KR20220149062A - 개질설비의 반응기 제어 방법 및 장치 - Google Patents
개질설비의 반응기 제어 방법 및 장치 Download PDFInfo
- Publication number
- KR20220149062A KR20220149062A KR1020210056213A KR20210056213A KR20220149062A KR 20220149062 A KR20220149062 A KR 20220149062A KR 1020210056213 A KR1020210056213 A KR 1020210056213A KR 20210056213 A KR20210056213 A KR 20210056213A KR 20220149062 A KR20220149062 A KR 20220149062A
- Authority
- KR
- South Korea
- Prior art keywords
- reactor
- properties
- raw material
- content
- product
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000002994 raw material Substances 0.000 claims abstract description 108
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000002407 reforming Methods 0.000 claims description 52
- 239000012188 paraffin wax Substances 0.000 claims description 40
- 239000007789 gas Substances 0.000 claims description 18
- 238000006057 reforming reaction Methods 0.000 claims description 16
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 15
- 239000001257 hydrogen Substances 0.000 claims description 15
- 229910052739 hydrogen Inorganic materials 0.000 claims description 15
- 239000000047 product Substances 0.000 description 92
- 125000003118 aryl group Chemical group 0.000 description 47
- 230000008569 process Effects 0.000 description 15
- 239000003054 catalyst Substances 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 238000004821 distillation Methods 0.000 description 10
- 239000003921 oil Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 6
- 239000010779 crude oil Substances 0.000 description 6
- 239000011593 sulfur Substances 0.000 description 6
- 229910052717 sulfur Inorganic materials 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 150000001336 alkenes Chemical class 0.000 description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 4
- 150000002739 metals Chemical class 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- -1 Naphtha Substances 0.000 description 2
- UFWIBTONFRDIAS-UHFFFAOYSA-N Naphthalene Chemical compound C1=CC=CC2=CC=CC=C21 UFWIBTONFRDIAS-UHFFFAOYSA-N 0.000 description 2
- URLKBWYHVLBVBO-UHFFFAOYSA-N Para-Xylene Chemical group CC1=CC=C(C)C=C1 URLKBWYHVLBVBO-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 238000001833 catalytic reforming Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 239000003350 kerosene Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 239000003381 stabilizer Substances 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002303 thermal reforming Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- C10G35/00—Reforming naphtha
- C10G35/24—Controlling or regulating of reforming operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
- C10G2300/20—Characteristics of the feedstock or the products
-
- 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
- C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
- C10G2300/40—Characteristics of the process deviating from typical ways of processing
- C10G2300/4006—Temperature
-
- 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
- C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
- C10G2300/40—Characteristics of the process deviating from typical ways of processing
- C10G2300/4012—Pressure
-
- 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
- C10G2400/00—Products obtained by processes covered by groups C10G9/00 - C10G69/14
- C10G2400/30—Aromatics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45076—Gas, fuel refilling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
개질설비의 반응기 제어 방법 및 장치가 개시된다.
일 실시예에 따른 개질설비의 원료 성상 및 제품 성상 예측 방법은 개질설비의 원료 성상 예측을 위한 제1 예측 모델 및 제품 성상 예측을 위한 제2 예측 모델을 학습시키는 단계; 상기 학습된 제1 예측 모델을 포함하는 제1 예측부가 상기 개질설비의 반응기 세트에 대한 현재 운전 조건을 입력받아 상기 반응기 세트로 현재 공급되고 있는 원료의 성상을 실시간으로 예측하는 단계; 상기 학습된 제2 예측 모델을 포함하는 제2 예측부가 상기 현재 운전 조건과 상기 예측된 원료 성상을 입력받아 상기 반응기 세트에서 생산되고 있는 제품의 성상을 실시간으로 예측하는 단계; 상기 예측된 제품의 성상에 근거하여 상기 반응기 세트의 각 반응기를 제어하기 위한 제어신호로서, 상기 각 반응기에 적용할 온도 변화량을 계산하는 단계; 및 상기 계산된 온도 변화량에 기초하여 상기 각 반응기의 운전 온도를 제어하는 단계를 포함한다.
일 실시예에 따른 개질설비의 원료 성상 및 제품 성상 예측 방법은 개질설비의 원료 성상 예측을 위한 제1 예측 모델 및 제품 성상 예측을 위한 제2 예측 모델을 학습시키는 단계; 상기 학습된 제1 예측 모델을 포함하는 제1 예측부가 상기 개질설비의 반응기 세트에 대한 현재 운전 조건을 입력받아 상기 반응기 세트로 현재 공급되고 있는 원료의 성상을 실시간으로 예측하는 단계; 상기 학습된 제2 예측 모델을 포함하는 제2 예측부가 상기 현재 운전 조건과 상기 예측된 원료 성상을 입력받아 상기 반응기 세트에서 생산되고 있는 제품의 성상을 실시간으로 예측하는 단계; 상기 예측된 제품의 성상에 근거하여 상기 반응기 세트의 각 반응기를 제어하기 위한 제어신호로서, 상기 각 반응기에 적용할 온도 변화량을 계산하는 단계; 및 상기 계산된 온도 변화량에 기초하여 상기 각 반응기의 운전 온도를 제어하는 단계를 포함한다.
Description
개질설비의 반응기 제어 방법 및 장치가 개시된다. 더욱 상세하게는 개질설비의 원료 성상 및 제품 성상을 실시간으로 예측하고, 예측된 제품 성상에 근거하여 반응기의 운전을 제어할 수 있는 개질설비의 반응기 제어 방법 및 장치가 개시된다.
석유를 유전에서 채굴하여 원유를 생산하고 이를 우리가 사용하는 수송 연료, 난방 연료, 석유화학제품의 원료 등으로 전환하는 첫 번째 공정을 석유 정유(Oil Refining) 공정이라고 한다. 정유 공정은 크게 3가지 과정으로 나누어 진행된다.
우선 다양한 화학성분의 혼합물인 원유 온도를 높여 원유 내 각 화학성분의 끓는점 차이를 이용해 비슷한 물리 화학적 성상을 갖는 성분끼리 모아 분리하는 공정인 증류(Distillation), 증류된 중간 산물에 포함된 황과 같은 대기오염을 야기하는 성분 등의 불순물을 제거하여 증류 산물의 품질을 향상시키는 공정인 정제(Refining), 정제된 각 중간산물을 제품별로 혼합하거나 첨가제를 주입하는 공정인 배합(Blending)으로 진행된다.
정제(Refining) 공정 중의 하나인 납사개질공정은 수첨탈황공정을 통해 황, 질소, 금속 등이 제거된 중질 납사를 원료(Feed)로 하여 중질 납사에 포함되어 있는 납센 및 파라핀 성분을 방향족 성분으로 전환함으로써 방향족이 풍부한 개질 납사(Remormate)를 생산하는 공정이다.
납사개질공정이 이루어지는 납사개질설비는 다수의 반응기와 촉매 재생을 위한 촉매재생탑을 포함한다. 원료인 중질 납사는 촉매와 함께 첫 번째 반응기로 주입된 후, 나머지 반응기들을 차례로 통과하게 되는데, 각 반응기 내에서는 납사에 포함되어 있는 납센(Napthene) 성분 및 파라핀(Paraffine) 성분이 방향족(Aromatic) 성분으로 전환되는 개질반응이 일어난다. 이 때, 원료에 포함되어 있는 각 성분의 함량 및 반응기의 온도에 따라 반응기 내에서의 반응 정도가 달라지며, 그 결과, 납사개질공정을 통해 생산되는 제품의 성상 역시 달라진다.
그런데 종래에는 반응기의 운전 데이터를 1일 1회 측정하고, 측정된 운전 데이터와 운전원의 경험에 기초하여 반응기의 운전을 제어하고 있는 실정이다. 따라서 반응기의 운전을 실시간으로 제어하기가 어렵다는 문제가 있다.
개질설비의 원료 성상 및 제품 성상을 실시간으로 예측하여 운전자가 반응기의 운전 온도 조절에 따른 제품 성상 변화를 실시간으로 확인할 수 있도록 하고, 제품 성상 중에서 방향족 성분의 함량이 최대가 되도록 반응기의 운전을 제어할 수 있는 개질설비의 반응기 제어 방법 및 장치가 개시된다.
상술한 과제를 해결하기 위하여, 일 실시예에 따른 개질설비의 반응기 제어 방법은 개질설비의 원료 성상 예측을 위한 제1 예측 모델 및 제품 성상 예측을 위한 제2 예측 모델을 학습시키는 단계; 상기 학습된 제1 예측 모델을 포함하는 제1 예측부가 상기 개질설비의 반응기 세트에 대한 현재 운전 조건을 입력받아 상기 반응기 세트로 현재 공급되고 있는 원료의 성상을 실시간으로 예측하는 단계; 상기 학습된 제2 예측 모델을 포함하는 제2 예측부가 상기 현재 운전 조건과 상기 예측된 원료 성상을 입력받아 상기 반응기 세트에서 생산되고 있는 제품의 성상을 실시간으로 예측하는 단계; 상기 예측된 제품의 성상에 근거하여 상기 반응기 세트의 각 반응기를 제어하기 위한 제어신호로서, 상기 각 반응기에 적용할 온도 변화량을 계산하는 단계; 및 상기 계산된 온도 변화량에 기초하여 상기 각 반응기의 운전 온도를 제어하는 단계를 포함한다.
상기 제1 예측 모델은 상기 반응기 세트로 공급되었던 원료의 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 상기 반응기 세트의 운전 조건을 학습 데이터로 활용하여 학습된다.
상기 제2 예측 모델은 상기 반응기 세트로 공급되었던 원료의 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 상기 반응기 세트의 운전 조건, 및 상기 반응기 세트에서 생성되었던 제품의 성상에 대한 실험값을 학습 데이터로 활용하여 학습된다.
상기 제1 예측부는 상기 반응기 세트로 현재 공급되고 있는 원료에 포함되어 있는 납센의 함량 및 파라핀의 함량을 각각 예측한다.
상기 제2 예측부는 상기 반응기 세트에서 생산되고 있는 제품에 포함되어 있는 전체 방향족의 함량 및 파라핀의 함량을 각각 예측하되, 상기 전체 방향족의 성분별로 함량을 예측한다. 상기 현재 운전 조건은 상기 반응기 세트로 공급되고 있는 원료 유량, 순환 가스 유량, 수소 순도(Hydrogen purity), 운전 압력, 상기 각 반응기별 운전 온도, 상기 각 반응기의 입구 온도 및 출구 온도 중에서 하나 이상을 포함한다.
개질설비의 원료 성상 및 제품 성상이 실시간으로 예측되어 출력되므로, 운전자는 반응기의 운전 조건 변경에 따른 제품 성상의 변화를 실시간으로 확인할 수 있다.
예측된 제품 성상에 근거하여, 제품 내 방향족 성분의 함량이 최대가 될 수 있도록 반응기의 운전을 실시간으로 제어할 수 있다.
도 1은 정유설비를 개략적으로 도시한 도면이다.
도 2는 도 1에 도시된 개질설비를 예시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개질설비의 반응기 제어 장치의 구성을 도시한 도면이다.
도 4는 도 3에 도시된 제1 예측부에 의한 예측 결과를 예시한 것으로, 도 4의 (a)는 원료 내 납사의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이고, 도 4의 (b)는 원료 내 파라핀의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다.
도 5는 도 3에 도시된 제2 예측부에 의한 예측 결과를 예시한 것으로, 도 5의 (a)는 제품 내 방향족의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이고, 도 5의 (b)는 제품 내 파라핀의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다.
도 6은 제품 내 방향족의 함량(%)에 대한 실험값 및 예측값을 각 성분별로 구분하여 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 개질설비의 반응기 제어 방법을 도시한 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 개질설비의 반응기 제어 장치의 구성을 도시한 도면이다.
도 9는 본 발명의 다른 실시예에 따른 개질설비의 반응기 제어 방법을 도시한 흐름도이다.
도 2는 도 1에 도시된 개질설비를 예시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개질설비의 반응기 제어 장치의 구성을 도시한 도면이다.
도 4는 도 3에 도시된 제1 예측부에 의한 예측 결과를 예시한 것으로, 도 4의 (a)는 원료 내 납사의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이고, 도 4의 (b)는 원료 내 파라핀의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다.
도 5는 도 3에 도시된 제2 예측부에 의한 예측 결과를 예시한 것으로, 도 5의 (a)는 제품 내 방향족의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이고, 도 5의 (b)는 제품 내 파라핀의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다.
도 6은 제품 내 방향족의 함량(%)에 대한 실험값 및 예측값을 각 성분별로 구분하여 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 개질설비의 반응기 제어 방법을 도시한 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 개질설비의 반응기 제어 장치의 구성을 도시한 도면이다.
도 9는 본 발명의 다른 실시예에 따른 개질설비의 반응기 제어 방법을 도시한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 출입문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예들을 설명한다. 도면에서 동일한 도면 부호는 동일한 구성요소를 나타낸다.
도 1은 정유설비를 개략적으로 도시한 도면이다.
도 1을 참조하면, 정유설비는 상압증류설비(Crude Distillation unit; CDU), 납사안정화탑(Stabilizer), 납사분리설비(Naphtha Splitting Unit; NSU), 올레핀 생산설비 및 방향족 생산설비를 포함한다.
상압증류설비는 A-Tower, A-Column, Topper, Topping Column 이라고도 불리우며, 원유를 비등점의 차이에 따라 LPG, 납사(Naphtha), 등유(Kerosene), 디젤(Diesel), B-C유분으로 분리하는 설비이다. LPG 및 납사는 경질유분에 해당하고, 등유 및 디젤은 중간유분에 해당하며, B-C유분은 중질유분에 해당한다. 이 설비는 원유를 구성하고 있는 성분들이 일정한 압력과 온도 하에서 기체로 증발되려는 성질이 각각 다르다는 점을 이용한다. 탑(column)의 상부로 갈수록 탑 내부의 온도와 압력이 낮아지도록 하여, 혼합되어 있는 유분을 각각의 유분으로 분리한다. 상압증류설비는 대기압과 비슷한 상압에서 운전되기 때문에 상압증류탑이라 불린다.
상압증류탑의 내부는 약 40-50여개의 단(Stage)으로 구성되어 있고, 원유는 열교환기기(Heat exchanger) 및 가열로(Heater)를 통해 약 350℃로 가열되어 투입된다. 각각의 단은 약 1m 내외의 높이마다 설치된 트레이(Tray)로 구분되어 있다. 각각의 트레이는 기포를 발생시키기 쉬운 구조의 캡형태(Bubble Cap Tray), 작은 구멍이 뚫 려 있는 형태 또는 밸브가 설치된 형태의(Valve Tray) 철판으로 되어 있어 윗단에서 응축되어 내려오는 액상 성분과 아랫단에서 기화하여 올라오는 기상 성분이 원활하게 접촉되도록 하여 기·액 평형이 쉽게 이루어지도록 고안되어 있다.
납사안정화탑은 상압증류탑의 가장 높은 단에서 회수되는 납사 유분에서 가스 유분(LPG 및 연료가스)를 제거하여 납사만을 분리해 내는 증류탑을 말한다.
납사분리설비는 납사안정화탑에서 회수되는 납사(Whole Straight Run Naphtha, WSR)를 경질 납사(Light Straight Run Naphtha, LSR)와 중질 납사(Heavy Straight Run Naphtha, HSR)로 분리하는 설비이다.
올레핀 생산설비는 경질 납사를 원료로 사용하여 에틸렌, 프로필렌, BTX 등의 기초 유분을 생산하는 설비이다. 올레핀 생산설비는 납사분해설비(Naphtha Cracking Center, NCC)를 포함한다.
방향족 생산설비는 중질 납사를 원료로 사용하여 벤젠(Benzene), 톨루엔(Toluene), 파라자일렌(Xylene) 등의 방향족을 생산하는 설비이다. 방향족 생산설비는 전처리설비 및 BTX생산설비를 포함한다.
전처리설비는 수첨탈황설비(Naphtha Hydro-Treater, NHT) 및 개질설비(Reformer)를 포함한다.
수첨탈황설비는 원료인 중질 납사에 존재하는 황(S), 질소(N), 금속(Metal)을 제거하고 올레핀을 포화시키는 설비이다. 황, 질소, 금속은 개질설비에 들어가는 촉매의 효율을 떨어뜨리기 때문에 반드시 제거되어야 한다. 수첨탈황설비는 고온, 고압의 조건에서 수소를 첨가하고 촉매를 활용하여 황, 질소, 금속을 제거한다. 수첨탈황설비를 통해 황, 질소, 금속이 제거된 중질 납사는 개질설비로 공급된다.
개질설비는 중질 납사에 존재하는 납센(Naphthene) 성분과 파라핀(Paraffin) 성분을 방향족(Aromatic) 성분으로 전환하여 방향족이 풍부한 개질 납사(Reformate)를 생산하는 설비이다. 개질의 방법으로는 촉매를 사용하지 않고 고온으로만 가열하는 열개질(Thermal Reforming)과 촉매를 써서 처리하는 접촉개질(Catalystic Reforming)을 예로 들 수 있다. 이하의 설명에서는 촉매를 사용하는 접촉개질 방법을 예로 들어 설명하기로 한다.
도 2는 도 1에 도시된 개질설비를 개략적으로 도시한 도면이다.
도 2를 참조하면, 개질설비는 다수의 반응기를 포함하는 반응기 세트(Reator set)(210), 촉매재생탑(220) 및 안정화탑을 포함하여 구성된다.
수소를 다량 함유한 순환가스와 수첨탈황설비에 의해 처리된 중질 납사(Treated Heavy Naphth)는 원료 교환기(Feed Exchanger) 및 히터(Heater)를 통과하면서 약 520°C, 4기압까지 가열 및 승압된 다음 4개의 반응기를 차례로 통과한다. 이 때, 반응기 세트(210) 내에서 촉매가 반응물과 함께 이동한다. 반응기 세트(210)를 나온 유분은 분리기(Seperator)를 통해 수소를 다량 함유한 가스와 액상으로 분리된다. 분리된 가스는 안정화탑(Stabilizer)을 거쳐 다시 순환되며, 잉여 가스는 수소를 사용하는 공정으로 보내진다.
이처럼 개질설비는 수첨탈황설비에 의해 처리된 중질 납사를 원료로 하여 방향족이 풍부한 개질 납사(Reformate)를 생산한다. 반응기 세트(210) 내에서 이루어지는 개질 반응은 흡열 반응의 특징을 가지므로, 반응기 세트(210)의 온도가 높을수록 반응이 잘 일어나는 특성을 갖는다. 또한, 반응기 세트(210)로 공급되는 원료의 성상에 따라 각 반응기 내에서의 반응 정도가 달라지게 되는데, 각 반응기 내에서의 반응 정도는 각 반응기 전단과 후단의 온도 차이에 근거하여 판단할 수 있다.
따라서, 원료 성상에 대한 실험값, 해당 원료를 사용하여 개질공정을 진행했을 때 반응기 세트(210)의 운전 조건(예를 들어, 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도, 각 반응기의 입구 온도 및 출구 온도), 및 제품 성상에 대한 실험값 등의 데이터를 분석하여, 개질설비의 현재 운전 조건에 따른 원료 성상을 예측하기 위한 제1 예측 모델과, 개질설비의 제품 성상을 예측하기 위한 제2 예측 모델을 만들면, 이러한 예측 모델들을 통해 개질설비의 현재 운전 조건에 따른 원료 성상 및 제품 성상을 각각 실시간으로 예측할 수 있다. 또한, 예측된 제품 성상에 근거하여, 제품 내 방향족 성분의 함량이 최대가 될 수 있도록 각 반응기의 운전 조건을 실시간으로 제어할 수 있다.
실시예에 따르면, 제1 예측 모델은 원료 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트의 운전 조건를 학습 데이터(Training Data)로 활용하여 학습된다. 여기서, 원료 성상에 대한 실험값으로는 원료에 포함되어 있는 납센의 함량 및 파라핀의 함량을 예로 들 수 있다. 원료 내 납사의 함량 및 파라핀의 함량에 대한 실험값은 원료의 샘플을 채취한 후 분석하여 얻을 수 있다. 반응기 세트의 운전 조건으로는 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도(각 반응기별 내부 온도), 각 반응기의 입구 온도 및 출구 온도, 그리고 반응기 가중평균 입구 온도(Weighted Average Inlet Temperature, WAIT)를 예로 들 수 있다.
학습이 완료된 제1 예측 모델은 입력 변수로서 반응기 세트의 현재 운전 조건을 입력받아, 출력 변수로서 원료 내 납센 함량 및 파라핀 함량에 대한 예측 결과를 각각 출력한다.
실시예에 따르면, 제2 예측 모델은 원료 성상에 대한 실험값(예를 들어, 원료 내 납센의 함량 및 파라핀의 함량 각각에 대한 실험값), 상기 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트의 운전 조건(예를 들어, 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도, 각 반응기의 입구 온도 및 출구 온도, 그리고 반응기 가중평균 입구 온도), 반응기 세트에서 생성된 제품 성상에 대한 실험값을 학습 데이터로 활용하여 학습된다. 여기서, 제품 성상에 대한 실험값으로는 제품 내 방향족 함량 및 파라핀의 함량을 예로 들 수 있다. 또한, 제품 내 방향족 함량은 제품 내 방향족 C6 함량, 방향족 C7 함량, 방향족 C8 함량 및 방향족 C9 함량으로 세분화될 수 있다. 제품 내 방향족의 함량에 대한 실험값 및 제품 내 파라핀의 함량에 대한 실험값은 제품의 샘플을 채취한 후 분석하여 얻을 수 있다.
학습이 완료된 제2 예측 모델은 입력 변수로서 반응기 세트의 현재 운전 조건과 제1 예측 모델의 원료 성상 예측 결과를 입력받아, 출력 변수로서 제품 내 방향족 함량 및 파라핀 함량에 대한 예측 결과를 각각 출력한다. 이처럼 제2 예측 모델은 제품 내 전체 방향족의 함량에 대한 예측 결과를 출력할 뿐만 아니라, 전체 방향족 중에서 방향족 C6의 함량, 방향족 C7의 함량, 방향족 C8의 함량 및 방향족 C9 함량 각각에 대한 예측 결과를 출력한다.
도 3은 본 발명의 일 실시예에 따른, 개질설비의 반응기 제어 장치(이하, '반응기 제어 장치'라 한다)(300)의 구성을 도시한 도면이다.
도 3을 참조하면, 반응기 제어 장치(300)는 입력부(310), 제1 예측부(320), 제2 예측부(330), 출력부(340) 및 제어신호 생성부(350)를 포함한다.
입력부(310)는 운전자로부터 각종 정보 및/또는 명령을 입력받는다. 예를 들면, 반응기 세트(210)의 현재 운전 조건을 입력받는다. 반응기 세트(210)의 운전 조건으로는 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도(각 반응기별 내부 온도), 각 반응기의 입구 온도 및 출구 온도, 그리고 반응기 가중평균 입구 온도를 예로 들 수 있다. 예시된 바와 같은 운전 조건들은 개질설비의 각 구성요소마다 배치된 센서에 의해 감지된 것이거나, 운전자에 의해 직접 입력된 것일 수 있다. 다른 예로, 입력부(310)는 운전 조건 변경 명령을 입력받는다. 구체적으로, 반응기 가중평균 입구 온도를 변경하는 명령 또는 각 반응기의 입구 온도를 변경하는 명령을 입력받는다. 이러한 명령들은 운전자에 의해 입력된 것일 수 있다
이러한 정보 및/또는 명령을 입력받기 위하여 입력부(310)는 키 패드, 터치 패드 또는 터치 패널 등의 입력 수단을 포함한다. 터치 패널은 저항막 방식의 터치 패널, 정전용량 방식의 터치 패널, 초음파 방식의 터치 패널, 또는 적외선 방식의 터치 패널을 포함한다. 이러한 터치 패널은 후술될 출력부(340)의 디스플레이(도시되지 않음)에 적층 되어 터치 스크린(touch screen)을 구성한다.
제1 예측부(320)는 입력부(310)를 통해 입력된 반응기 세트의 현재 운전 조건에 근거하여, 반응기 세트로 공급되고 있는 원료의 성상을 실시간으로 예측한다. 이를 위해 제1 예측부(320)는 앞서 설명한 바와 같은 사전에 학습된 제1 예측 모델을 이용할 수 있다. 제1 예측 모델을 통해 예측된 예측 결과를 예시하면 도 4와 같다.
도 4의 (a)는 원료 내 납사의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다. 도 4의 (a)에 도시된 그래프에서 가로축은 시간을 나타내고, 세로축은 원료 내 납사의 함량을 나타낸다. 그리고 파란색 실선은 원료 내 납센 함량에 대한 예측값을 나타내며, 빨간색 점은 원료 내 납센 함량에 대한 실험값을 나타낸다.
도 4의 (a)를 참조하면, 원료 내 납센의 함량에 대한 실험값은 1일 1회 획득되는데 비하여, 예측값은 시간이 지남에 따라 연속적으로 획득되는 것을 알 수 있다. 또한, 전체 대상의 95%를 오차 5% 이내(함량±1.5%)로 예측 가능하다는 것을 알 수 있다. 또한, '원료 내 납산의 함량'이라는 출력 변수에 대한 평균 제곱근 오차(Root Mean Square Error; RMSE)는 0.74인 것을 알 수 있다.
도 4의 (b)는 원료 내 파라핀의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다. 도 4의 (b)에 도시된 그래프에서 가로축은 시간을 나타내고, 세로축은 원료 내 파라핀의 함량을 나타낸다. 그리고 파란색 실선은 원료 내 파라핀 함량에 대한 예측값을 나타내며, 빨간색 점은 원료 내 파라핀 함량에 대한 실험값을 나타낸다.
도 4의 (b)를 참조하면, 원료 내 파라핀의 함량에 대한 실험값은 1일 1회 획득되는데 비하여, 예측값은 시간이 지남에 따라 연속적으로 획득되는 것을 알 수 있다. 또한, 전체 대상의 95%를 오차 4% 이내(함량±2.2%)로 예측 가능하다는 것을 알 수 있다. 또한, '원료 내 파라핀의 함량'이라는 출력 변수에 대한 평균 제곱근 오차는 1.04인 것을 알 수 있다.
평균 제곱근 오차란 예측값에서 실험값을 뺀 값의 제곱의 합을 표본수로 나눈 것이다. 다시 말해, 평균 제곱근 오차는 제1 예측부(320)가 예측한 예측값과 실제 환경에서 측정한 측정값의 차이를 나타내는 척도이다. 평균 제곱근 오차는 정밀도(precision)을 나타내는데 적합한데, 평균 제곱근 오차가 작을수록 정밀도가 높은 것으로 이해될 수 있다.
도 4를 참조하면, '원료 내 납센의 함량'이라는 출력 변수에 대한 평균 제곱근 오차가 '원료 내 파라핀의 함량'이라는 출력 변수에 대한 평균 제곱근 오차에 비하여 더 작은 값을 갖는 것을 알 수 있다. 이는 제1 예측부(320)의 제1 예측 모델이 '원료 내 납센의 함량'이라는 출력 변수에 대하여 좀 더 높은 정밀도를 갖는 것으로 이해될 수 있다.
다시 도 3을 참조하면, 제2 예측부(330)는 입력부(310)를 통해 입력된 반응기 세트의 현재 운전 조건 및 제1 예측부(320)의 예측 결과 즉, 예측된 원료 성상에 근거하여, 반응기 세트에서 생산되고 있는 제품의 성상을 실시간으로 예측한다. 이를 위해 제2 예측부(330)는 앞서 설명한 바와 같은 사전에 학습된 제2 예측 모델을 이용할 수 있다. 제2 예측 모델을 통해 예측된 예측 결과를 예시하면 도 5 및 도 6과 같다.
도 5는 제2 예측 모델을 통해 예측된 결과들 중에서 제품 성상에 대한 예측 결과를 도시한 도면이다.
도 5의 (a)는 제품 내 방향족의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다. 도 5의 (a)에 도시된 그래프에서 가로축은 시간을 나타내고, 세로축은 제품 내 방향족의 함량을 나타낸다. 그리고 파란색 실선은 제품 내 방향족 함량에 대한 예측값을 나타내며, 빨간색 점은 제품 내 방향족 함량에 대한 실험값을 나타낸다.
도 5의 (a)를 참조하면, 제품 내 방향족의 함량에 대한 실험값은 1일 1회 획득되는데 비하여, 예측값은 시간이 지남에 따라 연속적으로 획득되는 것을 알 수 있다. 또한, 전체 대상의 95%를 오차 2% 이내(함량±1.1%)로 예측 가능하다는 것을 알 수 있다. 또한, '제품 내 방향족의 함량'이라는 출력 변수에 대한 평균 제곱근 오차는 0.62인 것을 알 수 있다.
도 5의 (b)는 제품 내 파라핀의 함량(%)에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다. 도 5의 (b)에 도시된 그래프에서 가로축은 시간을 나타내고, 세로축은 제품 내 파라핀의 함량을 나타낸다. 그리고 파란색 실선은 제품 내 파라핀 함량에 대한 예측값을 나타내며, 빨간색 점은 제품 내 파라핀 함량에 대한 실험값을 나타낸다.
도 5의 (b)를 참조하면, 제품 내 파라핀의 함량에 대한 실험값은 1일 1회 획득되는데 비하여, 예측값은 시간이 지남에 따라 연속적으로 획득되는 것을 알 수 있다. 또한, 전체 대상의 95%를 오차 4% 이내(함량±1.0%)로 예측 가능하다는 것을 알 수 있다. 또한, '제품 내 파라핀의 함량'이라는 출력 변수에 대한 평균 제곱근 오차는 0.61인 것을 알 수 있다.
도 6은 제품 내 방향족 함량에 대한 실험값 및 예측값을 각 성분별로 구분하여 도시한 것이다.
도 6의 (a1)는 제품 내 방향족 C6의 함량에 대한 실험값 및 예측값을 비교하여 도시한 그래프이고, (a2)는 제품 내 방향족 C7의 함량에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다. (a3)은 제품 내 방향족 C8의 함량에 대한 실험값 및 예측값을 비교하여 도시한 그래프이고, (a4)는 제품 내 방향족 C9의 함량에 대한 실험값 및 예측값을 비교하여 도시한 그래프이다.
(a2) 및 (a4)를 참조하면, 실측값과 예측값 간의 오차가 작은데 비하여, (a1) 및 (a3)을 참조하면, 실측값과 예측값 간의 오차가 다소 크다는 것을 알 수 있다. 이처럼 실측값과 예측값 간의 오차가 기준치를 초과하는 경우, 제2 예측 모델의 성능을 조정하기 위한 튜닝 과정이 수행될 수 있다.
다시 도 3을 참조하면, 출력부(340)는 명령 처리 결과 및/또는 각종 데이터를 시각적 신호 및 청각적 신호 중 적어도 하나로 출력한다. 예를 들면, 출력부(340)는 제1 예측부(320)의 예측 결과 및/또는 제2 예측부(330)의 예측 결과를 시각적 신호 및/또는 청각적 신호로 출력한다. 이를 위하여 출력부(340)는 시각적 신호를 출력하기 위한 디스플레이(도시되지 않음) 및 청각적 신호를 출력하기 위한 스피커(도시되지 않음)를 포함한다. 디스플레이는 평판 디스플레이(Flat panel display), 연성 디스플레이(Flexible display), 불투명 디스플레이, 투명 디스플레이, 전자종이(Electronic paper, E-paper) 형태로 제공되거나, 본 발명이 속하는 기술분야에서 잘 알려진 임의의 형태로 제공될 수 있다.
출력부(340)를 통해 제1 예측부(320)의 예측 결과 및/또는 제2 예측부(330)의 예측 결과가 출력되면, 운전자는 출력된 예측 결과를 참조하여 반응기 세트(210)의 운전 조건이나 각 반응기의 운전 조건을 변경하기 위한 운전 변경 명령을 입력부(310)를 통해 직접 입력할 수 있다. 일 예로, 제2 예측부(330)의 예측 결과들 중에서 제품 내 방향족의 함량에 대한 예측값 및 제품 내 파라핀의 함량에 대한 예측값이 디스플레이를 통해 표시되면, 운전자는 제품 내 방향족 성분의 함량이 기준치에 도달할 수 있도록 각 반응기에 적용할 운전 온도를 입력부(310)를 통해 직접 입력할 수 있다.
제어신호 생성부(350)는 제2 예측부(330)의 제품 성상 예측 결과에 근거하여, 각 반응기의 운전 온도를 제어하기 위한 제어신호를 각각 생성한다.
일 예로, 제품 내 전체 방향족의 함량에 대한 예측값이 기준치 미만이라면, 제어신호 생성부(340)는 제품 내 전체 방향족의 함량을 기준치에 도달하도록 만들기 위해 각 반응기의 운전 온도를 얼마나 상승시켜야 하는지를 계산한다. 즉, 각 반응기에 적용해야할 온도 변동량을 계산한다.
다른 예로, 제품 내 특정 방향족의 함량이 기준치 미만이라면, 제어신호 생성부(340)는 제품 내 특정 방향족의 함량을 기준치에 도달하도록 만들기 위해 필요한 각 반응기별 온도 변동량을 계산한다. 제품 내 전체 방향족의 함량 또는 특정 방향족의 함량 중에서 어떤 것을 기준으로 반응기별 온도 변동량을 계산할 것인지는 운전자에 의해 사전에 설정될 수 있다.
한편, 각 반응기에 적용할 온도 변동량을 계산할 때, 제어신호 생성부(350)는 개질설비 내 촉매재생타워의 허용 온도 및 코크(coke) 발생량을 고려하여, 허용 범위 내에서 각 반응기에 적용할 온도 변동량을 계산한다.
계산된 온도 변화량은 각 반응기에 바로 적용될 수도 있고, 각 반응기에 적용되기에 앞서, 출력부(340)를 통해 출력될 수도 있다. 이 경우, 운전자는 출력된 정보를 확인한 후, 계산된 온도 변화량을 각 반응기에 적용할 것인지 아닌지를 선택할 수도 있다.
도 7은 본 발명의 일 실시예에 따른 개질설비의 반응기 제어 방법을 도시한 흐름도이다.
먼저, 개질설비의 원료 성상 예측을 위한 제1 예측 모델 및 제품 성상 예측을 위한 제2 예측 모델을 각각 학습시킨다(S610). 제1 예측 모델은 원료 성상에 대한 실험값(예를 들어, 원료 내 납센의 함량, 원료 내 파라핀의 함량), 해당 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트(210)의 운전 조건(예를 들어, 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도, 각 반응기의 입구 온도 및 출구 온도, 그리고 반응기 가중평균 입구 온도)을 학습 데이터(Training Data)로 활용하여 학습된다. 제2 예측 모델은 원료 성상에 대한 실험값, 해당 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트(210)의 운전 조건, 및 반응기 세트(210)에서 생성된 제품 성상에 대한 실험값(예를 들어, 제품 내 전체 방향족의 함량, 제품 내 전체 파라핀의 함량, 제품 내 방향족 C6의 함량, 제품 내 방향족 C7의 함량, 제품 내 방향족 C8의 함량, 제품 내 방향족 C9의 함량)을 학습 데이터로 활용하여 학습된다.
이후, 반응기 세트(210)의 현재 운전 조건을 제1 예측 모델에 입력하여 반응기 세트(210)로 입력되는 원료 성분을 예측한다(S620). 구체적으로, 원료 내 납센 함량 및 파라핀 함량을 각각 예측한다. 이 때, 반응기 세트(210)의 현재 운전 조건으로는 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도, 각 반응기의 입구 온도 및 출구 온도, 그리고 반응기 가중평균 입구 온도를 예로 들 수 있다.
이후, 반응기 세트(210)의 현재 운전 조건과 S620 단계에서 예측된 원료 성상을 제2 예측 모델에 입력하여 반응기 세트(210)에서 생산되는 제품 성분을 예측한다(S630). 구체적으로, 제품 내 전체 방향족 함량 및 전체 파라핀 함량을 예측한다. 이 때, 제2 예측 모델은 제품 내 전체 방향족의 함량뿐만 아니라, 제품 내 특정 방향족 성분의 함량을 각각 예측한다. 예를 들면, 방향족 C6, 방향족 C7, 방향족 C8 및 방향족 C9의 함량을 각각 예측한다.
그 다음, 제2 예측 모델에 의해 예측된 제품 성상에 근거하여 각 반응기의 운전 온도를 제어하기 위한 제어신호로서, 각 반응기에 적용할 온도 변화량을 계산한다(S640).
그 다음, 계산된 온도 변화량에 기초하여 각 반응기의 운전 온도를 제어한다(S650).
도 8은 본 발명의 다른 실시예에 따른 반응기 제어 장치(800)의 구성을 도시한 도면이다.
도 8을 참조하면, 반응기 제어 장치(800)는 입력부(810), 제1 예측부(820), 제2 예측부(830), 출력부(840) 및 제어신호 생성부(850)를 포함한다. 입력부(810), 제1 예측부(820), 제2 예측부(830), 출력부(840) 및 제어신호 생성부(850)는 도 3의 입력부(310), 제1 예측부(320), 제2 예측부(330), 출력부(340) 및 제어신호 생성부(350)에 대응된다. 따라서 중복되는 설명은 생략하고, 차이점 위주로 설명하기로 한다.
제1 예측부(820)는 서로 다른 n개(예를 들어, 7개)의 제1 예측 모델을 포함한다. n개의 제1 예측 모델은 원료 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트의 운전 조건을 학습 데이터로 활용하여 각각 학습된다. 그리고 학습 완료된 제1 예측 모델들 중에서 정확도가 가장 높은 예측 결과를 출력한 제1 예측 모델이 선택된다.
어느 하나의 제1 예측 모델을 선택하는 것은, 복수의 제1 예측 모델에서 출력된 예측 결과들을 분석한 결과에 따라 자동으로 선택될 수도 있고, 운전자에 의해 직접 선택될 수도 있다. 선택된 제1 예측 모델은 활성화되고, 비선택된 나머지 제1 예측 모델들은 비활성화될 수 있다. 따라서, 학습 완료 후, 입력부(810)를 통해 입력된 반응기 세트의 현재 운전 조건이 n개의 제1 예측 모델로 각각 입력되더라도, 사전에 선택된 제1 예측 모델만이 원료 성상에 대한 예측 결과를 출력한다.
제2 예측부(830)는 서로 다른 m개(예를 들어, 7개)의 제2 예측 모델을 포함한다. m개의 제2 예측 모델은 원료 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트의 운전 조건, 반응기 세트에서 생성된 제품 성상에 대한 실험값을 학습 데이터로 활용하여 각각 학습된다. 그리고 학습 완료된 제2 예측 모델들 중에서 정확도가 가장 높은 예측 결과를 출력한 제2 예측 모델이 선택된다.
어느 하나의 제2 예측 모델을 선택하는 것은 복수의 제2 예측 모델에서 출력된 예측 결과들을 분석한 결과에 따라 자동으로 선택될 수도 있고, 운전자에 의해 직접 선택될 수도 있다. 선택된 제2 예측 모델은 활성화되고, 비선택된 나머지 제2 예측 모델들은 비활성화될 수 있다. 따라서, 학습이 완료된 후, 입력부(810)를 통해 입력된 반응기 세트의 현재 운전 조건과, 제1 예측부(820)에서 출력된 예측 결과가 m개의 제2 예측 모델로 각각 입력되더라도, 사전에 선택된 제2 예측 모델만이 제품 성상에 대한 예측 결과를 출력한다.
도 9는 본 발명의 다른 실시예에 따른 개질설비의 반응기 제어 방법을 도시한 흐름도이다.
먼저, 개질설비의 원료 성상 예측을 위한 복수의 제1 예측 모델 및 제품 성상 예측을 위한 복수의 제2 예측 모델을 각각 학습시킨다(S910). 복수의 제1 예측 모델은 원료 성상에 대한 실험값(예를 들어, 원료 내 납센의 함량, 원료 내 파라핀의 함량), 해당 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트의 운전 조건(예를 들어, 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도, 각 반응기의 입구 온도 및 출구 온도)을 학습 데이터(Training Data)로 활용하여 학습된다. 복수의 제2 예측 모델은 원료 성상에 대한 실험값, 해당 원료를 사용하여 개질반응을 진행했을 때의 반응기 세트의 운전 조건, 및 반응기 세트에서 생성된 제품 성상에 대한 실험값(예를 들어, 제품 내 전체 방향족의 함량, 제품 내 전체 파라핀의 함량, 제품 내 방향족 C6의 함량, 제품 내 방향족 C7의 함량, 제품 내 방향족 C8의 함량, 제품 내 방향족 C9의 함량)을 학습 데이터로 활용하여 학습된다.
학습이 완료되면, 복수의 제1 예측 모델 중에서 정확도가 가장 높은 예측 결과를 출력한 제1 예측 모델이 선택된다. 마찬가지로, 복수의 제2 예측 모델 중에서 정확도가 가장 높은 예측 결과를 출력한 제2 예측 모델이 선택된다.
이후, 반응기 세트의 현재 운전 조건을 제1 예측 모델에 입력하여 반응기 세트로 입력되는 원료 성분을 예측한다(S920). 구체적으로, 원료 내 납센 함량 및 파라핀 함량을 각각 예측한다. 이 때, 반응기 세트의 현재 운전 조건으로는 원료 유량, 순환 가스 유량, 수소 순도, 운전 압력, 각 반응기별 운전 온도, 각 반응기의 입구 온도 및 출구 온도를 예로 들 수 있다.
이후, 반응기 세트의 현재 운전 조건과 S920 단계에서 예측된 원료 성상을 제2 예측 모델에 입력하여 반응기 세트에서 생산되는 제품 성분을 예측한다(S630). 구체적으로, 제품 내 전체 방향족 함량 및 전체 파라핀 함량을 예측한다. 이 때, 제2 예측 모델은 제품 내 전체 방향족의 함량뿐만 아니라, 제품 내 특정 방향족 성분의 함량을 각각 예측한다. 예를 들면, 방향족 C6, 방향족 C7, 방향족 C8 및 방향족 C9의 함량을 각각 예측한다.
그 다음, 제2 예측 모델에 의해 예측된 제품 성상에 근거하여 각 반응기의 운전 온도를 제어하기 위한 제어신호로서, 각 반응기에 적용할 온도 변화량을 계산한다(S940).
그 다음, 계산된 온도 변화량에 기초하여 각 반응기의 운전 온도가 제어된다(S950).
이상으로 본 발명의 실시예들을 설명하였다. 전술한 실시예들에서 반응기 제어 장치(300, 800)를 구성하는 구성요소들 중에서 제1 예측부(320, 820) 및 제2 예측부(330, 830)는 데이터를 가공하여 데이터를 생성하는 소프트웨어 센서(software sensor)인 것으로 이해될 수 있다.
또한, 도 3 및 도 8은 반응기 제어 장치(300, 800)가 하나의 물리적 장치인 것으로 도시되어 있으나, 이는 이해의 편의를 제공하기 위한 것일 뿐이며, 실시예에 따라, 반응기 제어 장치(300, 800)는 복수의 컴퓨팅 장치로 구성된 시스템으로 구현될 수도 있다. 예를 들어, 제1 예측부(320, 820) 및 제2 예측부(330, 830) 중에서 하나 이상은 독립된 컴퓨팅 장치로 구현될 수 있다. 이 경우, 각 컴퓨팅 장치는 네트워크를 통해 통신할 수 있다.
컴퓨텅 장치는 본 발명의 실시예들에 따른 개질설비의 반응기 제어 방법을 실행하기 위한 어플리케이션 또는 컴퓨터 프로그램을 저장하는 스토리지와, 상기 어플리케이션 또는 컴퓨터 프로그램에 대한 연산을 수행하는 하나 이상의 프로세서와, 상기 프로세서에 의하여 수행되는 어플리케이션 또는 컴퓨터 프로그램을 로드(load)하는 메모리와, 컴퓨팅 장치의 구성 요소 간의 통신 기능을 제공하는 버스(bus)와, 컴퓨팅 장치의 유무선 인터넷 통신을 지원하는 네트워크 인터페이스를 포함할 수 있다.
한편, 전술한 실시예들에 더하여, 본 발명의 실시예들은 전술한 실시예의 적어도 하나의 처리 요소를 제어하기 위한 컴퓨터 판독 가능한 코드/명령을 포함하는 매체 예를 들면, 컴퓨터 판독 가능한 매체를 통해 구현될 수도 있다. 상기 매체는 상기 컴퓨터 판독 가능한 코드의 저장 및/또는 전송을 가능하게 하는 매체/매체들에 대응할 수 있다.
상기 컴퓨터 판독 가능한 코드는, 매체에 기록될 수 있을 뿐만 아니라, 인터넷을 통해 전송될 수도 있다. 상기 매체는 예를 들어, 마그네틱 저장 매체(예를 들면, ROM, 플로피 디스크, 하드 디스크 등) 및 광학 기록 매체(예를 들면, CD-ROM, Blu-Ray, DVD)와 같은 기록 매체, 반송파(carrier wave)와 같은 전송 매체를 포함할 수 있다. 상기 매체들은 분산 네트워크일 수도 있으므로, 컴퓨터로 읽을 수 있는 코드는 분산 방식으로 저장/전송되고 실행될 수 있다. 또한 더 나아가, 단지 일 예로써, 처리 요소는 프로세서 또는 컴퓨터 프로세서를 포함할 수 있고, 상기 처리 요소는 하나의 디바이스 내에 분산 및/또는 포함될 수 있다.
이상과 같이 예시된 도면을 참조로 하여, 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해해야만 한다.
300: 개질설비의 반응기 제어 장치
310: 입력부
320: 제1 예측부
330: 제2 예측부
340: 출력부
350: 제어신호 생성부
310: 입력부
320: 제1 예측부
330: 제2 예측부
340: 출력부
350: 제어신호 생성부
Claims (14)
- 개질설비의 원료 성상 예측을 위한 제1 예측 모델 및 제품 성상 예측을 위한 제2 예측 모델을 학습시키는 단계;
상기 학습된 제1 예측 모델을 포함하는 제1 예측부가 상기 개질설비의 반응기 세트에 대한 현재 운전 조건을 입력받아 상기 반응기 세트로 현재 공급되고 있는 원료의 성상을 실시간으로 예측하는 단계;
상기 학습된 제2 예측 모델을 포함하는 제2 예측부가 상기 현재 운전 조건과 상기 예측된 원료 성상을 입력받아 상기 반응기 세트에서 생산되고 있는 제품의 성상을 실시간으로 예측하는 단계;
상기 예측된 제품의 성상에 근거하여 상기 반응기 세트의 각 반응기를 제어하기 위한 제어신호로서, 상기 각 반응기에 적용할 온도 변화량을 계산하는 단계; 및
상기 계산된 온도 변화량에 기초하여 상기 각 반응기의 운전 온도를 제어하는 단계를 포함하는, 개질설비의 반응기 제어 방법. - 제1항에 있어서,
상기 제1 예측 모델은
상기 반응기 세트로 공급되었던 원료의 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 상기 반응기 세트의 운전 조건을 학습 데이터로 활용하여 학습되는, 개질설비의 반응기 제어 방법. - 제1항에 있어서,
상기 제2 예측 모델은
상기 반응기 세트로 공급되었던 원료의 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 상기 반응기 세트의 운전 조건, 및 상기 반응기 세트에서 생성되었던 제품의 성상에 대한 실험값을 학습 데이터로 활용하여 학습되는, 개질설비의 반응기 제어 방법. - 제1항에 있어서,
상기 제1 예측부는
상기 반응기 세트로 현재 공급되고 있는 원료에 포함되어 있는 납센의 함량 및 파라핀의 함량을 각각 예측하는, 개질설비의 반응기 제어 방법. - 제1항에 있어서,
상기 제2 예측부는
상기 반응기 세트에서 생산되고 있는 제품에 포함되어 있는 전체 방향족의 함량 및 파라핀의 함량을 각각 예측하되, 상기 전체 방향족의 성분별로 함량을 예측하는, 개질설비의 반응기 제어 방법. - 제1항에 있어서,
상기 현재 운전 조건은
상기 반응기 세트로 공급되고 있는 원료 유량, 순환 가스 유량, 수소 순도(Hydrogen purity), 운전 압력, 상기 각 반응기별 운전 온도, 상기 각 반응기의 입구 온도 및 출구 온도 중에서 하나 이상을 포함하는, 개질설비의 반응기 제어 방법. - 개질설비의 반응기 세트에 대한 현재 운전 조건이 입력되면, 사전에 학습된 제1 예측 모델을 이용하여, 상기 반응기 세트로 현재 공급되고 있는 원료의 성상을 실시간으로 예측하는 제1 예측부;
상기 현재 운전 조건과 상기 예측된 원료 성상이 입력되면, 사전에 학습된 제2 예측 모델을 이용하여, 상기 반응기 세트에서 생산되고 있는 제품의 성상을 실시간으로 예측하는 제2 예측부; 및
상기 예측된 제품의 성상에 근거하여 상기 반응기 세트의 각 반응기를 제어하기 위한 제어신호로서, 상기 각 반응기에 적용할 온도 변화량을 계산하는 제어신호 생성부를 포함하며,
상기 각 반응기의 운전 온도는 상기 계산된 온도 변화량에 기초하여 제어되는, 개질설비의 반응기 제어 장치. - 제7항에 있어서,
상기 제1 예측 모델은
상기 반응기 세트로 공급되었던 원료의 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 상기 반응기 세트의 운전 조건을 학습 데이터로 활용하여 학습되는, 개질설비의 반응기 제어 장치. - 제7항에 있어서,
상기 제2 예측 모델은
상기 반응기 세트로 공급되었던 원료의 성상에 대한 실험값, 상기 원료를 사용하여 개질반응을 진행했을 때의 상기 반응기 세트의 운전 조건, 및 상기 반응기 세트에서 생성되었던 제품의 성상에 대한 실험값을 학습 데이터로 활용하여 학습되는, 개질설비의 반응기 제어 장치. - 제7항에 있어서,
상기 제1 예측부는
상기 반응기 세트로 현재 공급되고 있는 원료에 포함되어 있는 납센의 함량 및 파라핀의 함량을 각각 예측하는, 개질설비의 반응기 제어 장치. - 제7항에 있어서,
상기 제2 예측부는
상기 반응기 세트에서 생산되고 있는 제품에 포함되어 있는 전체 방향족의 함량 및 파라핀의 함량을 각각 예측하되, 상기 전체 방향족의 성분별로 함량을 예측하는, 개질설비의 반응기 제어 장치. - 제7항에 있어서,
상기 현재 운전 조건은
상기 반응기 세트로 공급되고 있는 원료 유량, 순환 가스 유량, 수소 순도(Hydrogen purity), 운전 압력, 상기 각 반응기별 운전 온도, 상기 각 반응기의 입구 온도 및 출구 온도 중에서 하나 이상을 포함하는, 개질설비의 반응기 제어 장치. - 제1항 내지 제6항 중 어느 한 항에 기재된 개질설비의 반응기 제어 방법을 수행하는 프로그램이 기록된, 컴퓨터로 판독 가능한 기록 매체.
- 하드웨어인 단말 장치에 설치되어, 제1항 내지 제6항 중 어느 한 항의 개질설비의 반응기 제어 방법을 실행하는 것이며, 컴퓨터로 판독 가능한 일시적인 기록 매체에 저장된 단말 장치용 어플리케이션.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056213A KR20220149062A (ko) | 2021-04-30 | 2021-04-30 | 개질설비의 반응기 제어 방법 및 장치 |
| US17/732,711 US20220350309A1 (en) | 2021-04-30 | 2022-04-29 | Method and Apparatus for Controlling Reactor in Reformer |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210056213A KR20220149062A (ko) | 2021-04-30 | 2021-04-30 | 개질설비의 반응기 제어 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220149062A true KR20220149062A (ko) | 2022-11-08 |
Family
ID=83808369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210056213A KR20220149062A (ko) | 2021-04-30 | 2021-04-30 | 개질설비의 반응기 제어 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220350309A1 (ko) |
| KR (1) | KR20220149062A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101975436B1 (ko) | 2018-10-25 | 2019-05-07 | 동아대학교 산학협력단 | 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BE1009406A3 (fr) * | 1995-06-09 | 1997-03-04 | Solvay | Methode de regulation de procedes de synthese de produits chimiques. |
| JP4587016B2 (ja) * | 2003-05-30 | 2010-11-24 | ソニー株式会社 | 反応装置とその製造方法、改質装置、電源供給システム |
| US9102881B2 (en) * | 2011-04-29 | 2015-08-11 | Uop Llc | Process for increasing aromatics production from naphtha |
| US10457876B2 (en) * | 2017-08-23 | 2019-10-29 | Phillips 66 Company | Selective naphtha reforming processes |
| CN110066682B (zh) * | 2018-01-23 | 2021-04-27 | 中国石油化工股份有限公司 | 一种重整反应器温度梯度的优化方法 |
| RU2749252C1 (ru) * | 2020-02-26 | 2021-06-07 | Акционерное общество "Лаборатория Касперского" | Способ определения источников аномалии в кибер-физической системе |
| CN111899811B (zh) * | 2020-06-12 | 2024-06-25 | 中国石油天然气股份有限公司 | 一种催化重整装置产物预测模型建立方法、系统、设备及存储介质 |
| JP7504772B2 (ja) * | 2020-11-05 | 2024-06-24 | 株式会社東芝 | 異常判定装置、学習装置及び異常判定方法 |
| DE102021201296A1 (de) * | 2021-02-11 | 2022-08-11 | Thyssenkrupp Ag | Vorhersagemodell zum Vorhersagen von Produktqualitätsparameterwerten |
-
2021
- 2021-04-30 KR KR1020210056213A patent/KR20220149062A/ko active Search and Examination
-
2022
- 2022-04-29 US US17/732,711 patent/US20220350309A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101975436B1 (ko) | 2018-10-25 | 2019-05-07 | 동아대학교 산학협력단 | 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220350309A1 (en) | 2022-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stangeland | A kinetic model for the prediction of hydrocracker yields | |
| CN111899795B (zh) | 一种分子级炼油加工全流程优化方法、装置、系统及存储介质 | |
| Ancheyta-Juárez et al. | Kinetic modeling of naphtha catalytic reforming reactions | |
| Elfghi | A hybrid statistical approach for modeling and optimization of RON: A comparative study and combined application of response surface methodology (RSM) and artificial neural network (ANN) based on design of experiment (DOE) | |
| CN111899811B (zh) | 一种催化重整装置产物预测模型建立方法、系统、设备及存储介质 | |
| CN111899813B (zh) | 柴油加氢装置的产物预测模型优化方法、系统、设备及存储介质 | |
| CN113808673A (zh) | 催化重整反应动力学模型的建立、产物的预测方法和装置 | |
| KR20220149062A (ko) | 개질설비의 반응기 제어 방법 및 장치 | |
| CN111892939A (zh) | 一种原油蒸馏切割方法、系统、设备及存储介质 | |
| KR20220149060A (ko) | 개질설비의 원료 성상 및 제품 성상 예측 방법 및 장치 | |
| Zhou et al. | Enhancing the conversion of polycyclic aromatic hydrocarbons from naphthenic heavy oil: novel process design, comparative techno-economic analysis, and life cycle assessment | |
| Chen et al. | A 12-lump kinetic model for heavy oil fluid catalytic cracking for cleaning gasoline and enhancing light olefins yield | |
| Pashikanti et al. | Predictive modeling of large-scale integrated refinery reaction and fractionation systems from plant data. Part 3: Continuous catalyst regeneration (CCR) reforming process | |
| CN104020277A (zh) | 评估炼油原料的方法 | |
| KR20220149063A (ko) | 개질설비 내 촉매의 코크 함량 및 촉매재생탑의 온도 예측 방법 및 장치 | |
| Valavarasu et al. | A four lump kinetic model for the simulation of the hydrocracking process | |
| CN111899812B (zh) | 一种石油加工装置的产物模拟方法、系统、设备和存储介质 | |
| KR20220149065A (ko) | 납사분리설비의 제품 성상 예측 방법 및 장치 | |
| CN107592882B (zh) | 最佳加氢脱硫性能的原油板岩优化方法 | |
| JP2000303076A (ja) | ガソリン製造装置の運転モード決定方法及び運転方法 | |
| US6275776B1 (en) | Method for characterizing residual crude oil and petroleum fractions | |
| Muhsin et al. | Modelling and optimal operation of a crude oil hydrotreating process with atmospheric distillation unit utilising stacked neural networks | |
| Zhu | Molecular analysis for process synthesis | |
| CN110066682A (zh) | 一种重整反应器温度梯度的优化方法 | |
| CN113621406A (zh) | 催化重整装置操作工艺参数的确定方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |