,如U.S.6,087,662中描述的,其公开内容在此全部并入作为参考。例如,可使用指纹分析测量石蜡/蜡相关的性质如蜡出现温度、倾点、石蜡分布、蜡含量、重质蜡含量和蜡沉积可能性,具体地,使用多元回归分析,通过如下进行:
测量在中红外吸收中在3800-650cm-1波段中的至少一个频率;
取所测量的每个吸光度(吸收率),或者其数学函数;
使用上面的吸光度或函数作为单个独立的变量进行统计学处理(数据处理);
对所述独立的变量指定并应用加权常数或其等同物;
使用已知石蜡/蜡性质的组合物应用上面的步骤以校准仪器和确定所述加权常数或等同物;
用未知的组合物重复所述步骤,并在使用已知石蜡/蜡性质的组合物的所述校准期间应用所述加权常数或等同物以输出指示该未知组合物的石蜡/蜡性质的一个或多个信号。
在一个方面,可以在低于在分析下的烃组合物的蜡出现温度(WAT)的温度下进行所述指纹分析。通常,当在低于所述烃的WAT的温度下进行指纹分析时,WAT和倾点(PP)的预测精度得以改进。例如,通过在低于烃组合物的WAT温度的温度下进行指纹分析,WAT预测可以改进~20℃之多且PP预测可以改进~10℃之多。
烃组合物的属性,如通过分析在样品中反映的,可以包括如下的一种或多种:总酸值(TAN),美国石油学会重力(API重力),胶体不稳定性指数(CII),粘度,蜡出现温度(WAT),倾点(PP),SG(比重);SARA:Sat(饱和烃)、Aro(芳香族)、Res(胶质)、Asp(沥青质);粘度;流变性;蜡含量,重质蜡含量,等等。在一个某实施方式中,由所述样品测量所述属性。在另一个某实施方式中,仅测量一些(少于总的所确定的属性),而其他属性基于所述烃组合物的样品的一个或多个测量属性进行预测。当测量所述属性时,可以使用例如显微术、UV-vis光谱法、光散射、声共振等来测量。
所述变量分析的组合包括任何可能的上述属性的数学组合(mathematiccombination),包括比率、PCA(主成分/线性组合)等。所述分析可涉及单一性质或多个性质,或任意组合,如比率、主成分。主成分分析(PCA)是降维技术(dimensionalityreduction technique),其最初被采纳以处置在多个原油性质(例如粘度、API、密度、沸点等)之间存在的自相关和识别描述原油类型的最重要的性质。
在106处,对在生产的或通过管道或管线输送的烃组合物或者进入烃精制工艺的烃组合物,以及在生产、加工和使用的精制烃产物,开发烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的一个或多个预测模型。这些一个或多个模型是至少部分基于所述烃组合物的样品的分析开发的。使用机器学习算法开发所述模型。机器学习算法覆盖定性建模(非监督聚类0)和定量建模(监督回归和分类)。机器学习算法可包括主成分分析(PCA)、线性回归分析、逻辑回归分析、PCA聚类;k均值聚类;SVM(支持向量机);rf(随机森林);偏最小二乘法;神经网络;朴素贝叶斯分类法;线性判别分析;二次判别分析;梯度提升;提升树;决策树,等等。通过包含一些原油性质作为输入、一些蜡性质和化学性能作为输出的标记的数据集来训练(train,调度)这些预测模型。化学性能可以是沉积抑制率,化学性能水平(例如,高、中等、低),化学品建议,剂量推荐,等等。化学预测模型训练的实例包括使用完整的数据集训练分类模型。对于四种化学品,该模型使用总共167次实验观察(实验研究)和三类标签:H、M和L进行拟合。发现精度范围为~65-85%。分类模型的性能通常使用混淆矩阵表示,其中将所观察到的数据的分类针对模型预测到的分类制表。然后可以使用总体精确率作为性能指示物,其反映在所观察到的和所预测到的分类之间的一致性。
在108处,基于在104中的烃样品的分析使用在106中开发的所开发的预测模型预测烃样品的蜡风险。预测蜡风险可涉及预测如下的一种或多种:蜡出现温度(WAT)、倾点(PP)、蜡沉积可能性、蜡含量、重质蜡含量,等等。例如,图2A绘示显示在106中开发的预测模型预测原油和精制烃流体的WAT的能力的示范性结果的图。该示范性图显示所测量的WAT(x-轴)对所预测的WAT(y-轴)绘图。基于在104中进行的在烃样品上的IR分析的结果通过在106中训练的预测模型预测所预测的WAT。该图显示虚线表示绝对误差+/-5℃。图2B绘示显示在106中开发的预测模型预测原油和精制烃流体的PP的能力的示范性结果的图。该示范性图显示所测量的PP(x-轴)对所预测的PP(y-轴)绘图。所预测的PP是基于在104中进行的在烃样品上的IR分析的结果通过在106中训练的预测模型预测的。该图显示虚线表示绝对误差+/-5℃。图2C绘示显示在106中开发的预测模型预测原油和精制烃流体的蜡沉积可能性的能力的示范性结果的图。该示范性图显示三个原油样品–原油A、原油B和原油C。用于训练预测模型的所测量的值以圆圈表示。所预测的值以三角形表示。高沉积倾向显示为对角线的右边且低沉积倾向显示为对角线的左边。图2D是来自图2C的三个样品的图像。如可以看到的,具有高沉积倾向的样品的沉积大于具有低沉积倾向的样品的沉积。图2E绘示温度对原油和精制烃流体的蜡沉积可能性的影响的预测。该示范性图显示原油C的一个样品。用于训练预测模型的所测量的值以圆圈表示。所预测的值以三角形表示(在不同温度)。高沉积倾向显示为对角线的右边且低沉积倾向显示为对角线的左边。如可以看到的,当温度降低时沉积可能性增加。图2F是显示在25℃高沉积倾向和在40℃低沉积倾向的图2E中的样品的图像。
图2G是绘示预测模型预测油的重质蜡含量(n-C50+蜡)的能力的示范性结果的图。油包含的蜡的最重质部分(n-C50+)是冷却时沉淀的第一部分。结果,蜡质油导致凝结/结垢问题的可能性可以通过重质蜡含量表征。如本图所绘示的,所测量的值以圆圈表示且所预测的值以三角形表示。位于实黑线右边的油具有相对低的重质蜡含量,即,<0.1wt.%,而在黑线左侧所示的样品具有高重质蜡含量,即,>0.1wt.%。
图3是绘示确定蜡风险的示范性可替代方法和减轻烃组合物的方式的流程图。图3中所示的实施方式包括步骤102-108,如参照图1所描述的。图3进一步包括302开发用于管线的管流动模型和304基于在108处确定的管流动模型和蜡风险确定在所述管线中的蜡风险。通常,开发用于管线的管流动模型包括在开发管流动模型时使用管线的参数和操作条件。这些参数可包括,例如,沿管线(管线内部和外部(环境))不同位置处的温度,流动速率,压力,粘度,阀门位置,等等。参数可以从一直监测管线条件的系统和设备实时获取,或者它们可以从记录和/或存储的有关管线操作的数据中获取。在一些情形中,管线的参数和操作条件可包括实时和存储的信息的组合。图4是显示基于在108中预测的蜡风险预测在模型化管线中蜡沉积的结果的示范性图。如可以看到的,该图绘制了温度(管壁温度)对管线长度的关系。当管线长度增加且管壁温度下降时,蜡的沉积倾向增加。
图5是绘示又一示范性的确定蜡风险的可替代方法和减轻烃组合物的方式的流程图。在图3中所示的实施方式包括步骤102-108,如参照图1所描述的。图5进一步包括步骤502确定化学添加剂以减轻所确定的蜡风险。在一个方面,确定化学添加剂以减轻所确定的蜡风险包括基于在所述一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性选择一种或多种化学添加剂。在添加剂和蜡之间匹配的沉淀特性通常导致满意的性能。例如,如在示范性图6A和6B中所示,基于添加剂的沉淀特性,添加剂I很可能和蜡I(较重)相互作用且添加剂II很可能和蜡II(较轻)相互作用。如可以从图6A和6B的图中看到的,油I+添加剂I=-17℃且油II+添加剂IIΔPP=-20C。添加剂I+蜡II或者添加剂II+蜡I不匹配,导致无效力。沉淀特性的不匹配解释了效力的缺失。
在烃组合物的生产、运输、储存、加工、和/或分配期间可以施加化学添加剂。化学添加剂可包括如下的一种或多种:一种或多种润湿剂、破乳剂、洗涤剂、分散剂、稳定剂、防腐剂、硫化物或金属-硫化物溶解剂、聚合抑制剂、抗氧化剂和金属钝化剂,或其组合。
在一些情形中,添加剂可包括相似种类的化学添加剂的共混物。如上所述,可以基于在化学添加剂的共混物和在烃组合物中的蜡之间匹配的沉淀特性确定使蜡的沉积风险最小化的化学添加剂的共混物。下面的表1是显示两种添加剂的共混物是如何产生最佳倾点的实例:
表I
如表1中可以看到的,处理程序III产生最低倾点,因此它是本实例中的最佳化学添加剂共混物。
当确定要加入烃组合物的化学添加剂时,如上所述,可以测量或预测在烃组合物中的蜡的量。
在一个方面,基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性,确定化学添加剂(或化学添加剂共混物)以减轻所确定的蜡风险可包括开发定性的化学添加剂预测模型以便选择一种或多种化学添加剂。可以使用化学添加剂机器学习算法开发定性的化学添加剂预测模型。例如,化学添加剂机器学习算法可包括如下的一种或多种:随机决策森林(即,Random ForestTM,Salford Systems,San Diego,California)、主成分分析(PCA)聚类、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树、决策树,等等。
尽管在图6A和6B中未示出,所公开的方法的一种实施方式可以进一步包括确定化学添加剂减轻所确定的蜡风险的效力。在一个实例中,确定化学添加剂减轻所确定的蜡风险的效力包括基于在化学处理前后烃组合物的样品的分析确定烃组合物的倾点抑制的定性和定量预测。可以通过在化学处理前后进行所述样品的红外(IR)指纹分析来定量测量在烃中的实际变化如PP温度,这可用于训练化学添加剂效力预测模型,用于预测化学添加剂减轻所确定的蜡风险的效力。所述一个或多个化学添加剂效力预测模型是使用一种或多种化学添加剂效力机器学习算法如主成分分析(PCA)、线性回归等开发的。
图6C和6D绘示在作为化学添加剂潜在效力的指示的差示扫描量热法(DSC)热痕迹中的变化。从图6C中可以看到,经处理的和未经处理的油的DSC热痕迹几乎是相同的,暗示着该化学添加剂对蜡沉淀过程极小的影响,因此效力极小至无效力。相反,如图6D所示,在化学处理之后,蜡沉淀期间释放的热显著降低,暗示着蜡的分子排列受该化学添加剂的干扰和导致倾点显著降低。
通过将两种或更多种单独的烃样品共混也可以降低出蜡风险。最初使用具有高-蜡沉积倾向的烃类原油的油生产者或精制者可以将一种或多种具有低-蜡沉积倾向的烃类原油和高-蜡沉积倾向的原油共混以得到具有总体降低的蜡沉积倾向的共混物。该低蜡沉积原油可以以体积或重量计1%、2.5%、5%、10%、15%、20%或25%的比率,或者以体积或重量计1-25%、5-25%、10-25%或10-20%的比率共混。
本文所述的确定蜡风险的方法可以在烃生产、运输、精制、精制烃生产、加工、处置、储存和使用期间在线或离线进行。在离线测量中,可以用独立于烃车间的装置在与烃物流分开的样品上测量烃样品的蜡风险,且然后在烃物流上采取减轻步骤。例如,可以用适合的化学添加剂或添加剂共混物处理烃物流,或者在进入所关注的工艺之前将烃物流共混。在在线工艺中,可以在例如从井筒管道、管线、预-热交换器和其他精制设备取出或不取出样品的情况下测量物流。在一在线工艺中,实时且自动采纳一种或多种测量和/或可以实时且自动进行一种或多种预测和/或可以根据所述测量和/或预测实时且自动控制一个或多个工艺。基于所预测的蜡风险,生产者/精制者可以将减轻用化学品加至生产管道、加工罐、管线、脱盐器、热交换器等。也可以将减轻用化学品加至多个组成部分中。在一些选择的实施方式中,油生产者/精制者可以调节进入精制物流的单独原油的流速、共混顺序、温度和/或一种或多种烃物流的引入或移出。
本申请中给出的解决方案可以一定时间间隔进行或者它们可以动态进行,其基本上是实时进行并使用合适的计算机处理器。
上面已经描述了所述系统,包括各单元。本领域技术人员将会认识到,这是功能性描述且相应的功能可以通过软件、硬件、或软件和硬件的组合进行。单元可以是软件、硬件、或软件和硬件的组合。所述单元可以包括在原油生产、运输、精制、精制产品生产、加工和使用工艺中用于确定蜡风险以便视需要采取步骤减轻这些风险的软件。在一个示范性方面,所述单元可以包括如图7中绘示并在下面描述的包括处理器721的计算机700.
此外,所公开方面的全部或部分可以使用基于云端的加工和存储系统和容量(capabilities)实施。图7相关描述的计算机700可包括基于云端的加工和存储系统的一部分。可用于所公开的实施的一个这样的基于云端的服务器的非限制性实例是可得自General Electric Company(Schenectady,NY)的GE PredixTM。PredixTM是基于云端的PaaS(平台,作为服务器),其通过提供连接机器、数据和人员的标准方法,能够对资产绩效管理(APM)和操作优化进行工业规模分析。
图7绘示了可以用于以下的示范性计算机700:分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;基于所述烃组合物的样品的分析开发用于烃组合物进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的一个或多个烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的预测模型;和基于所开发的一个或多个预测模型确定蜡风险。在不同方面,图7的计算机可包括计算机700和/或工艺控制系统的全部或一部分。如本文中使用的,“计算机”可包括多个计算机。计算机700可包括例如一个或多个硬件组成部分,如处理器721、随机存取存储器(RAM)模块722,只读存储器(ROM)模块723、存储器724、数据库725、一个或多个输入/输出(I/O)装置726,和接口727。替代地和/或此外,计算机700可包括例如一个或多个软件组成部分,如计算机可读介质,包括用于进行与示范性实施方式有关的方法的计算机可执行指令。预期可使用软件运行上述列出的硬件组成部分的一个或多个。例如,存储724可包括与一个或多个其他硬件组成部分关联的软件分区(partion)。应理解上述列出的组成部分仅为示范性的且不意图限制。
处理器721可包括如下的一种或多种处理器,各自设置成执行指令和工艺数据以发挥与加工设备相关的一个或多个功能,以便在烃精制工艺中确定蜡风险和视需要采用步骤减轻这些风险。如本文中使用的,“处理器”721指执行编码指令以便在输入下发挥功能并产生输出的实物(物理)硬件设备。处理器721可以通讯连接至RAM 722、ROM 723、存储724、数据库725、I/O设备726,和接口727。处理器721可以设置成执行计算机程序指令序列以实施各种工艺。计算机程序指令可加载到RAM 722中以便经处理器721执行。
RAM 722和ROM 723可各自包括用于存储与处理器721的操作有关的信息的一种或多种设备。例如,ROM 723可包括存储器设备,其设置成存取和储存与计算机700相关的信息,包括用于识别、初始化和监测一个或多个组成部分和子系统的操作的信息。RAM 722可包括用于储存与处理器721的一个或多个操作有关的数据的存储器设备。例如,ROM 723可加载指令到RAM 722中以便通过处理器721执行。
存储724可包括任何类型的大容量(海量)存储设备,其设置成存储处理器721可需要的信息以进行与所公开的实施方式一致的工艺。例如,存储724可包括一种或多种磁盘和/或光盘设备,如硬盘驱动器、CD-ROM、DVD-ROM,或者任何其他类型的大众传媒(massmedia)设备。
数据库725可包括为存储、组织、分类、过滤和/或排列计算机700和/或处理器721所使用的数据而合作的一种或多种软件和/或硬件组成部分。预期数据库725可存储额外的和/或与上面列出的不同的信息。
I/O设备726可包括设置成与和计算机700有关的用户交流信息的一种或多种组成部分。例如,I/O设备726可包括具有集成键盘和鼠标的控制台以允许用户保持算法用于:分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;基于所述烃组合物的样品的分析开发用于烃组合物进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的一个或多个烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的预测模型;和基于所开发的一个或多个预测模型确定蜡风险,等等。I/O设备726也可以包括显示器,其包括用于在监测器上输出信息的图形用户接口(GUI)。I/O设备726还可包括例如,外围设备如打印与计算机700相关的信息的打印机,用户可访问的磁盘驱动(例如,USB端口、软盘、CD-ROM、或DVD-ROM驱动等)以允许用户输入储存在便携式媒体设备、麦克风、扬声器系统、或其他合适类型的接口设备上的数据。
接口727可包括一种或多种组成部分,其设置成经由通信网络如互联网、局域网、工作站对等网络、直连网络、无线网络、或任何其他合适的通讯平台来传送和接收数据。例如,接口727可包括如下的一种或多种:调制器、解调器、多路复合器(multiplexers)、多路分离器(demultiplexers)、网络通讯设备、无线设备、天线、调制解调器、和任何其他类型的设置成能够经由通讯网络进行数据通讯的设备。
下面,将本文所公开和描述的实施方式归纳在以字母标示的段落中:
A.确定并减轻烃组合物的蜡风险的方法包括:获取所述烃组合物的样品;分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;基于所述烃组合物的样品的分析开发用于烃组合物进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的一个或多个烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的预测模型;基于所述烃组合物的样品的分析;基于所开发的一个或多个预测模型确定蜡风险和减轻所确定的蜡风险的一个或多个。
B.在A中所述的方法,进一步包括开发用于管线的管流动模型和基于所述管流动模型和所确定的蜡风险来确定在所述管线中的蜡风险。
C.在B中所述的方法,其中开发用于管线的管流动模型包括在开发管流动模型时使用管线的参数和操作条件。
D.在C中所述的方法,其中所述管线的参数和操作条件包括管线的实时参数和操作条件。
E.在C和D任一项中所述的方法,其中所述管线的参数和操作条件包括管线的历史参数和操作条件。
F.在A-E任一项中所述的方法,进一步包括确定化学添加剂以减轻所确定的蜡风险的一个或多个。
G.在F中所述的方法,其中确定化学添加剂以减轻所确定的蜡风险的一个或多个包括基于在所述一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性和/或与所述烃的组成有关的属性选择一种或多种化学添加剂。
H.在F中所述的方法,进一步包括确定化学添加剂的共混物以减轻所确定的蜡风险的一个或多个。
I.在H中所述的方法,其中基于在化学添加剂的共混物和在烃组合物中的蜡之间匹配的沉淀特性确定所述化学添加剂的共混物。
J.在G-I任一项中所述的方法,其中基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性而确定在所述烃组合物中的蜡。
K.在F中所述的方法,其中确定化学添加剂以减轻所确定的蜡风险的一个或多个包括基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性来开发用于选择一种或多种化学添加剂的定性的化学添加剂预测模型。
L.在K中所述的方法,其中所述定性的化学添加剂预测模型是使用化学添加剂机器学习算法开发的。
M.在L中所述的方法,其中所述化学添加剂机器学习算法包括如下的一种或多种:随机决策森林、主成分分析(PCA)聚类、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树,或决策树。
N.在F-M任一项中所述的方法,进一步包括确定化学添加剂减轻所确定的蜡风险的一个或多个的效力。
O.在N中所述的方法,其中确定化学添加剂减轻所确定的蜡风险的一个或多个的效力包括基于在化学处理前后烃组合物的样品的分析确定烃组合物的倾点抑制的定性和定量预测。
P.在O中所述的方法,其中所述在化学处理前后烃组合物的样品的分析包括在化学处理前后进行所述样品的红外(IR)指纹分析。
Q.在P中所述的方法,进一步包括基于在化学处理前后所述样品的IR指纹分析开发一种或多种化学添加剂效力预测模型以预测化学添加剂减轻所确定的蜡风险的一个或多个的效力。
R.在Q中所述的方法,其中使用一种或多种化学添加剂效力机器学习算法开发所述一个或多个化学添加剂效力预测模型。
S.在R中所述的方法,其中所述一种或多种化学添加剂效力机器学习算法包括主成分分析(PCA)和线性回归。
T.在A-S任一项中所述的方法,其中分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的变量分析的组合,从而确定所述样品的一个或多个属性。
U.在T中所述的方法,其中所述指纹分析包括使用光谱法。
V.在U中所述的方法,其中所述光谱法包括如下的一种或多种:红外(IR)光谱法、温度相关IR光谱法、二维(2D)光谱法、紫外(UV)光谱法、近红外光谱法、中红外光谱法和核磁共振光谱法。
W.在T-V任一项中所述的方法,其中所述一个或多个属性包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
X.在W中所述的方法,其中基于所述烃组合物的样品的一个或多个测量的属性预测如下的一种或多种:总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
Y.在X中所述的方法,其中使用显微术、UV-vis光谱法、光散射或声共振测量所述特性的一种或多种。
Z.在T-Y任一项中所述的方法,其中所述指纹分析在低于所述烃组合物的蜡出现温度(WAT)的温度下进行。
AA.在A-Z任一项中所述的方法,其中使用一种或多种机器学习算法开发所述烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的一个或多个预测模型。
BB.在AA中所述的方法,其中所述一种或多种机器学习算法包括主成分分析(PCA)、线性回归和逻辑回归。
CC.在A-BB任一项中所述的方法,其中所确定的蜡风险包括如下的一种或多种:蜡含量、重质蜡含量、蜡出现温度(WAT)、倾点(PP)和蜡沉积可能性。
DD.在A-CC任一项中所述的方法,其中减轻所确定的蜡风险的一个或多个包括调整所述烃组合物的生产、运输、储存、加工和/或分配以降低所确定的蜡风险。
EE.降低烃组合物中的蜡风险的方法,包括:获取所述烃组合物的样品;通过如下确定一个或多个蜡风险:分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;基于所述烃组合物的样品的分析开发用于所述烃组合物的一个或多个预测模型;和基于所开发的一个或多个预测模型确定所述一个或多个蜡风险;以及调整所述烃组合物的生产、运输、储存、加工和/或分配以降低所述蜡风险。
FF.在EE中所述的方法,进一步包括开发用于管线的管流动模型和基于所确定的蜡风险确定在所述管线中的蜡风险。
GG.在FF中所述的方法,其中开发用于管线的管流动模型包括在开发管流动模型时使用管线的参数和操作条件。
HH.在GG中所述的方法,其中所述管线的参数和操作条件包括管线的实时参数和操作条件。
II.在GG和HH任一项中所述的方法,其中所述管线的参数和操作条件包括管线的历史参数和操作条件。
JJ.在EE-II任一项中所述的方法其中所述烃组合物的生产、运输、储存、加工和/或分配的调整包括确定一种或多种化学添加剂以和所述烃组合物组合,从而减轻所确定的蜡风险的一个或多个。
KK.在JJ中所述的方法,其中所述一种或多种化学添加剂包括如下的一种或多种:润湿剂、破乳剂、洗涤剂、分散剂、稳定剂、防腐剂、硫化物或金属-硫化物溶解剂、聚合抑制剂、抗氧化剂和金属钝化剂,或其组合。
LL.在JJ和KK任一项中所述的方法,其中确定化学添加剂以减轻所确定的蜡风险的一个或多个包括基于在所述一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性选择一种或多种化学添加剂。
MM.在JJ-LL任一项中所述的方法,进一步包括确定化学添加剂的共混物以减轻所确定的蜡风险的一个或多个。
NN.在MM中所述的方法,其中基于在化学添加剂的共混物和在烃组合物中的蜡之间匹配的沉淀特性确定所述化学添加剂的共混物。
OO.在LL-NN任一项中所述的方法,其中基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性来确定在烃组合物中的蜡。
PP.在OO中所述的方法,其中确定一种或多种化学添加剂以减轻所确定的蜡风险包括基于所述烃组合物的样品的分析以确定所述烃组合物的样品的一个或多个属性来开发用于选择一种或多种化学添加剂的定性的化学添加剂预测模型。
QQ.在PP中所述的方法,其中所述定性的化学添加剂预测模型是使用化学添加剂机器学习算法开发的。
RR.在QQ中所述的方法,其中所述化学添加剂机器学习算法包括如下的一种或多种:随机决策森林、主成分分析(PCA)聚类、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树或决策树。
SS.在JJ-RR任一项中所述的方法,其中所述烃组合物的生产、运输、储存、加工和/或分配的调整包括将所述一种或多种化学添加剂添加至以下:在进入输送系统或原油储存罐中的烃组合物,保持进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用工艺的原油的烃储存罐区,水洗,脱盐器,在精制工艺的脱盐之后的热预热机组,或其组合。
TT.在JJ-SS中所述的方法,进一步包括确定化学添加剂减轻所确定的蜡风险的一个或多个的效力。
UU.在TT中所述的方法,其中确定化学添加剂减轻所确定的蜡风险的一个或多个的效力包括基于在化学处理前后烃组合物的样品的分析确定烃组合物的倾点抑制的定性和定量预测。
VV.在UU中所述的方法,其中所述在化学处理前后烃组合物的样品的分析包括在化学处理前后进行所述样品的红外(IR)指纹分析。
WW.在VV中所述的方法,进一步包括基于在化学处理前后所述样品的IR指纹分析开发一种或多种化学添加剂效力预测模型以预测化学添加剂减轻所确定的蜡风险的一个或多个的效力。
XX.在WW中所述的方法,其中使用一种或多种化学添加剂效力机器学习算法开发所述一个或多个化学添加剂效力预测模型。
YY.在XX中所述的方法,其中所述一种或多种化学添加剂效力机器学习算法包括主成分分析(PCA)和线性回归。
ZZ.在EE-YY任一项中所述的方法,其中分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种从而确定所述样品的一个或多个属性:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的变量分析的组合。
AAA.在ZZ中所述的方法,其中所述指纹分析包括使用光谱法。
BBB.在AAA中所述的方法,其中所述光谱法包括如下的一种或多种:红外(IR)光谱法、温度相关IR光谱法、二维(2D)光谱法、紫外(UV)光谱法、近红外光谱法、中红外光谱法和核磁共振光谱法。
CCC.在ZZ-BBB任一项中所述的方法,其中所述一个或多个属性包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
DDD.在CCC中所述的方法,其中基于所述烃组合物的样品的一个或多个测量的属性预测以下的一种或多种:总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
EEE.在DDD中所述的方法,其中使用显微术、UV-vis光谱法、光散射或声共振测量所述特性的一种或多种。
FFF.在ZZ-EEE任一项中所述的方法,其中所述指纹分析在低于所述烃组合物的蜡出现温度(WAT)的温度下进行。
GGG.在EE-FFF任一项中所述的方法,其中使用一种或多种机器学习算法开发所述烃精制的一个或多个预测模型。
HHH.在GGG中所述的方法,其中所述一种或多种机器学习算法包括主成分分析(PCA)、线性回归和逻辑回归。
III.在EE-HHH任一项中所述的方法,其中所确定的蜡风险包括如下的一种或多种:蜡出现温度(WAT)、倾点(PP)和蜡沉积可能性。
JJJ.在EE-III任一项中所述的方法,其中开发烃组合物的一个或多个预测模型包括开发:用于烃组合物的制造、运输、精制、精制烃生产、加工、处置、储存、使用的一个或多个预测模型;用于烃组合物进入烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的工艺的一个或多个预测模型;或者当烃组合物在整个烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的工艺中移动时用于所述烃组合物的一个或多个预测模型;各预测模型基于所述烃组合物的样品的分析。
KKK.用于在烃工艺的管理中使用预测分析学的系统,所述系统包括:存储器,其中所述存储器存储计算机可读指令;和与该存储器通讯连接的处理器,其中所述处理器执行在所述存储器上存储的计算机可读指令,所述计算机可读指令导致所述处理器:接收烃样品的分析,基于在所述烃样品的分析中确定的所述烃组合物的样品的一个或多个属性开发用于烃的一个或多个预测模型;基于所开发的一个或多个预测模型确定蜡风险;和基于所确定的蜡风险控制所述烃工艺的各方面以减轻所确定的蜡风险的一个或多个,其中所述分析通过以下步骤获取:获取所述烃组合物的样品;和分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性。
LLL.在KKK中所述的系统,进一步包括使所述处理器执行指令以开发用于管线的管流动模型和基于所确定的蜡风险来确定所述管线中的蜡风险.
MMM.在LLL中所述的系统,其中开发用于管线的管流动模型包括使所述处理器执行指令以接收和使用在开发所述管流动模型时管线的参数和操作条件.
NNN.在MMM中所述的系统,其中所述管线的参数和操作条件被所述处理器实时接收。
OOO.在MMM和NNN任一项中所述的系统,其中所述管线的参数和操作条件包括从所述存储器查询并提供至所述处理器的管线的历史参数和操作条件。
PPP.在KKK-OOO任一项中所述的系统,其中管理烃工艺的各方面包括使所述处理器执行指令以确定一种或多种化学添加剂从而与所述烃组合物组合以减轻所确定的蜡风险。
QQQ.在PPP中所述的系统,其中所述一种或多种化学添加剂包括如下的一种或多种:润湿剂、破乳剂、洗涤剂、分散剂、稳定剂、防腐剂、硫化物或金属-硫化物溶解剂、聚合抑制剂、抗氧化剂和金属钝化剂,或其组合。
RRR.在PPP和QQQ任一项中所述的系统,其中所述处理器确定化学添加剂以减轻所确定的蜡风险包括使所述处理器执行指令以基于在所述一种或多种化学添加剂和在所述烃组合物中的蜡之间匹配的沉淀特性选择一种或多种化学添加剂。
SSS.在PPP-RRR中任一项所述的系统,进一步包括使所述处理器执行指令以确定化学添加剂的共混物从而减轻所确定的蜡风险。
TTT.在SSS中所述的系统,其中所述化学添加剂的共混物是基于如下确定的:使所述处理器执行指令以使在所述化学添加剂的共混物和在烃组合物中的蜡之间的沉淀特性匹配。
UUU.在RRR-TTT任一项中所述的系统,其中基于所述烃组合物所接收的样品分析通过处理器确定在烃组合物中的蜡。
VVV.在UUU中所述的系统,其中使所述处理器执行指令以确定一种或多种化学添加剂从而减轻所确定的蜡风险包括使所述处理器执行指令以基于所述烃组合物所接收的样品分析来开发定性的化学添加剂预测模型用于选择一种或多种化学添加剂。
WWW.在VVV中所述的系统,其中通过包括一种或多种化学添加剂机器学习算法的执行指令开发所述定性的化学添加剂预测模型。
XXX.在WWW中所述的系统,其中所述化学添加剂机器学习算法包括如下的一种或多种:随机决策森林、主成分分析(PCA)聚类、k均值聚类、支持向量机(SVM)、偏最小二乘法、神经网络、朴素贝叶斯分类法、线性判别分析、二次判别分析、梯度提升、提升树或决策树.
YYY.在PPP-XXX任一项中所述的系统,其中控制所述烃工艺的各方面包括使所述处理器执行指令以将所述一种或多种化学添加剂加至烃组合物。
ZZZ.在PPP-YYY任一项中所述的系统,进一步包括使所述处理器执行指令以确定化学添加剂减轻所确定的蜡风险的效力。
AAAA.在ZZZ中所述的系统,其中确定化学添加剂减轻所确定的蜡风险的效力包括使所述处理器执行指令以基于在化学处理前后烃组合物的样品的分析来确定烃组合物的倾点抑制的定性和定量预测。
BBBB.在AAAA中所述的系统,其中所述在化学处理前后烃组合物的样品的分析包括使所述处理器执行指令以在化学处理前后进行所述样品的红外(IR)指纹分析。
CCCC.在BBBB中所述的系统,进一步包括使所述处理器执行指令以基于在化学处理前后所述样品的IR指纹分析开发一种或多种化学添加剂效力预测模型从而预测化学添加剂减轻所确定的蜡风险的效力。
DDDD.在CCCC中所述的系统,其中所述一个或多个化学添加剂效力预测模型是通过包括一种或多种化学添加剂效力机器学习算法的处理器执行指令开发的。
EEEE.在DDDD中所述的系统,其中所述一种或多种化学添加剂效力机器学习算法包括使所述处理器执行指令以进行主成分分析(PCA)或线性回归分析。
FFFF.在KKK-EEEE任一项中所述的系统,其中分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的变量分析的组合,从而确定所述样品的一个或多个属性。
GGGG.在FFFF中所述的系统,其中所述指纹分析包括使用光谱法。
HHHH.在GGGG中所述的系统,其中所述光谱法包括如下的一种或多种:红外(IR)光谱法、温度相关IR光谱法、二维(2D)光谱法、紫外(UV)光谱法、近红外光谱法、中红外光谱法和核磁共振光谱法。
IIII.在FFFF-HHHH任一项中所述的系统,其中所述一个或多个属性包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
JJJJ.在IIII中所述的系统,其中基于所述烃组合物的样品的一个或多个测量的属性预测如下的一种或多种:总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
KKKK.在JJJJ中所述的系统,其中所述特性的一种或多种是使用显微术、UV-vis光谱法、光散射或声共振测量的。
LLLL.在FFFF-LLLL任一项中所述的系统,其中所述指纹分析在低于所述烃组合物的蜡出现温度(WAT)的温度下进行。
MMMM.在KKK-LLLL任一项中所述的系统,其中所述烃精制的一个或多个预测模型是通过所述处理器执行包括一种或多种机器学习算法的指令而开发的。
NNNN.在MMMM中所述的系统,其中所述一种或多种机器学习算法包括主成分分析(PCA)、线性回归和逻辑回归。
OOOO.在KKK-NNNN任一项中所述的系统,其中所述使所述处理器执行指令以确定蜡风险包括确定如下的一种或多种:蜡出现温度(WAT)、倾点(PP)和蜡沉积可能性。
PPPP.在KKK-OOOO任一项中所述的系统,其中基于所确定的蜡风险控制所述烃工艺的各方面以减轻所确定的蜡风险的一个或多个包括在烃组合物进入生产、运输、精制、精制烃生产、加工、处置、储存和使用时或者在整个生产、运输、精制、精制烃生产、加工、处置、储存和使用中移动时控制如下的一个或多个:烃生产、运输、精制、精制烃生产、加工、处置、储存和使用。
虽然结合优选的实施方式和特定的实施例对所述方法和系统进行了说明,但不意图范围受限于所阐述的特定实施方式,因为本文的实施方式在所有方面意图是说明性的而非限制性的。
除非以其他方式明确地指出,否则绝不意指将本文阐述的任何方法解释为要求其步骤以特定顺序进行。因此,在方法权利要求实际上没有描述其步骤与遵循的顺序或者在权利要求书或说明书中没有以其他方式具体描述该步骤限于特定的顺序,在任何方面绝不意指暗示了顺序。这支持任何可能的解释的非表达基础(非直达基础,non-expressbasis),包括:关于步骤安排或操作流程的逻辑事务;由语法组织或标点符号衍生的明白含义;在说明书中描述的数量和类型。
贯穿本申请,可以参考各种公开文献。这些公开文献的公开内容以其整体并入本申请中作为参考,以便更全面地描述所述方法和系统适用的现有技术的状态。
对本领域的技术人员显而易见的是,在不背离本发明范围或实质(精神)的情况下可以进行各种其它变化和修改。由本文公开的说明书和实践的考量,其他实施方式对于本领域技术人员将是显而易见的。意指该说明书和实施例仅被认为是示范性的,真正的范围和实质通过下面的权利要求书表明。
Claims (28)
1.确定并减轻烃组合物的蜡风险的方法,包括:
获取所述烃组合物的样品;
分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;
基于所述烃组合物的样品的分析开发用于所述烃组合物进入烃生产、运输、精制、精制烃生产、加工和使用工艺的一个或多个烃生产、运输、精制、精制烃生产、加工和使用工艺的预测模型;
基于所开发的一个或多个预测模型确定蜡风险;和
减轻所确定的蜡风险的一个或多个。
2.权利要求1所述的方法,进一步包括开发用于管线的管流动模型并基于所述管流动模型和所确定的蜡风险确定在所述管线中的蜡风险。
3.权利要求1-2任一项所述的方法,进一步包括确定化学添加剂以减轻所确定的蜡风险的一个或多个。
4.权利要求3所述的方法,其中确定化学添加剂以减轻所确定的蜡风险的一个或多个包括基于如下选择一种或多种化学添加剂:在所述一种或多种化学添加剂与所述烃组合物中的蜡之间匹配的沉淀特性、和/或与所述烃的组成有关的属性。
5.权利要求1-4任一项所述的方法,其中分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种以确定所述样品的一个或多个属性:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的各种分析的组合。
6.权利要求1-6任一项所述的方法,其中所述一个或多个属性包括:总酸值(TAN),美国石油学会重力(American Petroleum Institute gravity,API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
7.权利要求1-6任一项所述的方法,其中使用一种或多种机器学习算法开发所述烃生产、运输、精制、精制烃生产、加工、处置、储存和使用的一个或多个预测模型。
8.权利要求7所述的方法,其中所述一种或多种机器学习算法包括主成分分析(PCA)、线性回归和逻辑回归。
9.权利要求1-8任一项所述的方法,其中所确定的蜡风险包括如下的一个或多个:蜡含量、重质蜡含量、蜡出现温度(WAT)、倾点(PP)和蜡沉积可能性。
10.权利要求1-9任一项所述的方法,其中减轻所确定的蜡风险的一个或多个包括调整所述烃组合物的生产、运输、储存、加工和/或分配以降低所确定的蜡风险。
11.降低烃组合物中的蜡风险的方法,包括:
获取所述烃组合物的样品;
通过如下确定一个或多个蜡风险:
分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性;
基于所述烃组合物的样品的分析开发用于所述烃组合物的一个或多个预测模型;和
基于所开发的一个或多个预测模型确定所述一个或多个蜡风险;以及
调整所述烃组合物的生产、运输、储存、加工和/或分配以降低所述蜡风险。
12.权利要求11所述的方法,进一步包括开发用于管线的管流动模型并基于所确定的蜡风险确定在所述管线中的蜡风险。
13.权利要求11-12任一项所述的方法,其中所述烃组合物的生产、运输、储存、加工和/或分配的调整包括确定一种或多种化学添加剂以和所述烃组合物组合,从而减轻所确定的蜡风险的一个或多个。
14.权利要求13所述的方法,其中确定化学添加剂以减轻所确定的蜡风险的一个或多个包括基于在所述一种或多种化学添加剂与所述烃组合物中的蜡之间匹配的沉淀特性选择一种或多种化学添加剂。
15.权利要求10-14任一项所述的方法,其中分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种以确定所述样品的一个或多个属性:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的各种分析的组合。
16.权利要求10-15任一项所述的方法,其中使用一种或多种机器学习算法开发烃精制的一个或多个预测模型。
17.权利要求16所述的方法,其中所述一种或多种机器学习算法包括主成分分析(PCA)、线性回归和逻辑回归。
18.权利要求10-17任一项所述的方法,其中所确定的蜡风险包括如下的一个或多个:蜡出现温度(WAT)、倾点(PP)、蜡含量、重质蜡含量和蜡沉积可能性。
19.用于在烃工艺的管理中使用预测分析学的系统,所述系统包括:
存储器,其中所述存储器存储计算机可读指令;和
与所述存储器通讯连接的处理器,其中所述处理器执行在所述存储器上存储的计算机可读指令,所述计算机可读指令使所述处理器:
接收烃样品的分析,
基于在所述烃样品的分析中确定的所述烃组合物的样品的一个或多个属性开发用于烃的一个或多个预测模型;
基于所开发的一个或多个预测模型确定蜡风险;和
基于所确定的蜡风险控制所述烃工艺的各方面以减轻所确定的蜡风险的一个或多个,
其中所述分析通过以下步骤获取:
获取所述烃组合物的样品;和
分析所述烃组合物的样品以确定所述烃组合物的样品的所述一个或多个属性。
20.权利要求19所述的系统,进一步包括使所述处理器执行指令以开发用于管线的管流动模型和基于所确定的蜡风险来确定所述管线中的蜡风险。
21.权利要求19-20任一项所述的系统,其中控制所述烃工艺的各方面包括使所述处理器执行指令以确定一种或多种化学添加剂来与所述烃组合物组合以减轻所确定的蜡风险。
22.权利要求21所述的系统,其中所述处理器确定化学添加剂以减轻所确定的蜡风险包括使所述处理器执行指令以基于在所述一种或多种化学添加剂与所述烃组合物中的蜡之间匹配的沉淀特性选择一种或多种化学添加剂。
23.权利要求19-22任一项所述的系统,其中分析所述烃组合物的样品以确定所述烃组合物的样品的一个或多个属性包括进行如下的一种或多种以确定所述样品的一个或多个属性:所述样品的指纹分析,所述样品的高温气相色谱(HTGC)分析,差示扫描量热分析,电感耦合等离子体质谱分析或者所述样品的各种分析的组合。
24.权利要求19-23任一项所述的系统,其中所述一个或多个属性包括总酸值(TAN),美国石油学会重力(API重力),比重(SG),SARA(饱和烃、芳香烃、胶质、沥青质),胶体不稳定性指数(CII),粘度,流变性,蜡含量,重质蜡含量,蜡出现温度(WAT)和倾点(PP)。
25.权利要求19-24任一项所述的系统,其中所述烃精制的一个或多个预测模型是通过包括一种或多种机器学习算法的处理器执行指令而开发的。
26.权利要求25所述的系统,其中所述一种或多种机器学习算法包括主成分分析(PCA)、线性回归和逻辑回归。
27.权利要求19-26任一项所述的系统,其中使所述处理器执行指令以确定蜡风险包括确定如下的一个或多个:蜡出现温度(WAT)、倾点(PP)、蜡含量、重质蜡含量和蜡沉积可能性。
28.权利要求19-27任一项所述的系统,其中基于所确定的蜡风险控制所述烃工艺的各方面以减轻所确定的蜡风险的一个或多个包括在所述烃组合物进入生产、运输、精制、精制烃生产、加工、处置、储存和使用或者移动通过生产、运输、精制、精制烃生产、加工、处置、储存和使用时控制如下的一个或多个:烃生产、运输、精制、精制烃生产、加工、处置、储存和使用。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/079875 WO2018187898A1 (en) | 2017-04-10 | 2017-04-10 | Wax risk assessment and mitigation using advanced data analytics and pipe flow modeling |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110494748A true CN110494748A (zh) | 2019-11-22 |
Family
ID=63793092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780089491.3A Pending CN110494748A (zh) | 2017-04-10 | 2017-04-10 | 使用先进数据分析法和管流动模型的蜡风险评估和减轻 |
Country Status (8)
Country | Link |
---|---|
US (1) | US11513111B2 (zh) |
EP (1) | EP3610256A4 (zh) |
CN (1) | CN110494748A (zh) |
AU (1) | AU2017409024A1 (zh) |
BR (1) | BR112019021352B1 (zh) |
CA (1) | CA3057179C (zh) |
MY (1) | MY195879A (zh) |
WO (1) | WO2018187898A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11480709B2 (en) * | 2019-10-21 | 2022-10-25 | Chevron U.S.A. Inc. | Systems and methods for predicting hydrocarbon production and assessing prediction uncertainty |
ES2960010T3 (es) * | 2020-04-27 | 2024-02-29 | Petroleos Del Norte S A | Método, sistema y producto programa informático para la supervisión en línea de una refinería de petróleo |
WO2022082010A1 (en) * | 2020-10-16 | 2022-04-21 | Saudi Arabian Oil Company | Detecting equipment defects using lubricant analysis |
WO2023196389A1 (en) * | 2022-04-05 | 2023-10-12 | Schlumberger Technology Corporation | Determination of asphaltene onset condition of reservoir fluids during downhole fluid analysis |
WO2024097686A1 (en) * | 2022-10-31 | 2024-05-10 | Chevron U.S.A. Inc. | Monitoring and predicting pipeline gelation risk |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6087662A (en) | 1998-05-22 | 2000-07-11 | Marathon Ashland Petroleum Llc | Process for analysis of asphaltene content in hydrocarbon mixtures by middle infrared spectroscopy |
FR2806803B1 (fr) | 2000-03-24 | 2002-10-25 | Inst Francais Du Petrole | Methode de prediction precoce du risque de depot de paraffines en cours de production et de transport |
US7813894B2 (en) * | 2006-12-14 | 2010-10-12 | General Electric Company | Method and system for assessing the performance of crude oils |
US7920970B2 (en) | 2008-01-24 | 2011-04-05 | Schlumberger Technology Corporation | Methods and apparatus for characterization of petroleum fluid and applications thereof |
CN107922855A (zh) | 2015-07-31 | 2018-04-17 | 通用电气公司 | 用于动态控制烃精制过程的预测分析的系统和方法 |
US11021656B2 (en) | 2015-12-07 | 2021-06-01 | Bl Technologies, Inc. | System and method to mitigate fouling during a hydrocarbon refining process |
WO2018053248A1 (en) * | 2016-09-16 | 2018-03-22 | Ecolab Usa Inc. | Fatty alcohols and esters for crude oil treatment |
-
2017
- 2017-04-10 US US16/604,199 patent/US11513111B2/en active Active
- 2017-04-10 AU AU2017409024A patent/AU2017409024A1/en not_active Abandoned
- 2017-04-10 EP EP17905080.2A patent/EP3610256A4/en active Pending
- 2017-04-10 MY MYPI2019004714A patent/MY195879A/en unknown
- 2017-04-10 CA CA3057179A patent/CA3057179C/en active Active
- 2017-04-10 BR BR112019021352-0A patent/BR112019021352B1/pt active IP Right Grant
- 2017-04-10 WO PCT/CN2017/079875 patent/WO2018187898A1/en unknown
- 2017-04-10 CN CN201780089491.3A patent/CN110494748A/zh active Pending
Non-Patent Citations (3)
Title |
---|
YING XIE 等: "A prediction method for the wax deposition rate based on a radial basis function neural network", 《PETROLEUM》 * |
盖芸: "含蜡原油管道蜡沉积模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
靳文博: "含蜡原油蜡沉积规律与预测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
BR112019021352A8 (pt) | 2022-11-08 |
MY195879A (en) | 2023-02-27 |
WO2018187898A1 (en) | 2018-10-18 |
US11513111B2 (en) | 2022-11-29 |
BR112019021352B1 (pt) | 2022-11-22 |
BR112019021352A2 (pt) | 2020-06-16 |
CA3057179A1 (en) | 2018-10-18 |
EP3610256A4 (en) | 2021-04-28 |
AU2017409024A1 (en) | 2019-08-15 |
CA3057179C (en) | 2024-01-16 |
US20200033317A1 (en) | 2020-01-30 |
EP3610256A1 (en) | 2020-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110494748A (zh) | 使用先进数据分析法和管流动模型的蜡风险评估和减轻 | |
CA2670958C (en) | Method and system for assessing the performance of crude oils | |
Awotunde et al. | Consideration of voidage-replacement ratio in well-placement optimization | |
Ochoa-Estopier et al. | Optimization of heat-integrated crude oil distillation systems. Part I: The distillation model | |
EP2416153B1 (en) | Method for predicting the quality and yields of a crude oil | |
WO2005015476A2 (en) | System and method for determining equivalency factors for use in comparative performance analysis of industrial facilities | |
Hernandez et al. | Use of artificial neural networks for predicting crude oil effect on carbon dioxide corrosion of carbon steels | |
Gueddar et al. | Novel model reduction techniques for refinery-wide energy optimisation | |
CN107922855A (zh) | 用于动态控制烃精制过程的预测分析的系统和方法 | |
Goel et al. | Prediction of API values of crude oils by use of saturates/aromatics/resins/asphaltenes analysis: computational-intelligence-based models | |
Naseri et al. | A neural network model and an updated correlation for estimation of dead crude oil viscosity | |
Alhajree et al. | Modeling and optimization of an industrial hydrocracker plant | |
CN106281431B (zh) | 一种加氢裂化装置反应深度的实时预测方法及装置 | |
CN107250787A (zh) | 石脑油料流的相对评价方法 | |
Ahmadi et al. | Upgrading fuzzy logic by GA-PS to determine asphaltene stability in crude oil | |
US10566079B2 (en) | Characterization of complex hydrocarbon mixtures | |
Karaba et al. | Substitute composition of naphtha based on density, SIMDIST, and PIONA for modeling of steam cracking | |
US11021656B2 (en) | System and method to mitigate fouling during a hydrocarbon refining process | |
RU2745291C2 (ru) | Способ и устройство для обессоливания | |
H’ng et al. | Optimisation of vacuum distillation units in oil refineries using surrogate models | |
Fatourehchi et al. | PREDICTION OF GAS HYDRATE FORMATION TEMPERATURE IN THE PRESENCE OF METHANOL INHIBITOR IN GAS PIPELINE USING ARTIFICIAL INTELLIGENCE (AI) AND GENETIC ALGORITHM (GA). | |
Rasmussen | Optimisation of Central Offshore Process Equipment and Weight Estimations | |
H’ng et al. | Optimising of vacuum distillation units using surrogate models | |
Oliveira et al. | The Use of Artificial Neural Networks for Prediction of Water in Oil Emulsions' Viscosity from Brazilian Light Oils | |
Gueddar et al. | Data-Based Model Reduction for Refinery-Wide Optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220425 Address after: Minn Applicant after: BL Technology Co.,Ltd. Address before: New York, United States Applicant before: General Electric Co. |
|
TA01 | Transfer of patent application right |