ES2731891T3 - Método para predecir la estabilidad de corrientes de proceso de hidrocarburos usando espectros de infrarrojo cercano - Google Patents
Método para predecir la estabilidad de corrientes de proceso de hidrocarburos usando espectros de infrarrojo cercano Download PDFInfo
- Publication number
- ES2731891T3 ES2731891T3 ES09744537T ES09744537T ES2731891T3 ES 2731891 T3 ES2731891 T3 ES 2731891T3 ES 09744537 T ES09744537 T ES 09744537T ES 09744537 T ES09744537 T ES 09744537T ES 2731891 T3 ES2731891 T3 ES 2731891T3
- Authority
- ES
- Spain
- Prior art keywords
- spectrum
- samples
- stability
- process stream
- hydrocarbon process
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 123
- 230000008569 process Effects 0.000 title claims abstract description 53
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 39
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 39
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 38
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 69
- 238000002835 absorbance Methods 0.000 claims abstract description 27
- 238000007620 mathematical function Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims 1
- IMNFDUFMRHMDMM-UHFFFAOYSA-N N-Heptane Chemical compound CCCCCCC IMNFDUFMRHMDMM-UHFFFAOYSA-N 0.000 description 37
- 239000000523 sample Substances 0.000 description 26
- 239000010779 crude oil Substances 0.000 description 25
- 238000005336 cracking Methods 0.000 description 17
- 239000003921 oil Substances 0.000 description 13
- 238000005259 measurement Methods 0.000 description 11
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 9
- 239000002904 solvent Substances 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 238000005189 flocculation Methods 0.000 description 6
- 230000016615 flocculation Effects 0.000 description 6
- 238000004227 thermal cracking Methods 0.000 description 6
- 125000003118 aryl group Chemical group 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005191 phase separation Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 239000011347 resin Substances 0.000 description 5
- 229920005989 resin Polymers 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004497 NIR spectroscopy Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000010763 heavy fuel oil Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 3
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- 150000001491 aromatic compounds Chemical class 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000010224 classification analysis Methods 0.000 description 3
- 238000010790 dilution Methods 0.000 description 3
- 239000012895 dilution Substances 0.000 description 3
- 238000004821 distillation Methods 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000007670 refining Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000007655 standard test method Methods 0.000 description 3
- 238000004448 titration Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OFBQJSOFQDEBGM-UHFFFAOYSA-N Pentane Chemical compound CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 2
- 238000011481 absorbance measurement Methods 0.000 description 2
- 125000000217 alkyl group Chemical group 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004939 coking Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002270 dispersing agent Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004090 dissolution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000001935 peptisation Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001376 precipitating effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 241001507928 Aria Species 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 235000004494 Sorbus aria Nutrition 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000003705 background correction Methods 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000001246 colloidal dispersion Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 239000012084 conversion product Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 239000012470 diluted sample Substances 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- -1 for example Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- KWHDXJHBFYQOTK-UHFFFAOYSA-N heptane;toluene Chemical compound CCCCCCC.CC1=CC=CC=C1 KWHDXJHBFYQOTK-UHFFFAOYSA-N 0.000 description 1
- 125000005842 heteroatom Chemical group 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 125000003367 polycyclic group Chemical group 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000012066 statistical methodology Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011269 tar Substances 0.000 description 1
- 239000011273 tar residue Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000005292 vacuum distillation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/022—Liquids
- G01N2291/0226—Oils, e.g. engine oils
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Un método para predecir la estabilidad en una corriente de proceso de hidrocarburos usando un espectro de infrarrojo cercano combinado con un modelo de correlación, comprendiendo el método: (a) medir un valor de estabilidad que corresponde a cada una de una pluralidad de muestras de la corriente de proceso de hidrocarburos, o de una corriente de proceso de hidrocarburos diferente del mismo tipo, para producir un primer conjunto de datos; (b) seleccionar uno o más números de onda en el espectro de infrarrojo cercano como primer espectro; (c) usar el primer espectro para determinar una absorbancia que corresponde a cada una de la pluralidad de muestras de la etapa (a) para producir un segundo conjunto de datos; (d) incorporar el primer conjunto de datos y el segundo conjunto de datos en al menos una función matemática para crear el modelo de correlación; (e) seleccionar uno o más números de onda en el espectro de infrarrojo cercano como un segundo espectro; (f) usar el segundo espectro para medir una absorbancia correspondiente a una o más muestras adicionales; (g) calcular un valor de estabilidad predicho correspondiente a la(s) muestra(s) adicional(es) usando la absorbancia medida de la etapa (f) como entrada para el modelo de correlación y recibiendo como salida la estabilidad predicha; y (h) opcionalmente, almacenar la salida recibida en un dispositivo de almacenamiento electrónico y/o presentar la salida recibida en un dispositivo de pantalla.
Description
DESCRIPCIÓN
Método para predecir la estabilidad de corrientes de proceso de hidrocarburos usando espectros de infrarrojo cercano
Campo técnico
Esta invención se refiere en general a la predicción de la estabilidad de corrientes de proceso de hidrocarburos. Más específicamente, la invención se refiere a la creación de un modelo de correlación para predecir la estabilidad de corrientes de proceso de hidrocarburos usando la absorbancia del infrarrojo cercano. La invención tiene particular relevancia para predecir la estabilidad de una corriente de proceso de hidrocarburos midiendo una absorbancia del infrarrojo cercano y comparando la absorbancia medida frente a un modelo de correlación.
Antecedentes
El petróleo crudo contiene típicamente varios cientos de miles de compuestos. Un sistema de análisis simplificado común clasifica estos compuestos en cuatro grupos según su solubilidad. Este sistema se conoce como análisis "SARA", donde los grupos son saturados, aromáticos, resinas y asfaltenos. Los menos solubles de estos grupos son los asfaltenos, que se pueden estabilizar por asociación con resinas y/o compuestos aromáticos, pero se desestabilizan por asociación con compuestos saturados. Los asfaltenos típicamente existen como una dispersión estabilizada a nanoescala en la mezcla de resina, compuestos aromáticos y saturados. Si se altera el equilibrio de estos componentes, como puede ocurrir durante el craqueo térmico, pueden surgir condiciones donde los asfaltenos precipitan de la disolución. Entre otros problemas, este craqueo térmico puede conducir a la formación de coque a altas temperaturas y al lodo en los residuos de alquitrán de la unidad de viscorreducción.
Los asfaltenos son de particular interés para la industria del petróleo debido a su efecto de deposición en los equipos de producción. Los asfaltenos también imparten una alta viscosidad a los petróleos crudos, lo que afecta negativamente a la producción. La concentración variable de asfaltenos en los petróleos crudos dentro de reservorios individuales crea una gran cantidad de problemas de producción. El refino de crudos más pesados plantea problemas a los productores y refinadores de petróleo. Durante la producción, la precipitación no deseada de asfaltenos causa el taponamiento de pozos. Durante el refino, los asfaltenos causan ensuciamiento en el intercambiador de calor de la refinería, así como envenenamiento del catalizador por coquización o unión de sitios activos con metales pesados.
Los asfaltenos en el petróleo crudo, fueloil, residuos de destilación y similares son insolubles en heptano en su punto de ebullición y solubles en benceno en su punto de ebullición. Típicamente, son sólidos de negro a marrón oscuro que tienen una estructura molecular de anillos aromáticos polinucleares con cadenas laterales de alquilo y heteroátomos, tales como nitrógeno, oxígeno y azufre. Estas características de solubilidad permiten su medición indirecta.
Por ejemplo, la patente de EE.UU. 4 940 900 de Lambert describe la medición del umbral de floculación de un producto de petróleo que contiene asfaltenos por adición continua de un agente precipitante y medición de la radiación de infrarrojo cercano transmitida a través de una muestra del producto en relación con la cantidad de agente precipitante añadido. El método requiere la adición tanto de un disolvente como de agente precipitante al producto ensayado que contiene asfaltenos. La patente de EE.UU. N° 5452 232 de Espinosa et al., describe un método para determinar las propiedades y el rendimiento de un producto de conversión de hidrocarburos a partir del espectro de NIR de la materia prima. También se ha usado infrarrojo medio para determinar los grupos funcionales en asfaltenos por la relación de metilos, carbonos parafínicos y nafténicos, y longitud de cadena lateral de alquilo. La práctica actual para determinar la estabilidad de asfaltenos de las corrientes de proceso de hidrocarburos implica el uso de alguna forma de un método de separación de fase con heptano. En ese método, se añade heptano a una muestra de una corriente de proceso de hidrocarburos, que diluye la muestra y disminuye su absorbancia. En el punto final, la absorbancia comienza a aumentar debido a la precipitación de asfaltenos (u otro compuesto aromático condensado). La estabilidad de los asfaltenos se calcula entonces basándose en las lecturas de absorbancia. Un método típico de este tipo se describe en detalle en el "Standard Test Method for Determination of Intrinsic Stability of Asphaltene-Containing Residues, Heavy Fuel Oils, and Crude Oils (n-Heptane Phase Separation; Optical Detection), publicado por ASTM International en mayo de 2005 con "Designación D7157-05"). Además de requerir mucho tiempo, una desventaja de este método es que requiere múltiples diluciones de la muestra, cada una de las cuales se valora con el disolvente n-heptano para su evaluación. Estos métodos también limitan significativamente la capacidad de optimizar el proceso de craqueo, especialmente en condiciones de cambios frecuentes en el tipo de petróleo crudo en la corriente de alimentación.
El documento WO-A-2004/042375 describe un método para proporcionar análisis rápidos en línea de composiciones químicas tales como corrientes de procesos químicos, que usa espectroscopia de infrarrojo cercano (NIR) en combinación con quimiometría. Se proporciona un sistema espectroscópico de NIR que comprende una sonda de transflectancia o una de transmitancia acoplada a través de cables de fibra óptica a una fuente de luz blanca estable y un espectrógrafo, la sonda se inserta en una muestra de ensayo o corriente de proceso que se va a analizar, se envía un haz de luz blanca estable de intervalo de longitud de onda seleccionado a la sonda y los espectros
obtenidos se registran y se correlacionan con los datos de referencia para obtener una medición rápida del análisis deseado.
S. Asomaning, "Test Methods for Determining Asphaltine Stability in Crude Oils", Petroleum Science and Technology, vol. 21, No. 3-4, 1 de enero de 2003, páginas 581-590, se refiere al alto coste de solucionar el depósito de asfaltenos en la producción y el procesamiento de petróleo crudo, lo que ha requerido el desarrollo de métodos de ensayo para determinar la estabilidad de los asfaltenos en petróleos crudos, y describe la predicción de la estabilidad de los asfaltenos en petróleos crudos de diferente gravedad API usando la prueba de la mancha de Oliensis, el índice de inestabilidad Coloidal, la relación Asfalteno-Resina y un método de valoración de disolventes con detección de sólidos por NIR.
N. Aske et al, "Asphaltine Aggregation from Crude Oils and Model Systems Studied by High-Pressure NIR Spectroscopy", Energy and Fuels, vol. 16, 9 de agosto de 2002, páginas 1287-1295, describe un estudio de la agregación de asfaltenos por reducción drástica de la presión tanto en un petróleo crudo vivo como en sistemas modelo de asfaltenos en disolventes de tolueno/pentano. La espectroscopia de NIR que usa una celda de NIR de alta presión se usa para estudiar el inicio de la agregación de asfaltenos. Se muestra que el comportamiento de agregación de los asfaltenos en los sistemas modelo se parece al comportamiento de agregación para el petróleo crudo. Se muestra que la espectroscopia de NIR en combinación con el análisis de componentes principales es una herramienta eficiente para detectar tanto los puntos de burbuja como las presiones de inicio de la agregación de asfaltenos en sistemas de alta presión.
M. Fossen et al, "Solubility Parameters based on IR and NIR Spectra: I. Correlation to Polar Solutes and Binary Systems", Journal of Dispersión Science and Technology, vol. 26, No.2, 1 de marzo de 2005, páginas 227-241, se ocupa de la correlación de los espectros de IR e NIR con los parámetros de solubilidad de Hildebrand y Hansen mediante el uso del análisis de datos multivariantes, por el que se desarrollaron modelos de PLS-1 y se usaron para predecir parámetros de solubilidad para disolventes, petróleos crudos y fracciones de SARA. El estudio indicaba que es posible la correlación de los parámetros de solubilidad con los espectros de IR y NIR y que puede ser posible desarrollar modelos que puedan predecir las polaridades de los petróleos crudos y las fracciones de petróleos crudos tales como resinas y asfaltenos.
Por lo tanto, existe una necesidad continua de métodos mejorados para determinar la estabilidad en corrientes de proceso de hidrocarburos. Existe una necesidad particular para determinar de manera rápida y eficiente la estabilidad de la corriente de proceso con cambios frecuentes en el tipo de alimentación.
Resumen
Esta invención se refiere a un método para predecir la estabilidad en una corriente de proceso de hidrocarburos usando un espectro de infrarrojo cercano combinado con un modelo de correlación. El método se define en la reivindicación 1.
En una realización preferida, el método incluye las características de la reivindicación dependiente 15.
Es una ventaja de la invención proporcionar un método para predecir la estabilidad de una corriente de proceso de hidrocarburos definiendo un intervalo de los espectros de NIR e incorporando la absorbancia medida en una o más funciones matemáticas.
Otra ventaja de la invención es proporcionar un método para recoger datos de estabilidad de una pluralidad de corrientes de proceso de hidrocarburos y crear un modelo de correlación a partir de esos datos para permitir el cálculo una estabilidad prevista basada únicamente en mediciones espectrales de NIR.
Una ventaja adicional de la invención es proporcionar un método para analizar una muestra de alimentación para seleccionar un modelo de correlación óptimo para usar en el análisis de la muestra de residuo de craqueo correspondiente.
Una ventaja adicional de la invención es proporcionar un método mejorado y eficiente para analizar muestras de residuos de craqueo, que reduce la cantidad de tiempo requerido en comparación con las metodologías existentes. Otra ventaja de la invención es proporcionar un método fácil de usar para analizar muestras de residuos de craqueo, que requieren menos habilidad y formación que las metodologías actuales.
Otra ventaja más de la invención es proporcionar un método en línea para analizar muestras de residuos de craqueo para optimizar el proceso de craqueo.
Se describen características y ventajas adicionales en el presente documento, y serán evidentes a partir de la siguiente descripción detallada, figuras y ejemplos.
Breve descripción de los dibujos
La Figura 1 ilustra la precisión de los valores de estabilidad predichos usando un modelo de correlación
representativo.
La Figura 2 muestra una gráfica de absorbancia de ejemplo de una concentración de vistar (por sus siglas en inglés visbreaker tar) de 25% valorada con n-heptano. En un punto, el equilibrio de solubilidad en la disolución hace que los asfaltenos disueltos precipiten como partículas negras. Esta precipitación crea un aumento repentino en la absorbancia y es el punto final de la valoración.
La Figura 3 representa la obtención de FRmáx y 1/Xmín, donde FRmáx es la relación de floculación cuando 1/X = 0 y 1/Xmín es una medida del volumen de heptano necesario para la floculación en el petróleo sin diluir. La Figura 4 muestra una gráfica de absorbancia del espectro de NIR típica para el residuo de viscorreducción.
La Figura 5 muestra una caracterización de PCA de ejemplo de espectros de NIR de alimentación, como se explica en el ejemplo 4.
La Figura 6 ilustra un ejemplo de la estabilidad predicha por el método de la invención en comparación con la estabilidad determinada experimentalmente, como se explica en el ejemplo 4.
Descripción detallada
El método descrito se puede aplicar a cualquier número de corrientes de proceso o refinería en las que los componentes de asfaltenos están estabilizados o solubilizados y no se limita a ningún tipo particular de corriente de proceso de hidrocarburos. Los ejemplos representativos incluyen petróleo crudo (que abarca la variedad desde con alto contenido asfáltico o ácido a bajo contenido asfáltico o dulce), alimentaciones de fondo de destilación atmosférica, productos residuales, alimentaciones de fondo de unidad de vacío de crudo, petróleo crudo canalizado, productos de desasfaltado de fondos con disolventes y otras corrientes de refinería. El método también se puede aplicar, por ejemplo, a fueloil pesado. La aplicación del método descrito se contempla en cualquier tipo de producto petrolífero en cualquier fase del proceso de refino en la que los asfaltenos se estabilizan o solubilizan. Dependiendo del tipo de muestra usada, el número de muestras requeridas para producir un modelo de correlación predictiva precisa puede variar, como se explica con más detalle a continuación.
El método se refiere a la predicción de la estabilidad en una corriente de proceso de hidrocarburos usando mediciones de absorbancia de espectros de NIR combinadas con un modelo de correlación. El método incluye numerosas etapas y la generación de conjuntos de datos para crear el modelo de correlación. En una realización preferida, la estabilidad de cada una de una pluralidad de muestras de la corriente de proceso de hidrocarburos se mide usando cualquier técnica adecuada. Una de dichas técnicas es la separación de fases con n-heptano como se describe en la Designación ASTM: D7157-05, publicada como "Standard Test Method for Determination of Intrinsic Stability of Asphaltene-Containing Residues, Heavy Fuel Oils, and Crude Oils (n-Heptane Phase Separation; Optical Detection). Este conjunto de mediciones produce un primer conjunto de datos que se usa junto con uno o más conjuntos de datos adicionales para crear el modelo de correlación.
Basado en el primer conjunto de datos, el método incluye seleccionar uno o más números de onda en el espectro de NIR como un primer espectro. Para cada muestra que tiene su estabilidad medida, se mide una absorbancia correspondiente a cada una de la pluralidad de esas muestras para producir un segundo conjunto de datos. El primer conjunto de datos y el segundo conjunto de datos después se incorporan a una función matemática para crear el modelo de correlación.
En una realización, el método incluye clasificar la pluralidad de muestras basándose en el primer conjunto de datos y/o el segundo conjunto de datos. La clasificación se hace típicamente de una de dos maneras. En una realización, por ejemplo en procesos de craqueo térmico, junto con cada muestra del residuo de craqueo (vistar en el caso de unidad de viscorreducción), se toma una muestra correspondiente de la alimentación a la unidad, de la que se obtiene el residuo de craqueo. Los espectros de NIR de las alimentaciones se registran y analizan mediante una técnica de clasificación estadística, tal como el análisis de componentes principales, análisis de redes neuronales, etc., para crear un tercer conjunto de datos. La clasificación para la modelización del primer y segundo conjunto de datos se basa en este tercer conjunto de datos. En una realización alternativa, se usan los espectros de NIR de las propias muestras de residuos de craqueo en el análisis de clasificación inicial. Después se obtienen modelos por mínimos cuadrados parciales (PLS) separados para los diferentes grupos de clasificación identificados.
El modelo de correlación se puede usar para predecir un valor de estabilidad para una o más muestras adicionales seleccionando uno o más números de onda en el espectro de NIR como un segundo espectro y usando el segundo espectro para medir un valor de absorbancia para la(s) muestra(s) adicional(es). El método incluye además calcular un valor de estabilidad previsto correspondiente a la(s) muestra(s) adicional(es) usando la absorbancia medida en el segundo espectro como entrada para el modelo de correlación y recibiendo como resultado la estabilidad prevista. En una realización, el primer espectro y el segundo espectro se solapan al menos parcialmente. En otra realización, el primer espectro y el segundo espectro son idénticos. Debe apreciarse que, en general, las diferencias en los espectros de NIR son sutiles y parecen casi idénticos a simple vista. Típicamente, se observarán pequeños hombros y ensanchamiento de picos.
Típicamente, la región principal del espectro de NIR que contiene información predictiva de la estabilidad y que incluye el primer espectro y/o el segundo espectro, tiene números de onda de aproximadamente 7 500 cm-1 a aproximadamente 4 000 cm-1. La selección de regiones del espectro de NIR para incluir en el modelo se realiza típicamente mediante un proceso iterativo que usa el análisis de PLS (u otra función adecuada) y software estadístico adecuado conocido en la técnica. Los modelos para diferentes clasificaciones para diferentes grados de robustez se pueden basar en diferentes regiones del espectro. Un modelo se puede basar, por ejemplo, en una o más regiones, tal como basarse en tres regiones que incluyen de aproximadamente 4400 cm-1 a aproximadamente 4 200 cm-1, de aproximadamente 5600 cm-1 a aproximadamente 5900 cm-1, y de aproximadamente 7000 cm-1 a aproximadamente 7500 cm-1. Alternativamente, se puede usar una sola región, tal como de aproximadamente 4500 cm-1 a aproximadamente 4 000 cm-1. La región seleccionada también puede depender de cualquier preprocesamiento que se haya llevado a cabo en los datos de absorbancia espectral básicos, que pueden incluir la corrección de la línea de base, el cálculo de las derivadas de primer o segundo orden u otras técnicas adecuadas.
Aunque se puede detectar una variedad de compuestos aromáticos altamente condensados cuando se determina o predice la estabilidad de una muestra en particular, los asfaltenos y/o los residuos que contienen asfaltenos son típicamente las especies detectadas. Cuando se crea el primer conjunto de datos que comprenderá parte de la información usada para crear el modelo de correlación usando la función matemática, la pluralidad de muestras medidas puede ser, en realizaciones alternativas, de una misma corriente de proceso de hidrocarburos o de una corriente de proceso de hidrocarburos diferente. Por ejemplo, se puede obtener un subconjunto de la pluralidad de muestras de un tipo particular de corriente de proceso de hidrocarburos (p. ej., fracción de fondo, fueloil mezclado, gasoil, etc.) en un lugar particular y otro subconjunto se puede obtener del mismo tipo de corriente de proceso de hidrocarburos en otro lugar. Los valores de estabilidad medidos de las muestras de los dos lugares se pueden combinar para formar un conjunto de datos.
Está contemplado que dichos conjuntos de datos se pueden formar a partir de muestras obtenidas de una, dos o más corrientes de proceso de hidrocarburos del mismo tipo, en la misma ubicación o en diferentes ubicaciones. También se pueden usar corrientes de proceso en diferentes ubicaciones y de un tipo diferente. En este último caso, los diferentes tipos de corrientes de proceso típicamente deben ser compatibles desde el punto de vista de los espectros de NIR. Típicamente, este método es aplicable a corrientes de proceso de hidrocarburos donde la estabilidad de la disolución de asfaltenos (u otras especies aromáticas altamente condensadas) depende de la capacidad de disolución del disolvente o componente dispersante del hidrocarburo. La estabilidad de la disolución también depende generalmente del equilibrio de los componentes saturados y aromáticos que componen el disolvente o componente dispersante.
En una realización, las muestras (incluyendo las muestras para crear el primer conjunto de datos, el segundo conjunto de datos, otros conjuntos de datos y las muestras a predecir) se obtienen de una corriente de proceso de hidrocarburos no craqueada. En otra realización, dichas muestras se obtienen de una corriente de proceso de hidrocarburo craqueado. Los conjuntos de muestras se podrían obtener de una multitud de fuentes que incluyen, por ejemplo, petróleos crudos; residuos de destilación atmosférica de petróleo crudo; residuos de destilación al vacío de petróleo crudo; fueloiles pesados mezclados; o residuos del proceso de craqueo térmico que contienen asfaltenos, asfaltenos craqueados o especies policíclicas que se han generado durante el proceso de craqueo.
Otras caracterizaciones potenciales de una alimentación de hidrocarburos pueden incluir residuos atmosféricos o residuos pesados de vacío en términos de su potencial de ensuciamiento, o un índice básico de "Estabilidad". Las características podrían estar relacionadas con el ensuciamiento de precalentamiento del crudo, ensuciamiento del horno de vacío, ensuciamiento del horno de viscorreducción, ensuciamiento del horno del coquizador o similares.
Muchas de estas características se reflejan en cierto grado en los espectros de NIR, lo que permite predecir el análisis SARA para petróleos crudos a partir de esos espectros usando una correlación matemática. Dichas características predichas resultan de un complejo equilibrio de una amplia variedad de componentes. Por ejemplo, cuando se desarrolló una correlación entre los espectros de NIR y la estabilidad, se recogió una variedad de "vistars" y la estabilidad se determinó por un método estándar y los espectros de NIR se registraron en condiciones específicas. En este ejemplo, se usó un análisis de mínimos cuadrados parciales para desarrollar una correlación entre ciertas regiones del espectro de NIR y la estabilidad. Se pueden generar varios modelos con diferentes grados de predictibilidad dependiendo de factores, tales como las regiones específicas de los espectros usados y el tipo de preprocesamiento realizado con los espectros (es decir, usando corrección de fondo, tomando derivadas, otras funciones matemáticas y transformaciones, etc.). Algunos de estos modelos tienen grados muy similares de predictibilidad.
En general, un modelo de correlación que incluye conjuntos de datos de una amplia variedad de corrientes de procesos diferentes produce un modelo más robusto. Cuanto más amplia sea la "clase" de materiales incorporados en un modelo de correlación, más robusto y poderoso será el modelo de correlación resultante. En ciertos casos, dicho modelo robusto puede tener intervalos de confianza mayores para el resultado predicho. A la inversa, una clase más estrecha de materiales típicamente produce una correlación más precisa, pero entonces el modelo se limita a una variedad más reducida de materiales o corrientes de procesos. La definición de dichas "clases" de materiales sería evidente para los expertos en la técnica. Una estrategia representativa incluye el uso de los espectros de NIR de muestras no craqueadas para clasificar las muestras craqueadas correspondientes que se van
a analizar y usar esos grupos de muestras para construir diferentes modelos de correlación. Normalmente, se requiere una amplia variedad de alimentaciones no craqueadas en la unidad de craqueo real para definir dichas clasificaciones, mientras que en otros casos, tales como la mezcla de fueloil, gasoil, etc., pueden ser suficientes menos muestras para producir un modelo adecuado. La figura 1 ilustra la precisión de los valores de estabilidad predichos usando un modelo de correlación de PLS representativo (rango indica el número de componentes principales en el modelo de correlación particular usado).
De acuerdo con una realización, dicho esquema de clasificación generalmente requeriría realizar dos espectros inicialmente, uno para la alimentación para determinar qué modelo de regresión usar, y un segundo para una o más de las muestras de craqueo para calcular la estabilidad o valor "S". Los espectros de la muestra de craqueo se procesarán en dos etapas, inicialmente mediante análisis de clasificación (p. ej., análisis de componentes principales), seguido de un análisis para la estabilidad o valor "S" usando un modelo de correlación adecuado. Alternativamente, los espectros de NIR de las muestras de residuos de craqueo se podrían usar en el análisis de clasificación inicial. Después se pueden derivar modelos separados (p. ej., PLS) para los diferentes grupos de clasificación identificados. En este caso, el análisis de espectros de NIR ocurre en dos etapas. La primera etapa incluye un modelo de clasificación de componentes principales para determinar la clase y el modelo de correlación asociado. La segunda incluye aplicar la técnica de análisis adecuada (p. ej., PLS) para predecir la estabilidad.
Debe apreciarse que se puede usar cualquier técnica matemática y/o técnica estadística que pueda incorporar lógicamente el primer y segundo conjunto de datos para producir el modelo de correlación. En una realización, la función matemática incluye un método de tratamiento estadístico. En otra realización, la función matemática incluye cualquier protocolo manual o basado en algoritmos informáticos adecuado para producir el modelo de correlación. Tipos representativos de funciones matemáticas que incluyen, pero no se limitan a regresión lineal, regresión no lineal y análisis de redes neuronales. Debe apreciarse que cualquier método de correlación general sería aplicable para este método descrito. En una realización, el modelo o función particular usado para crear el modelo de correlación se puede cambiar o ajustar dependiendo de los conjuntos de datos generados y adquiridos.
En realizaciones alternativas, la absorbancia de NIR se puede leer en línea (de forma continua o intermitente) y, usando la estrategia de clasificación/correlación descrita, la determinación de la estabilidad o valor "S" podría ser automática. Dichas mediciones en línea se pueden analizar en tiempo real o con un retraso definido por el usuario o de otro tipo. Por ejemplo, las mediciones en línea se pueden llevar a cabo utilizando un dispositivo de flujo continuo lateral, en línea u otro adecuado.
Se puede usar un operador manual o un dispositivo electrónico que tenga componentes tales como un procesador, dispositivo de memoria, medio de almacenamiento digital, tubo de rayos catódicos, pantalla de cristal líquido, pantalla de plasma, pantalla táctil u otro monitor, y/u otros componentes para ejecutar todos o partes del método descrito. En ciertos casos, el controlador se puede hacer funcionar para la integración con uno o más circuitos integrados de aplicaciones específicas, programas, instrucciones o algoritmos ejecutables por ordenador, uno o más dispositivos cableados, dispositivos inalámbricos y/o uno o más dispositivos mecánicos. Algunas o todas las funciones del sistema del controlador pueden estar en una ubicación central, tal como un servidor de red, para su comunicación a través de una red de área local, red de área extensa, red inalámbrica, conexión a internet, conexión de microondas, conexión de infrarrojos y similares. Además, se pueden incluir otros componentes, tales como un acondicionador de señales o un monitor del sistema, para facilitar los algoritmos de procesamiento de señal. También está contemplado que se pueden usar cualesquiera sensores, acopladores, conectores u otros equipos de medición/transmisión de datos necesarios para capturar y transmitir datos.
Lo anterior puede entenderse mejor por referencia a los siguientes ejemplos, que están destinados solo para fines ilustrativos y no pretenden limitar el alcance de la invención.
Ejemplo 1
Para una serie de 24 muestras de vistar, la "estabilidad" y los espectros de NIR se determinaron usando la metodología estándar aceptada. Usando una metodología estadística de mínimos cuadrados parciales, se desarrolló un modelo de correlación entre la medición de estabilidad estándar y la medición de absorbancia en regiones seleccionadas del espectro de NIR. El modelo se validó utilizando una técnica de validación cruzada, donde una muestra en un momento se dejó fuera del modelo de correlación y se predijo a partir de esa correlación.
Para los fines de este ejemplo, la estabilidad de una serie de muestras de vistar se determinó de acuerdo con el método ASTM Designación: D7157-05, publicado como "Standard Test Method for Determination of Intrinsic Stability of Asphaltene-Containing Residues, Heavy Fuel Oils, and Crude Oils (n-Heptane Phase Separation; Optical Detection). Este método adopta un modelo del petróleo que cubre el concepto general de estabilidad de asfaltenos en una matriz de petróleo. Por ejemplo, el petróleo se puede modelizar como si consistiera en asfaltenos que existen como una dispersión coloidal estable en una matriz de petróleo.
Se prepararon tres diluciones para cada muestra de vistar usando tolueno como un diluyente, de aproximadamente el 25%, 50% y 70% de concentración. A su vez, las muestras diluidas se proporcionaron a un aparato equipado con un agitador y una sonda óptica para medir la absorbancia de la solución. La disolución se valoró con heptano y la
absorbancia se midió en función del heptano añadido, como se describe en la Designación ASTM: D7157-05. La valoración con n-heptano produce inicialmente una reducción de la absorbancia en función de la dilución. En algún momento, el equilibrio de solubilidad en la solución hace que los asfaltenos disueltos precipiten como partículas negras. Esta precipitación crea un aumento repentino en la absorbancia y es el punto final de la valoración. La relación de tolueno a heptano en la disolución en este punto final se denomina "Relación de floculación" ("FR"). La figura 2 ilustra una gráfica de absorbancia típica para dicha valoración con una concentración de vistar de 25%. Se determinó la FR para cada concentración de vistar.
Se representó gráficamente la FR frente a la relación de vistar a disolvente (es decir, tolueno heptano) que existía en el punto final, denominada 1/X. Después se representó gráficamente una recta de regresión lineal de mínimos cuadrados para los tres puntos (mostrada en la FIG. 3). Se determinaron dos puntos por extrapolación de esta gráfica: (i) FRmáx: la relación de floculación cuando 1/X = 0 y (ii) 1/Xmín: que es una medida del volumen de heptano necesario para la floculación en el petróleo sin diluir. Estos datos se usaron para calcular los siguientes tres parámetros de estabilidad del petróleo: (i) Sa: capacidad de peptización de los asfaltenos en el vistar (es decir, una medida de la solubilidad inherente de los asfaltenos); (ii) So: poder de peptización de la matriz de petróleo (es decir, capacidad de la matriz de petróleo para estabilizar/solubilizar asfaltenos); y (iii) S: estabilidad intrínseca del petróleo (es decir, medida de la estabilidad de los asfaltenos en este sistema de petróleo en particular). Donde, Sa = 1 -FRmáx; So = (FRmáx) x (1 Xmín); y S = 1+ Xmín.
Los espectros de NIR de las muestras se determinaron usando un instrumento Bruker MPA FTNIR. Las mediciones se realizaron en modo de transmisión utilizando una celda de longitud de recorrido de 0,2 mm. Los espectros se registraron a una temperatura de la muestra de 60°C. En la figura 4 se muestra un ejemplo de un espectro de NIR típico de vistar.
Ejemplo 2
Este ejemplo es un modelo para predecir la estabilidad basado en un análisis de mínimos cuadrados parciales de 24 muestras "vistar" usando la técnica descrita en el ejemplo 1. Este modelo cubre regiones del espectro de NIR que incluyen de 6102 a 5446 cm-1 y de 4601 a 4247 cm-1 y usa 7 componentes principales. Los componentes son variables estadísticas ortogonales derivadas del análisis de PLS. Los parámetros estadísticos para el modelo eran R2 = 0.948 y RMSEV = 0.0423. Los resultados representativos se muestran para tres de las muestras en la Tabla 1.
Tabla 1
Ejemplo 3
En principio, el sistema descrito podría adaptarse para la vigilancia en línea. Una corriente lateral del producto de fondos de vistar de craqueo se podría alimentar a una unidad de vigilancia donde se podría medir el espectro de NIR. Un sistema informático sería operable para comparar el espectro de vistar con el modelo de correlación y calcular el resultado de estabilidad predicho. Este resultado se podría transmitir a un sistema de control y actuar de forma manual o integrada en un esquema de control por el cual, según el resultado, la rigurosidad del proceso de craqueo térmico se aumentaría o disminuiría. El modelo de calibración específico para este modo de operación se podría determinar automáticamente con un sistema en línea similar que vigila la alimentación a la unidad. Alternativamente, debido a que solo es necesario ensayar la alimentación cada vez que cambia, el aumento o la disminución requeridos en la rigurosidad del craqueo térmico también se podría determinar tomando muestras de la alimentación para el análisis y seleccionando manualmente el modelo de correlación para el análisis de vistar.
Ejemplo 4.
El desarrollo inicial de modelo(s) de calibración para implementar el método de la invención puede incluir recoger muestras tanto de alimentación como de vistar (fondos de craqueo) de manera regular. El período de muestreo, por ejemplo, varias semanas, cubriría las condiciones de operación, incluyendo la variedad de condiciones que la unidad podría experimentar potencialmente en condiciones normales de operación. En este ejemplo, las muestras recogidas (tanto alimentación como vistar) se analizaron utilizando un espectrómetro de FTIR NIR disponible en el mercado. Los espectros se realizaron en modo de transmisión usando celdas de longitud de recorrido de 0.5 mm. Las muestras de vistar también se analizaron para determinar la estabilidad de asfaltenos usando el método ASTM D7157-05 (como se ha explicado antes). Este ensayo dio como resultado valores de estabilidad "S" para cada muestra de vistar.
Los espectros de alimentación se analizaron usando la técnica estadística del análisis de componentes principales (PCA). En la figura 5 se muestra una gráfica de puntuaciones típica para el conjunto de muestras. Se observó que las alimentaciones realizadas durante el período de ensayo eran de dos tipos, que se muestran como "Clase 1" y "Clase 2" en la figura 5. Después los espectros de muestras de vistar se separaron en dos grupos correspondientes a la clase de alimentación de la que se obtenían. Después se llevó a cabo un análisis de mínimos cuadrados parciales (PLS) para desarrollar correlaciones entre la absorbancia de los espectros de vistar y la estabilidad intrínseca ASTM D7157 previamente determinada (es decir, los valores "S"). Se desarrollaron modelos de correlación separados para los dos grupos de vistar obtenidos de los grupos correspondientes de alimentaciones, según la clasificación del análisis de componentes principales. Una correlación de ejemplo entre la estabilidad predicha por el método de la invención y la estabilidad determinada experimentalmente (de la alimentación "Clase 2") se muestra en la figura 6 (rango indica el número de componentes principales usados en el modelo de correlación particular).
Durante el funcionamiento, las muestras de alimentación y vistar se recogerían de manera regular (lotes, en línea, flujo lateral, etc., como se ha explicado antes) y se recogerían los espectros de NIR. Los espectros de alimentación se analizarían usando, por ejemplo, un modelo de clasificación de PCA, para determinar la clase de alimentación correspondiente, que a su vez se usa para determinar el modelo de correlación adecuado para predecir la estabilidad del espectro de vistar. La estabilidad predicha después se usa para ajustar las variables que controlan la rigurosidad de la unidad de viscorreducción para optimizar su operación de craqueo.
Debe entenderse que diversos cambios y modificaciones de las realizaciones presentes preferidas descritas en este documento serán evidentes para los expertos en la técnica.
Claims (15)
1. Un método para predecir la estabilidad en una corriente de proceso de hidrocarburos usando un espectro de infrarrojo cercano combinado con un modelo de correlación, comprendiendo el método:
(a) medir un valor de estabilidad que corresponde a cada una de una pluralidad de muestras de la corriente de proceso de hidrocarburos, o de una corriente de proceso de hidrocarburos diferente del mismo tipo, para producir un primer conjunto de datos;
(b) seleccionar uno o más números de onda en el espectro de infrarrojo cercano como primer espectro;
(c) usar el primer espectro para determinar una absorbancia que corresponde a cada una de la pluralidad de muestras de la etapa (a) para producir un segundo conjunto de datos;
(d) incorporar el primer conjunto de datos y el segundo conjunto de datos en al menos una función matemática para crear el modelo de correlación;
(e) seleccionar uno o más números de onda en el espectro de infrarrojo cercano como un segundo espectro;
(f) usar el segundo espectro para medir una absorbancia correspondiente a una o más muestras adicionales;
(g) calcular un valor de estabilidad predicho correspondiente a la(s) muestra(s) adicional(es) usando la absorbancia medida de la etapa (f) como entrada para el modelo de correlación y recibiendo como salida la estabilidad predicha; y
(h) opcionalmente, almacenar la salida recibida en un dispositivo de almacenamiento electrónico y/o presentar la salida recibida en un dispositivo de pantalla.
2. El método de la reivindicación 1, que incluye la clasificación de la pluralidad de muestras basándose en el primer conjunto de datos y/o el segundo conjunto de datos.
3. El método de la reivindicación 1, en donde el primer espectro y el segundo espectro se superponen al menos parcialmente.
4. El método de la reivindicación 1, en donde el primer espectro y el segundo espectro son idénticos.
5. El método de la reivindicación 1, en donde el primer espectro y/o el segundo espectro tienen números de onda de aproximadamente 7500 cm-1 a aproximadamente 4000 cm-1.
6. El método de la reivindicación 1, en donde la estabilidad y la estabilidad predicha se basan en asfaltenos y/o residuos que contienen asfaltenos en la corriente de proceso de hidrocarburos.
7. El método de la reivindicación 1, en donde cada una de la pluralidad de muestras en la etapa (a) proviene de una misma corriente de proceso de hidrocarburos.
8. El método de la reivindicación 1, en donde una o más de la pluralidad de muestras en la etapa (a) es de una corriente de proceso de hidrocarburos diferente, siendo cada una de dichas corrientes de un mismo tipo.
9. El método de la reivindicación 1, en donde una o más de la pluralidad de muestras en la etapa (a) provienen de una corriente de proceso de hidrocarburos seleccionada del grupo que consiste en: una corriente de proceso de hidrocarburos no craqueados y una corriente de proceso de hidrocarburos craqueados.
10. El método de la reivindicación 1, que incluye la medición de una pluralidad de muestras de una pluralidad de diferentes corrientes de proceso de hidrocarburos para compilar el primer conjunto de datos y el segundo conjunto de datos.
11. El método de la reivindicación 1, en donde el modelo de correlación se selecciona del grupo que consiste en: análisis de regresión lineal; análisis de regresión no lineal; y análisis de redes neuronales.
12. El método de la reivindicación 1, que incluye hacer funcionar el método sobre una red.
13. El método de la reivindicación 12, en donde la red es una red de internet.
14. Un medio de almacenamiento digital que tiene instrucciones ejecutables por ordenador almacenadas en él, las instrucciones operables para ejecutar el método de la reivindicación 1.
15. El método de la reivindicación 1 que comprende:
clasificar la corriente de proceso de hidrocarburos en una pluralidad de procesos diferentes;
seleccionar uno de los procesos; y
medir un valor de estabilidad correspondiente a cada una de una pluralidad de muestras del proceso seleccionado para producir el primer conjunto de datos.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/254,519 US8017910B2 (en) | 2008-10-20 | 2008-10-20 | Method for predicting hydrocarbon process stream stability using near infrared spectra |
PCT/US2009/061270 WO2010048143A1 (en) | 2008-10-20 | 2009-10-20 | Method for predicting hydrocarbon process stream stability using near infrared spectra |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2731891T3 true ES2731891T3 (es) | 2019-11-19 |
Family
ID=41404344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES09744537T Active ES2731891T3 (es) | 2008-10-20 | 2009-10-20 | Método para predecir la estabilidad de corrientes de proceso de hidrocarburos usando espectros de infrarrojo cercano |
Country Status (12)
Country | Link |
---|---|
US (1) | US8017910B2 (es) |
EP (1) | EP2350615B1 (es) |
JP (1) | JP5583131B2 (es) |
KR (1) | KR101636098B1 (es) |
CN (1) | CN102187202B (es) |
AR (1) | AR073948A1 (es) |
BR (1) | BRPI0919922B1 (es) |
CA (1) | CA2740367C (es) |
ES (1) | ES2731891T3 (es) |
MX (1) | MX2011004170A (es) |
RU (1) | RU2502984C2 (es) |
WO (1) | WO2010048143A1 (es) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8735820B2 (en) * | 2010-04-09 | 2014-05-27 | Tesoro Refining And Marketing Company | Direct match spectrographic determination of fuel properties |
US20110278460A1 (en) * | 2010-05-13 | 2011-11-17 | Baker Hughes Incorporated | Method and apparatus for determining the coke generation tendency of hydrocarbons |
US9038451B2 (en) | 2010-07-08 | 2015-05-26 | Baker Hughes Incorporated | Optical method for determining fouling of crude and heavy fuels |
US8849582B2 (en) * | 2010-12-21 | 2014-09-30 | Invensys Systems, Inc. | Offline analyzer system and method for multivariate characterization of properties in crude and heavy hydrocarbon oils |
CN102419309B (zh) * | 2011-08-12 | 2013-07-31 | 中国石油天然气股份有限公司 | 一种检测重质渣油稳定性的方法 |
CN102521678B (zh) * | 2011-12-22 | 2016-01-13 | 中国人民解放军总后勤部油料研究所 | 一种液体石油产品储存期预测平台及方法 |
CN102521519B (zh) * | 2011-12-22 | 2015-06-10 | 中国人民解放军总后勤部油料研究所 | 一种液体石油产品储存期预测方法及系统 |
CN102565010A (zh) * | 2011-12-30 | 2012-07-11 | 大连海事大学 | 油品稳定性判定方法和装置 |
US20130184382A1 (en) | 2012-01-12 | 2013-07-18 | Baker Hughes Incorporated | Process for preparing blends of bitumen having known stability properties |
KR101287300B1 (ko) * | 2012-04-17 | 2013-07-17 | 에스케이에너지 주식회사 | 안정화된 탄화수소 오일 블렌드의 제조방법 |
US10668408B2 (en) | 2012-11-30 | 2020-06-02 | Suncor Energy Inc | Measurement and control of bitumen-containing process streams |
GB2516126B (en) | 2013-12-09 | 2015-07-08 | Intertek Group Plc | Method and system for analysing a blend of two or more hydrocarbon feed streams |
US10228708B2 (en) * | 2014-06-13 | 2019-03-12 | Topnir Systems Sas | Method for optimising a mixture of components by means of spectral analysis |
CN104596985A (zh) * | 2015-01-21 | 2015-05-06 | 中国食品发酵工业研究院 | 快速鉴别沙棘籽油制取工艺的方法 |
US9709545B2 (en) | 2015-07-23 | 2017-07-18 | Tesoro Refining & Marketing Company LLC | Methods and apparatuses for spectral qualification of fuel properties |
EP3405898A1 (en) * | 2016-01-21 | 2018-11-28 | Protein Dynamic Solutions LLC | Method and system for spectral data analysis |
US10954448B2 (en) | 2017-08-18 | 2021-03-23 | Canadian Natural Resources Limited | High temperature paraffinic froth treatment process |
JP6438549B1 (ja) * | 2017-08-24 | 2018-12-12 | 日本分光株式会社 | 機械学習を用いた未知化合物の分類方法 |
US10696906B2 (en) | 2017-09-29 | 2020-06-30 | Marathon Petroleum Company Lp | Tower bottoms coke catching device |
EP3517952A1 (en) * | 2018-01-29 | 2019-07-31 | Bharat Petroleum Corporation Limited | Prediction of crude oil blend compatibility and blend optimization for increasing heavy oil processing |
US12000720B2 (en) | 2018-09-10 | 2024-06-04 | Marathon Petroleum Company Lp | Product inventory monitoring |
US12031676B2 (en) | 2019-03-25 | 2024-07-09 | Marathon Petroleum Company Lp | Insulation securement system and associated methods |
US11975316B2 (en) | 2019-05-09 | 2024-05-07 | Marathon Petroleum Company Lp | Methods and reforming systems for re-dispersing platinum on reforming catalyst |
IL294130A (en) * | 2019-12-24 | 2022-08-01 | Bl Technologies Inc | System and method for determining peptization values and visbreaker control |
KR102278139B1 (ko) * | 2019-12-30 | 2021-07-16 | 한국에너지기술연구원 | 유분의 아스팔텐 분산 안정성 측정 방법 |
KR102278140B1 (ko) * | 2019-12-30 | 2021-07-16 | 한국에너지기술연구원 | 역적정을 이용한 유분의 혼화성 측정 방법 |
CN111238997B (zh) * | 2020-02-12 | 2021-07-27 | 江南大学 | 一种原油脱盐脱水过程的进料密度在线测量方法 |
CA3109606C (en) | 2020-02-19 | 2022-12-06 | Marathon Petroleum Company Lp | Low sulfur fuel oil blends for paraffinic resid stability and associated methods |
US11702600B2 (en) | 2021-02-25 | 2023-07-18 | Marathon Petroleum Company Lp | Assemblies and methods for enhancing fluid catalytic cracking (FCC) processes during the FCC process using spectroscopic analyzers |
US11905468B2 (en) | 2021-02-25 | 2024-02-20 | Marathon Petroleum Company Lp | Assemblies and methods for enhancing control of fluid catalytic cracking (FCC) processes using spectroscopic analyzers |
US11898109B2 (en) | 2021-02-25 | 2024-02-13 | Marathon Petroleum Company Lp | Assemblies and methods for enhancing control of hydrotreating and fluid catalytic cracking (FCC) processes using spectroscopic analyzers |
US20220268694A1 (en) | 2021-02-25 | 2022-08-25 | Marathon Petroleum Company Lp | Methods and assemblies for determining and using standardized spectral responses for calibration of spectroscopic analyzers |
US11692141B2 (en) | 2021-10-10 | 2023-07-04 | Marathon Petroleum Company Lp | Methods and systems for enhancing processing of hydrocarbons in a fluid catalytic cracking unit using a renewable additive |
US11802257B2 (en) | 2022-01-31 | 2023-10-31 | Marathon Petroleum Company Lp | Systems and methods for reducing rendered fats pour point |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2619631B1 (fr) * | 1987-08-18 | 1993-12-03 | Bp France | Procede et dispositif de mesure du seuil de floculation d'un produit petrolier |
ES2095205T3 (es) * | 1987-08-18 | 1997-02-16 | Bp Oil Int | Metodo para la determinacion directa de propiedades fisicas de productos hidrocarbonados. |
US5349188A (en) * | 1990-04-09 | 1994-09-20 | Ashland Oil, Inc. | Near infrared analysis of piano constituents and octane number of hydrocarbons |
FI97083C (fi) * | 1993-12-31 | 1996-10-10 | Neste Oy | Menetelmä ja laite öljyn stabiilisuuden mittaamiseksi |
JP2866604B2 (ja) * | 1994-11-10 | 1999-03-08 | 株式会社コスモ総合研究所 | 油中の不溶解分濃度測定方法及びその装置 |
WO1996018881A1 (en) * | 1994-12-13 | 1996-06-20 | Exxon Research & Engineering Company | Non linear multivariate infrared analysis method |
AR003845A1 (es) * | 1995-10-18 | 1998-09-09 | Shell Int Research | Un método para predecir una propiedad física de un residuo de petróleo crudo, de un petróleo combustible (fuel oil) residual o de un material bituminoso. |
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 |
US6587702B1 (en) * | 1999-01-22 | 2003-07-01 | Instrumentation Metrics, Inc | Classification and characterization of tissue through features related to adipose tissue |
US6773921B1 (en) * | 1999-06-10 | 2004-08-10 | The University Of Wyoming Research Corporation | Predicting proximity to coke formation |
CN1125331C (zh) * | 1999-07-06 | 2003-10-22 | 中国石油化工集团公司 | 一种测定渣油组分含量的方法 |
FR2820503B1 (fr) * | 2001-02-07 | 2003-04-04 | Inst Francais Du Petrole | Methode et dispositif pour predire le seuil de floculation d'asphaltenes contenus dans des melanges d'hydrocarbures |
US7319040B2 (en) * | 2002-10-28 | 2008-01-15 | Ineos Usa Llc | Process control using on-line instrumentation and process models |
EP1563280A1 (en) * | 2002-11-06 | 2005-08-17 | Her Majesty the Queen in Right of Canada as Represented by The Minister of Natural Resources | Nir spectroscopy method for analyzing chemical process components |
US20050040072A1 (en) | 2003-07-21 | 2005-02-24 | Marco Respini | Stability of hydrocarbons containing asphal tenes |
RU2334971C2 (ru) * | 2006-08-09 | 2008-09-27 | ООО "Интеллектуальные Компьютерные Технологии" | Способ идентификации и контроля качества многокомпонентных соединений |
-
2008
- 2008-10-20 US US12/254,519 patent/US8017910B2/en active Active
-
2009
- 2009-10-20 EP EP09744537.3A patent/EP2350615B1/en active Active
- 2009-10-20 MX MX2011004170A patent/MX2011004170A/es active IP Right Grant
- 2009-10-20 KR KR1020117011168A patent/KR101636098B1/ko active IP Right Grant
- 2009-10-20 CN CN200980142418.3A patent/CN102187202B/zh active Active
- 2009-10-20 RU RU2011113497/28A patent/RU2502984C2/ru active
- 2009-10-20 CA CA2740367A patent/CA2740367C/en active Active
- 2009-10-20 BR BRPI0919922-5A patent/BRPI0919922B1/pt active IP Right Grant
- 2009-10-20 ES ES09744537T patent/ES2731891T3/es active Active
- 2009-10-20 JP JP2011532326A patent/JP5583131B2/ja active Active
- 2009-10-20 AR ARP090104032A patent/AR073948A1/es active IP Right Grant
- 2009-10-20 WO PCT/US2009/061270 patent/WO2010048143A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2010048143A1 (en) | 2010-04-29 |
JP5583131B2 (ja) | 2014-09-03 |
US20100096552A1 (en) | 2010-04-22 |
RU2502984C2 (ru) | 2013-12-27 |
BRPI0919922A2 (pt) | 2016-02-16 |
RU2011113497A (ru) | 2012-11-27 |
CA2740367A1 (en) | 2010-04-29 |
EP2350615B1 (en) | 2019-05-01 |
BRPI0919922B1 (pt) | 2019-10-01 |
AR073948A1 (es) | 2010-12-15 |
EP2350615A1 (en) | 2011-08-03 |
CN102187202B (zh) | 2014-12-24 |
MX2011004170A (es) | 2011-11-29 |
JP2012506532A (ja) | 2012-03-15 |
CA2740367C (en) | 2016-12-20 |
KR20110086706A (ko) | 2011-07-29 |
CN102187202A (zh) | 2011-09-14 |
KR101636098B1 (ko) | 2016-07-04 |
US8017910B2 (en) | 2011-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2731891T3 (es) | Método para predecir la estabilidad de corrientes de proceso de hidrocarburos usando espectros de infrarrojo cercano | |
Rakhmatullin et al. | Application of high resolution NMR (1H and 13C) and FTIR spectroscopy for characterization of light and heavy crude oils | |
Mohammadi et al. | Genetic algorithm based support vector machine regression for prediction of SARA analysis in crude oil samples using ATR-FTIR spectroscopy | |
Chen et al. | Characterization of chemical functional groups in macerals across different coal ranks via micro-FTIR spectroscopy | |
Pabón et al. | Crude oil spectral signatures and empirical models to derive API gravity | |
CA2503610C (en) | Nir spectroscopy method for analyzing chemical process components | |
US9778240B2 (en) | Characterization of crude oil by ultraviolet visible spectroscopy | |
Borges et al. | Use of near infrared for evaluation of droplet size distribution and water content in water-in-crude oil emulsions in pressurized pipeline | |
Satya et al. | Estimation of properties of crude oil residual fractions using chemometrics | |
US9678002B2 (en) | Method and system for NIR spectroscopy of mixtures to evaluate composition of components of the mixtures | |
Flórez et al. | SARA analysis and Conradson carbon residue prediction of Colombian crude oils using PLSR and Raman spectroscopy | |
CA2931790C (en) | Method and system for analysing a blend of two or more hydrocarbon feed streams | |
Kardamakis et al. | Autoregressive modeling of near-IR spectra and MLR to predict RON values of gasolines | |
US6690453B2 (en) | Method and device for predicting the flocculation threshold of asphaltenes contained in hydrocarbon mixtures | |
Lima et al. | Evaluation of standardisation methods of near infrared calibration models | |
Loh et al. | High-throughput screening of oil fingerprint using FT-IR coupled with chemometrics | |
Romero Yanes et al. | Phase behavior investigation of a live presalt crude oil from short-wave infrared observation, acoustic wave sensing, and equation of state modeling | |
Li et al. | Data fusion of ultraviolet-visible and mid-infrared spectra for rapid performance inspection of paving asphalt binders | |
Obiosa-Maife et al. | Toward identification of molecules in ill-defined hydrocarbons using infrared, raman, and nuclear magnetic resonance (NMR) spectroscopy | |
Niño et al. | FTIR-ATR predictive model for determination of asphaltene solubility class index (ASCI) based on partial least-squares regression (PLS-R) | |
Baird et al. | Multivariate models based on infrared spectra as a substitute for oil property correlations to predict thermodynamic properties: evaluated on the basis of the narrow-boiling fractions of Kukersite retort oil. | |
Morales-Medina et al. | Prediction of density and viscosity of colombian crude oils from chromatographic data | |
Pantoja et al. | Application of near‐infrared spectroscopy to the characterization of petroleum | |
de Peinder et al. | Prediction of long-residue properties of potential blends from mathematically mixed infrared spectra of pure crude oils by partial least-squares regression models | |
Baird | Predicting Fuel Properties from Infrared Spectra |