TWI787971B - 腐蝕率預測裝置、方法及其電腦程式產品 - Google Patents
腐蝕率預測裝置、方法及其電腦程式產品 Download PDFInfo
- Publication number
- TWI787971B TWI787971B TW110131331A TW110131331A TWI787971B TW I787971 B TWI787971 B TW I787971B TW 110131331 A TW110131331 A TW 110131331A TW 110131331 A TW110131331 A TW 110131331A TW I787971 B TWI787971 B TW I787971B
- Authority
- TW
- Taiwan
- Prior art keywords
- corrosion rate
- corrosion
- measurement data
- rate prediction
- characteristic variables
- Prior art date
Links
Images
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
一種腐蝕率預測裝置、方法及其電腦程式產品。腐蝕率預測裝置儲存一酸鹼值預測模組及一腐蝕率預測模組。腐蝕率預測裝置接收執行一芳香烴製程的一系統的一當前量測資料組,該當前量測資料組包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的複數個選定特徵變數。腐蝕率預測裝置將該等當前特徵資料輸入該酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值,將該預估酸鹼值及該餾除塔的一運作溫度輸入該腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率,且以一修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。
Description
本發明係關於一種腐蝕率預測裝置、方法及其電腦程式產品。具體而言,本發明所提供的腐蝕率預測裝置、方法及其電腦程式產品係基於一芳香烴製程中的複數個選定特徵變數預測腐蝕率。
芳香烴製程中的許多處理階段(例如:預餾、加氫、重組、再生、裂萃、重萃)會產生腐蝕因子,對執行芳香烴製程的系統造成腐蝕。不同腐蝕因子的組合會造成不同的腐蝕機制。為瞭解系統在執行芳香烴製程後的腐蝕狀況,習知技術均檢測系統低點的水份酸鹼值及總鐵含量以評估系統的腐蝕狀況。此種檢測方式未考量芳香烴製程中的各處理階段所涉的特徵變數(例如:運作條件、進料),因而無法準確地預測系統的腐蝕率。
有鑑於此,本領域亟需一種能基於芳香烴製程中的重要特徵變數進行腐蝕監測且能準確地預測系統的腐蝕率的技術,進而預測剩餘壽命,達到定量管理的目的。
本發明的一目的在於提供一種腐蝕率預測裝置。該腐蝕率預測裝置包含一儲存器、一收發介面及一處理器,其中該處理器電性連接至該儲存器及該收發介面。該儲存器儲存經訓練的一酸鹼值預測模組及經訓練的一腐蝕率預測模組。該收發介面接收執行一芳香烴製程的一系統的一當前量測資料組,其中該當前量測資料組包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的複數個選定特徵變數。該處理器將該等當前特徵資料輸入該酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值,將該預估酸鹼值及該餾除塔的一運作溫度輸入該腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率,且以一修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。
本發明的另一目的在於提供一種腐蝕率預測方法,其係適用於一電子計算裝置。該腐蝕率預測方法包含下列步驟:(a)接收執行一芳香烴製程的一系統的一當前量測資料組,其中該當前量測資料組包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的複數個選定特徵變數,(b)將該等當前特徵資料輸入經訓練的一酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值,(c)將該預估酸鹼值及該餾除塔的一運作溫度輸入經訓練的一腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率,以及(d)以一修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。
本發明的又一目的在於提供一種電腦程式產品,其係包含複數個程式指令。一電子計算裝置載入該電腦程式產品後,該電子計算裝置執行該電腦程式產品所包含的該等程式指令以實現前段所述的腐蝕率預測方法。
針對執行一芳香烴製程的一系統,本發明所提供的腐蝕率預測技術(至少包含裝置、方法及其電腦程式產品)利用經訓練的一酸鹼值預測模組及經訓練的一腐蝕率預測模組來預測該系統中的一餾除塔的一腐蝕率。具體而言,芳香烴製程中的某些特徵變數(即,前述的選定特徵變數)對於是否造成系統中的餾除塔腐蝕有較明顯的影響,因此本發明所提供的腐蝕率預測技術將系統執行芳香烴製程時對應至這些選定特徵變數的複數筆當前特徵資料輸入該酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值,將該預估酸鹼值及該餾除塔的一運作溫度輸入該腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率,再以一修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。由於本發明所提供的腐蝕率預測技術考量芳香烴製程中對於腐蝕有較明顯影響的選定特徵變數,且以一能反映出系統實際的運作環境(例如:腐蝕溶液與系統中的管線的實際接觸狀況)的修正係數來將該初步預測腐蝕率修正為一修正預測腐蝕率,因此該修正預測腐蝕率能準確地作為該系統中的該餾除塔的實際腐蝕率。如此一來,該系統的管理者能基於較為準確的該修正預測腐蝕率瞭解的該餾除塔的腐蝕狀況,甚至據以評估系統的剩餘壽命,達到定量管理的目的。
以下結合圖式闡述本發明的詳細技術及實施方式,俾使本發明所屬技術領域中具有通常知識者能理解所請求保護的發明的技術特徵。
以下將透過實施方式來解釋本發明所提供的腐蝕率預測裝置、方法及其電腦程式產品。然而,該等實施方式並非用以限制本發明需在如該等實施方式所述的任何環境、應用或方式方能實施。因此,關於以下實施方式的說明僅在於闡釋本發明的目的,而非用以限制本發明的範圍。應理解,在以下實施方式及圖式中,與本發明非直接相關的元件已省略而未繪示。此外,圖式中各元件的尺寸以及元件間的尺寸比例僅為便於繪示及說明,而非用以限制本發明的範圍。
本發明的第一實施方式為一腐蝕率預測裝置1,其架構示意圖係描繪於第1A圖。腐蝕率預測裝置1包含一儲存器11、一收發介面13及一處理器15,其中處理器15電性連接至儲存器11及收發介面13。儲存器11可為一記憶體、一硬碟(Hard Disk Drive;HDD)或本發明所屬技術領域中具有通常知識者所知的任何其他具有相同功能的非暫態儲存媒體、電路或裝置。收發介面13可為本發明所屬技術領域中具有通常知識者所知的一有線傳輸介面或一無線傳輸介面,且用以收送訊號及資料。處理器15可為各種處理器、中央處理單元(Central Processing Unit;CPU)、微處理器(Microprocessor Unit;MPU)、數位訊號處理器(Digital Signal Processor;DSP)或本發明所屬技術領域中具有通常知識者所知悉的其他計算裝置。
於本實施方式中,儲存器11儲存經訓練的一酸鹼值預測模組M1及經訓練的一腐蝕率預測模組M2。針對執行一芳香烴製程的一系統,腐蝕率預測裝置1利用酸鹼值預測模組M1及腐蝕率預測模組M2來預測該餾除塔的腐蝕率,俾該系統的管理者能基於預測出來的腐蝕率評估該系統的剩餘壽命,達到定量管理的目的。以下詳述腐蝕率預測裝置1的運作原理及細節。
一芳香烴製程具有複數個製程特徵變數(未繪示),其中各該製程特徵變數可為任何與該芳香烴製程有關的因子,例如:進料、化合物濃度、運作設定、環境因素、品質指標等等。對於執行該芳香烴製程的系統中的餾除塔是否會發生腐蝕,這些製程特徵變數的一子集有較明顯的影響。為便於描述,可將該子集中的製程特徵變數稱之為第一選定特徵變數。本實施方式並未限定一芳香烴製程的該等第一選定特徵變數的決定方式,其可由一使用者(例如:該系統的管理者、熟悉芳香烴製程的專業人士)決定,或由基於統計分析法決定。
第1B圖描繪一去丁烷塔系統執行一芳香烴製程的簡要示意圖,但應理解其非用以限制本發明的範圍。於第1B圖所示的芳香烴製程中,核心輕油先經過加氫反應以去除硫及氮等不純物,再經過重組反應以將直鏈烴及環烷烴轉化為芳香烴,之後再經過脫氯槽處理,才會進入去丁烷塔。重組觸媒再生時需加入二氯乙烷以調整酸性催化功能,因此去丁烷塔的進料中含有微量的氯化氫、氯化銨及水。氯化氫、氯化銨及水進入去丁烷塔後,會在頂部濃縮累積。由於氯化氫在有水的環境下會發生解離,造成系統酸性均勻腐蝕,因此為去丁烷塔的主要腐蝕因子。至於氯化銨,因為易溶於水,所以不是去丁烷塔的主要腐蝕因子。於第1B圖所示的芳香烴製程中,各該第一選定特徵變數(即,對於執行此芳香烴製程的系統中的餾除塔是否會發生腐蝕,有較明顯的影響的那些製程特徵變數)可與該芳香烴製程中的一脫氯運作及去丁烷塔狀態其中之一相關。舉例而言,針對第1B圖所示的芳香烴製程,該等第一選定特徵變數可包含脫氯槽前總氯濃度、脫氯槽後總氯濃度、去丁烷塔進料量、去丁烷塔塔頂的戊烷(C5)濃度及去丁烷塔塔底的丁烷(C4)濃度。
於本實施方式中,腐蝕率預測裝置1的收發介面13會週期性地(例如:每數個小時)或非週期性地(例如:需要知道系統中的餾除塔的腐蝕率時)接收執行該芳香烴製程的該系統的一當前量測資料組DS1。當前量測資料組DS1包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的該等第一選定特徵變數。需說明者,本發明未限制收發介面13如何取得當前量測資料組DS1。舉例而言,系統中可配置複數個資訊錶點(例如:量測器、感測器)以量測該系統執行該芳香烴製程時的各該製程特徵變數的值,收發介面13可直接從該等第一選定特徵變數所對應的該等錶點接收該等當前特徵資料。再舉例而言,系統中可配置複數個資訊錶點(例如:量測器、感測器)以量測該系統執行該芳香烴製程時的各該製程特徵變數的值,這些值會彙整至一資料收集器(例如:一伺服器),收發介面13再從該資料收集器接收該等第一選定特徵變數所對應的值(即,該等當前特徵資料)。
之後,處理器15將當前量測資料組DS1中的該等當前特徵資料輸入酸鹼值預測模組M1以得到該系統的一餾除塔的一預估酸鹼值(未繪示),再將該預估酸鹼值及該餾除塔(例如:第1B圖的去丁烷塔)的一運作溫度(未繪示)輸入腐蝕率預測模組M2以得到該餾除塔的一初步預測腐蝕率(未繪示)。需說明者,由於腐蝕率預測模組M2是基於一氯化氫水溶液對碳鋼腐蝕率資料庫所包含的複數筆腐蝕率資料所訓練出來的,且該氯化氫水溶液對碳鋼腐蝕率資料庫所包含的該等腐蝕率資料所量測的環境與執行該芳香烴製程的系統的環境可能不同,因此處理器15根據能反映該二環境的差異的一修正係數,將該初步預測腐蝕率修正為一修正預測腐蝕率R。
茲以採用美國石油協會所公布的API 581資料庫作為前述的氯化氫水溶液對碳鋼腐蝕率資料庫為例,詳述為何需要以一修正係數將腐蝕率預測模組M2所預測的該初步預測腐蝕率修正為修正預測腐蝕率R。應理解,若採用其他資料庫作為氯化氫水溶液對碳鋼腐蝕率資料庫,則對應的修正係數可能不同。
第1C圖呈現API 581資料庫所包含的複數筆腐蝕率資料,其中每一筆腐蝕率資料為一腐蝕率(例如:每年腐蝕幾公釐),且每一筆腐蝕率資料對應至一溫度值及一酸鹼值。進一步言, 美國石油協會係採用如第1D圖所示的運作環境來產生API 581資料庫中的每一筆腐蝕率資料。如第1D圖所示,將一碳鋼試片10放置於具有一特定酸鹼值的氯化氫水溶液12且所在環境處於一特定溫度值,氯化氫水溶液12會碳鋼試片10造成均勻腐蝕,因此可基於碳鋼試片10的均勻腐蝕程度計算出腐蝕率。然而,執行該芳香烴製程的系統的運作環境則與第1D圖所示的運作環境不同。執行該芳香烴製程的系統,其餾除塔有一對應的塔頂系統(亦即,餾除塔頂部的循環系統)。在該塔頂系統中,氯化氫水溶液16會以液滴形式分布在油相中,通過塔頂系統中的碳鋼管線14,而只有鄰近管壁的氯化氫水溶液16液滴才會對碳鋼管線14造成腐蝕,如第1E圖所示的虛線處。由前述說明可知,在不同的運作環境中,氯化氫水溶液所造成的腐蝕行為不同。因此,腐蝕率預測裝置1需要根據能反映該二環境的差異的一修正係數,將腐蝕率預測模組M2所預測的該初步預測腐蝕率修正為修正預測腐蝕率R。
具體而言,處理器15可根據該餾除塔對應的該塔頂系統中的一水與管壁接觸面積(例如:第1E圖所示的虛線處)及一管線內部表面積計算出該修正係數。舉例而言,處理器15可根據以下公式(1)計算出該修正係數:
(1)
上述公式(2)中,變數
代表腐蝕作用層含水量,變數
代表水密度,而變數
代表水溶液膜厚。進一步言,關於水溶液膜厚的計算方式,可參考S. K. Alghoul等人於2010年在「Liquid Atomization and Spray Systems」年度會議中所發表的「Experimental investigation of a Single Droplet Interaction with Shear Driven Film」一文。
此外,處理器15可根據該塔頂系統中的一管線容積、該餾除塔中的一流體密度、該餾除塔中的一含水濃度以及該餾除塔中的一腐蝕作用層所占截面積比例,計算出該腐蝕作用層含水量。舉例而言,處理器15可根據以下公式(3)計算出該腐蝕作用層含水量:
(3)
上述公式(3)中,變數
代表塔頂系統中的管線容積,變數
代表該餾除塔中的一流體密度,變數
代表該餾除塔中的一含水濃度,而變數
代表腐蝕作用層所占截面積比例。進一步言,若儲存器11儲存經訓練的一水分預測模組M5,則可將當前量測資料組DS1中的該等當前特徵資料輸入水分預測模組M5,使水分預測模組M5預測出變數
所代表的含水濃度。另外,關於腐蝕作用層所占截面積比例的計算方式,可參考L.D. Paolinelli等人於2018年在「Chemical Engineering Science」期刊所發表的「Study of water wetting and water layer thickness in oil-water flow in horizontal pipes with different wettability」一文。
在計算出該修正係數後,針對腐蝕率預測模組M2所產生的任一初步預測腐蝕率,處理器15便能以該修正係數將該初步預測腐蝕率修正為修正預測腐蝕率R。
綜上所述,腐蝕率預測裝置1考量芳香烴製程中對於腐蝕有較明顯影響的複數個第一選定特徵變數,且以一能反映出系統實際的運作環境(例如:腐蝕溶液與系統中的管線的實際接觸狀況)的修正係數來將該初步預測腐蝕率修正為一修正預測腐蝕率R,因此該修正預測腐蝕率R能準確地作為該系統中的該餾除塔的實際腐蝕率。如此一來,該系統的管理者能基於較為準確的該修正預測腐蝕率瞭解的該餾除塔的腐蝕狀況,甚至據以評估系統的剩餘壽命,達到定量管理的目的。
本發明的第二實施方式為一腐蝕率預測裝置2,其架構示意圖係描繪於第2圖。腐蝕率預測裝置2亦包含儲存器11、收發介面13及處理器15,且處理器15電性連接至儲存器11及收發介面13。腐蝕率預測裝置2能執行前述腐蝕率預測裝置1所能執行的所有運作,因此亦具有其所具有的功能,且能達到其所能達到的技術效果。相較於腐蝕率預測裝置1,腐蝕率預測裝置2還會利用大數據建置酸鹼值預測模組M1、腐蝕率預測模組M2及水份預測模組M5。以下敘述將著重於腐蝕率預測裝置2與腐蝕率預測裝置1相異之處。
於本實施方式中,儲存器11另儲存複數筆歷史量測資料組D1、……、Dk。歷史量測資料組D1、……、Dk的每一組為該系統過去執行該芳香烴製程時的量測資料組。歷史量測資料組D1、……、Dk的每一組包含複數筆歷史特徵資料,且歷史量測資料組D1、……、Dk的每一組所包含的該等歷史特徵資料一對一地對應至該芳香烴製程的該等製程特徵變數。
由於同一系統執行同一芳香烴製程所獲得的歷史量測資料組D1、……、Dk的資料筆數較少且資料變異範圍較小,因此處理器15會利用化工流程模擬軟體Aspen Plus(又稱Aspen+),從歷史量測資料組D1、……、Dk模擬出筆數較多且資料變異範圍較大的複數筆訓練資料組T1、……、Tz。具體而言,處理器15可利用化工流程模擬軟體Aspen Plus及歷史量測資料組D1、……、Dk模擬出該系統的模型(例如:模擬出第1B圖所示的去丁烷塔系統的模型),在該模型上規劃出不同的操作條件,藉此產生不同操作條件下的數據作為訓練資料組T1、……、Tz。訓練資料組T1、……、Tz的每一組包含複數筆訓練特徵資料,且訓練資料組T1、……、Tz的每一組所包含的該等訓練特徵資料一對一地對應至該芳香烴製程的該等製程特徵變數。
處理器15利用訓練資料組T1、……、Tz中對應至該等第一選定特徵變數的訓練特徵資料(作為訓練資料組)以及一第一機器學習演算法,訓練出酸鹼值預測模組M1。應理解,為訓練出酸鹼值預測模組M1,訓練資料組T1、……、Tz的每一組所包含的該等訓練特徵資料中會有一酸鹼值。類似的,處理器15利用訓練資料組T1、……、Tz中對應至該等第一選定特徵變數的訓練特徵資料以及該第一機器學習演算法,訓練出水份預測模組M5。應理解,為訓練出水份預測模組M5,訓練資料組T1、……、Tz的每一組所包含的該等訓練特徵資料中會有一含水濃度。需說明者,本發明未限制第一機器學習演算法必須為哪一機器學習演算法。舉例而言,第一機器學習演算法可為任一種深度神經網路(Deep Neural Network;DNN)演算法。
於某些實施方式中,在利用訓練資料組T1、……、Tz產生酸鹼值預測模組M1之前,腐蝕率預測裝置2還會從該芳香烴製程的該等製程特徵變數中挑選出該等第一選定特徵變數。
於某些實施方式中,處理器15可根據一統計分析法分析訓練資料組T1、……、Tz,藉此從該等製程特徵變數中選出較為重要者作為該等第一選定特徵變數。舉例而言,該統計分析法可為相關係數法、逐步回歸分析法或其他類似的演算法。
於某些實施方式中,處理器15先根據一統計分析法(例如:相關係數法、逐步回歸分析法或其他類似的演算法)分析訓練資料組T1、……、Tz,藉此從該等製程特徵變數中選出較為重要者作為複數個第一候選特徵變數。接著,處理器15根據該等第一候選特徵變數及複數個第二候選特徵變數(例如:由熟悉芳香烴製程的專業人士從該等製程特徵變數中決定的較為重要的特徵變數)選出該等第一選定特徵變數。舉例而言,處理器15可採用該等第一候選特徵變數及該等第二候選特徵變數的聯集作為該等第一選定特徵變數。再舉例而言,處理器15可採用該等第一候選特徵變數及該等第二候選特徵變數的聯集作為複數個第三候選特徵變數,收發介面13或另一收發介面再輸出該等第三候選特徵變數供熟悉芳香烴製程的專業人士從該等第三候選特徵變數中決定出較為重要者作為該等第一選定特徵變數,收發介面13或另一收發介面再接收該等第一選定特徵變數。
另外,處理器15利用一氯化氫水溶液對碳鋼腐蝕率資料庫(例如:美國石油協會所公布的API 581資料庫)所包含的複數筆腐蝕率資料(作為訓練資料組)及一第二機器學習演算法產生腐蝕率預測模組M2。需說明者,本發明未限制第二機器學習演算法必須為哪一機器學習演算法。舉例而言,第二機器學習演算法可為K鄰近(K-Nearest Neighbor)演算法、梯度提升機器(Gradient Boosting Machines)演算法、高斯過程回歸(Gaussian Process Regression)演算法或其他類似的演算法。
綜上所述,腐蝕率預測裝置2可基於歷史量測資料組D1、……、Dk產生訓練資料組T1、……、Tz,再利用訓練資料組T1、……、Tz訓練出酸鹼值預測模組M1。腐蝕率預測裝置2還可基於一氯化氫水溶液對碳鋼腐蝕率資料庫訓練出腐蝕率預測模組M2。除此之外,針對任一芳香烴製程,腐蝕率預測裝置2可從該芳香烴製程的複數個製程特徵變數中挑選出對於腐蝕有較明顯影響者作為複數個第一選定特徵變數,再以該等第一選定特徵變數所對應的訓練特徵資料訓練出酸鹼值預測模組M1。因此,腐蝕率預測裝置2能為不同的芳香烴製程及不同的系統挑選出適當的第一選定特徵變數(即,對於執行此芳香烴製程的系統較容易造成腐蝕的那些製程特徵變數),進而訓練出能準確地預測的酸鹼值預測模組M1供腐蝕率預測模組M2預測出準確的腐蝕率。
本發明的第三實施方式為一腐蝕率預測裝置3,其架構示意圖係描繪於第3A圖。腐蝕率預測裝置3亦包含儲存器11、收發介面13及處理器15,且處理器15電性連接至儲存器11及收發介面13。腐蝕率預測裝置3能執行前述腐蝕率預測裝置1所能執行的所有運作,因此亦具有其所具有的功能,且能達到其所能達到的技術效果。以下敘述將著重於腐蝕率預測裝置3與腐蝕率預測裝置1相異之處。
於本實施方式中,儲存器11儲存經訓練的一腐蝕健康度評估模組M3及經訓練的一重要性分析模組M4。腐蝕率預測裝置3利用腐蝕健康度評估模組M3來判斷執行該芳香烴製程的該系統(未繪示)的一腐蝕健康度(即,就腐蝕狀況而言,該系統的健康度),且利用重要性分析模組M4提供與該腐蝕健康度相關的資訊。以下詳述腐蝕率預測裝置3的運作原理及細節。
如前所述,一芳香烴製程具有複數個製程特徵變數(未繪示),其中各該製程特徵變數可為任何與該芳香烴製程有關的因子,例如:進料、化合物濃度、操作設定、環境因素、品質指標等等。對於執行該芳香烴製程的系統中的設備是否會發生腐蝕,這些製程特徵變數的一子集有較明顯的影響。為便於描述,可將該子集中的製程特徵變數稱之為第二選定特徵變數。本實施方式並未限定一芳香烴製程的該等第二選定特徵變數的決定方式,其可由一使用者(例如:該系統的管理者、熟悉芳香烴製程的專業人士)決定,或由基於統計分析法決定。
以第1B圖所示的芳香烴製程為例,各該第二選定特徵變數可與該芳香烴製程中的一加氫反應、一重組反應、一觸媒再生反應及一脫氯運作其中之一相關。舉例而言,該等第二選定特徵變數可包含加氫反應後的甜輕油中的總氯濃度、重組反應時的循環氫氣中的氯化氫濃度、觸媒再生反應時的二氯乙烷注入量、再生前觸媒氯濃度、再生後觸媒氯濃度、脫氯槽前總氯濃度及脫氯槽後總氯濃度。
於本實施方式中,腐蝕率預測裝置3的收發介面13會週期性地(例如:每數個小時)或非週期性地(例如:需要知道系統的腐蝕健康度及相關資訊時)接收執行該芳香烴製程的該系統的一當前量測資料組DS2。當前量測資料組DS2包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的該等第二選定特徵變數。需說明者,本發明未限制收發介面13如何取得當前量測資料組DS2。舉例而言,系統中可配置複數個資訊錶點(例如:量測器、感測器)以量測該系統執行該芳香烴製程時的各該製程特徵變數的值,收發介面13可直接從該等第二選定特徵變數所對應的該等錶點接收該等當前特徵資料。再舉例而言,系統中可配置複數個資訊錶點(例如:量測器、感測器)以量測該系統執行該芳香烴製程時的各該製程特徵變數的值,這些值會彙整至一資料收集器(例如:一伺服器),收發介面13再從該資料收集器接收該等第二選定特徵變數所對應的值(即,該等當前特徵資料)。
處理器15再將當前量測資料組DS2中的該等當前特徵資料輸入腐蝕健康度評估模組M3以得到該系統的一腐蝕健康度HI。於本實施方式中,腐蝕健康度HI的值越高,代表該系統越健康,也就是腐蝕程度越低或是越不容易造成腐蝕。此外,處理器15會將腐蝕健康度HI以及當前量測資料組DS2中的該等當前特徵資料輸入重要性分析模組M4以得到各該第二選定特徵變數對腐蝕健康度HI的一貢獻程度。
於某些實施方式中,腐蝕率預測裝置3還可輸出腐蝕健康度HI、該等第二選定特徵變數的該等貢獻程度O1、……、Om或/及該等第二選定特徵變數目前的值(也就是該等當前特徵資料)以讓使用者知道該系統當前的腐蝕狀況。舉例而言,腐蝕率預測裝置3可包含一顯示螢幕以顯示腐蝕健康度HI、該等第二選定特徵變數的該等貢獻程度O1、……、Om或/及該等第二選定特徵變數目前的值。再舉例而言,腐蝕率預測裝置3可透過收發介面13或另一收發介面輸出腐蝕健康度HI、該等第二選定特徵變數的該等貢獻程度O1、……、Om或/及該等第二選定特徵變數目前的值。
於某些實施方式中,處理器15還會將腐蝕健康度評估模組M3所產生的腐蝕健康度HI與一第一門檻值(未繪示)比較。當處理器15判斷腐蝕健康度HI低於該第一門檻值時,代表該等第二選定特徵變數其中的一個或多個目前的值(也就是該等當前特徵資料其中的一個或多個)會使該系統的設備腐蝕(或使該系統的設備的腐蝕惡化)。當腐蝕健康度HI低於該第一門檻值時,腐蝕率預測裝置3可透過收發介面13或另一收發介面輸出該等第二選定特徵變數中的至少一關鍵特徵變數(未繪示),其中各該至少一關鍵特徵變數所對應的該貢獻程度大於一第二門檻值(例如:貢獻程度高於30%)。換言之,該至少一關鍵特徵變數為該等第二選定特徵變數中造成該系統的設備腐蝕(或使該系統的設備的腐蝕惡化)較為關鍵者。藉由輸出該至少一關鍵特徵變數,讓使用者採取因應的措施。
在某些實施方式中,腐蝕率預測裝置3可作為一後端的電子設備,其可與一前端的電子設備(例如:可供使用者操作的電子計算機裝置)搭配使用。於該等實施方式中,腐蝕率預測裝置3可透過收發介面13或另一收發介面將腐蝕健康度HI、該等第二選定特徵變數的該等貢獻程度O1、……、Om或/及該等第二選定特徵變數的值輸出至前端的電子設備。前端的電子設備再將腐蝕健康度HI與該第一門檻值比較。當腐蝕健康度HI低於該第一門檻值時,前端的電子設備還會輸出(例如:顯示)該等第二選定特徵變數中的至少一關鍵特徵變數,其中各該至少一關鍵特徵變數所對應的該貢獻程度大於一第二門檻值。
綜上所述,腐蝕率預測裝置3還可基於一芳香烴製程中對於腐蝕有較明顯影響的選定特徵變數來監測執行該芳香烴製程的一系統的腐蝕健康度。因此,腐蝕率預測裝置3還能準確地評估出系統的腐蝕健康度,進而在系統發生腐蝕前或在腐蝕程度惡化前產生預警。再者,腐蝕率預測裝置3還能判斷是哪些關鍵特徵變數會造成該系統的設備腐蝕(或使該系統的設備的腐蝕惡化),進而讓使用者採取防範措施以避免發生腐蝕或讓腐蝕狀況惡化。
本發明的第四實施方式為一腐蝕率預測裝置4,其架構示意圖係描繪於第4圖。腐蝕率預測裝置4亦包含儲存器11、收發介面13及處理器15,且處理器15電性連接至儲存器11及收發介面13。腐蝕率預測裝置4能執行前述腐蝕率預測裝置3所能執行的所有運作,因此亦具有其所具有的功能,且能達到其所能達到的技術效果。相較於腐蝕率預測裝置3,腐蝕率預測裝置4還會利用大數據建置腐蝕健康度評估模組M3及重要性分析模組M4。以下敘述將著重於腐蝕率預測裝置4與腐蝕率預測裝置3相異之處。
於本實施方式中,儲存器11另儲存複數筆歷史量測資料組D1、……、Dk。歷史量測資料組D1、……、Dk的每一組為該系統過去執行該芳香烴製程時的量測資料組。歷史量測資料組D1、……、Dk的每一組包含複數筆歷史特徵資料,且歷史量測資料組D1、……、Dk的每一組所包含的該等歷史特徵資料一對一地對應至該芳香烴製程的該等製程特徵變數。
處理器15利用歷史量測資料組D1、……、Dk中對應至該等第二選定特徵變數的歷史特徵資料(作為訓練資料組)以及一第三機器學習演算法,產生腐蝕健康度評估模組M3。需說明者,本發明未限制第三機器學習演算法必須為哪一機器學習演算法。舉例而言,第三機器學習演算法可為極限梯度提升(eXtreme Gradient Boosting;XGBoost)演算法、脊迴歸(Ridge regression)演算法及Lasso迴歸演算法。此外,處理器15利用歷史量測資料組D1、……、Dk中對應至該等第二選定特徵變數的歷史特徵資料(作為訓練資料組)、腐蝕健康度評估模組M3對各訓練資料組的一預測結果以及一第四機器學習演算法,產生重要性分析模組M4。需說明者,本發明未限制第四機器學習演算法必須為哪一機器學習演算法。舉例而言,第四機器學習演算法可為SHAP(SHapley Additive exPlanations)演算法、LIME(Local Interpretable Model-Agnostic Explanation)演算法。
於某些實施方式中,在利用歷史量測資料組D1、……、Dk產生腐蝕健康度評估模組M3及重要性分析模組M4之前,腐蝕率預測裝置4還會從該芳香烴製程的該等製程特徵變數中挑選出該等第二選定特徵變數。
於某些實施方式中,處理器15可根據一統計分析法分析歷史量測資料組D1、……、Dk,藉此從該等製程特徵變數中選出較為重要者作為該等第二選定特徵變數。舉例而言,該統計分析法可為變異數膨脹因子法、熱圖(heatmap)演算法及相關係數演算法。
於某些實施方式中,處理器15先根據一統計分析法(例如:變異數膨脹因子法、熱圖演算法及相關係數演算法)分析歷史量測資料組D1、……、Dk,藉此從該等製程特徵變數中選出較為重要者作為複數個第四候選特徵變數。接著,處理器15根據該等第四候選特徵變數及複數個第五候選特徵變數(例如:由熟悉芳香烴製程的專業人士從該等製程特徵變數中決定的較為重要的特徵變數)選出該等第二選定特徵變數。舉例而言,處理器15可採用該等第四候選特徵變數及該等第五候選特徵變數的聯集作為該等第二選定特徵變數。再舉例而言,處理器15可採用該等第四候選特徵變數及該等第五候選特徵變數的聯集作為複數個第六候選特徵變數,收發介面13或另一收發介面再輸出該等第六候選特徵變數供熟悉芳香烴製程的專業人士從該等第六候選特徵變數中決定出較為重要者作為該等第二選定特徵變數,收發介面13或另一收發介面再接收該等第二選定特徵變數。
綜上所述,腐蝕率預測裝置4還可基於歷史量測資料組D1、……、Dk訓練出腐蝕健康度評估模組M3及重要性分析模組M4。除此之外,針對任一芳香烴製程,腐蝕率預測裝置4還可從該芳香烴製程的複數個製程特徵變數中挑選出對於腐蝕有較明顯影響者作為第二選定特徵變數,再以該等第二選定特徵變數所對應的歷史量測資料訓練出腐蝕健康度評估模組M3及重要性分析模組M4。因此,腐蝕率預測裝置4能為不同的芳香烴製程及不同的系統挑選出適當的第二選定特徵變數(即,對於執行此芳香烴製程的系統較容易造成腐蝕的那些製程特徵變數),進而訓練出能準確地評估出系統的腐蝕健康度的腐蝕健康度評估模組M3及提供相關資訊的重要性分析模組M4。
本發明的第五實施方式為一腐蝕率預測方法,其適用於一電子計算裝置(例如:腐蝕率預測裝置1、2、3、4)。腐蝕率預測方法的主要流程圖係描繪於第5圖,其係至少包含步驟S501、步驟S503、步驟S505及步驟S507。
於步驟S501,由該電子計算裝置接收執行一芳香烴製程的一系統的一當前量測資料組,其中該當前量測資料組包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的複數個選定特徵變數。於步驟S503,由該電子計算裝置將該等當前特徵資料輸入經訓練的一酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值。於步驟S505,由該電子計算裝置將該預估酸鹼值及該餾除塔的一運作溫度輸入經訓練的一腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率。於步驟S507,由該電子計算裝置以一修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。
於某些實施方式中,腐蝕率預測方法還可包含至少一步驟以計算出該修正係數。於該等實施方式中,該腐蝕率預測方法可包含一步驟,由該電子計算裝置根據該餾除塔對應的一塔頂系統中的一水與管壁接觸面積及一管線內部表面積計算出該修正係數。在某些實施方式中,該腐蝕率預測方法還可包含一步驟,由該電子計算裝置根據一腐蝕作用層含水量、一水密度及一水溶液膜厚計算出該水與管壁接觸面積。在某些實施方式中,該腐蝕率預測方法還可包含一步驟,由該電子計算裝置根據該塔頂系統中的一管線容積、該餾除塔中的一流體密度、該餾除塔中的一含水濃度以及該餾除塔中的一腐蝕作用層所占截面積比例,計算出該腐蝕作用層含水量。
於某些實施方式中,該電子計算裝置還儲存複數筆歷史量測資料組,且各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的該等選定特徵變數。於該等實施方式中,腐蝕率預測方法還可執行一步驟,由該電子計算裝置利用該等歷史量測資料組及一第一機器學習演算法產生該酸鹼值預測模組。
於某些實施方式中,在產生該酸鹼值預測模組之前,腐蝕率預測方法還會先決定出該等選定特徵變數。具體而言,於該等實施方式中,該電子計算裝置所儲存的各該歷史量測資料組係包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的複數個製程特徵變數。該腐蝕監測方法還可執行一步驟,由該電子計算裝置根據一統計分析法分析該等歷史量測資料組,藉此從該等製程特徵變數中選出該等選定特徵變數。
於某些實施方式中,該腐蝕監測方法則可採用以下步驟決定出該等選定特徵變數。該腐蝕監測方法包含一步驟,由該電子計算裝置根據一統計分析法分析該等歷史量測資料組以從該等製程特徵變數中選出複數個第一候選特徵變數,再包含另一步驟,由該電子計算裝置根據該等第一候選特徵變數及複數個第二候選特徵變數選出該等選定特徵變數。
於某些實施方式中,腐蝕率預測方法還可執行一步驟,由該電子計算裝置利用一氯化氫水溶液對碳鋼腐蝕率資料庫所包含的複數筆腐蝕率資料及一機器學習演算法產生該腐蝕率預測模組,其中各該腐蝕率資料對應至一溫度值及一酸鹼值。
除了上述步驟,本發明的腐蝕率預測方法還能執行腐蝕率預測裝置1、2、3、4所能執行的所有運作及步驟,具有同樣的功能,且達到同樣的技術效果。本發明所屬技術領域中具有通常知識者可直接瞭解本發明的腐蝕率預測方法如何基於上述的腐蝕率預測裝置1、2、3、4以執行此等運作及步驟,具有同樣的功能,並達到同樣的技術效果,故不贅述。
上述各實施方式中所闡述的腐蝕率預測方法可由包含複數個程式指令的一電腦程式產品實現。該電腦程式產品可為能被於網路上傳輸的檔案,亦可被儲存於一非暫態電腦可讀取儲存媒體中。該電腦程式產品所包含的該等程式指令被載入一電子計算裝置(例如:腐蝕率預測裝置1、2、3、4)後,該電腦程式執行如在上述各實施方式中所述的腐蝕率預測方法。該非暫態電腦可讀取儲存媒體可為一電子產品,例如:一唯讀記憶體(Read Only Memory;ROM)、一快閃記憶體、一軟碟、一硬碟、一光碟(Compact Disk;CD)、一數位多功能光碟(Digital Versatile Disc;DVD)、一隨身碟、一可由網路存取的資料庫或本發明所屬技術領域中具有通常知識者所知且具有相同功能的任何其他儲存媒體。
需說明者,本發明專利說明書及申請專利範圍中的某些用語(包含:選定特徵變數、機器學習演算法、候選特徵變數、門檻值)前被冠以「第一」、「第二」、「第三」、「第四」、「第五」或「第六」,該等「第一」、「第二」、「第三」、「第四」、「第五」及「第六」係用來區隔該等用語彼此不同。
綜上所述,針對執行一芳香烴製程的一系統,本發明所提供的腐蝕率預測技術(至少包含裝置、方法及其電腦程式產品)利用經訓練的一酸鹼值預測模組及經訓練的一腐蝕率預測模組來預測該系統中的一餾除塔的一腐蝕率。具體而言,芳香烴製程中的某些特徵變數(即,前述的選定特徵變數)對於是否造成系統中的餾除塔腐蝕有較明顯的影響,因此本發明所提供的腐蝕率預測技術將系統執行芳香烴製程時對應至這些選定特徵變數的複數筆當前特徵資料輸入該酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值,將該預估酸鹼值及該餾除塔的一運作溫度輸入該腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率,再以一修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。由於本發明所提供的腐蝕率預測技術考量芳香烴製程中對於腐蝕有較明顯影響的選定特徵變數,且以一能反映出系統實際的運作環境(例如:腐蝕溶液與系統中的管線的實際接觸狀況)的修正係數來將該初步預測腐蝕率修正為一修正預測腐蝕率,因此該修正預測腐蝕率能準確地作為該系統中的該餾除塔的實際腐蝕率。如此一來,該系統的管理者能基於較為準確的該修正預測腐蝕率瞭解的該餾除塔的腐蝕狀況,甚至據以評估系統的剩餘壽命,達到定量管理的目的。
上述各實施方式係用以例示性地說明本發明的部分實施態樣,以及闡釋本發明的技術特徵,而非用來限制本發明的保護範疇及範圍。任何本發明所屬技術領域中具有通常知識者可輕易完成的改變或均等性的安排均屬於本發明所主張的範圍,本發明的權利保護範圍以申請專利範圍為準。
1、2、3、4:腐蝕率預測裝置
10:碳鋼試片
11:儲存器
12:氯化氫水溶液
13:收發介面
14:碳鋼管線
15:處理器
16:氯化氫水溶液
M1:酸鹼值預測模組
M2:腐蝕率預測模組
M3:腐蝕健康度評估模組
M4:重要性分析模組
M5:水份預測模組
D1、……、Dk:歷史量測資料組
DS1、DS2:當前量測資料組
HI:腐蝕健康度
O1、……、Om:貢獻程度
R:修正預測腐蝕率
T1、……、Tz:訓練資料組
S501、S503、S505、S507:步驟
第1A圖描繪第一實施方式的腐蝕率預測裝置1的架構示意圖。
第1B圖描繪一去丁烷塔系統執行一芳香烴製程的簡要示意圖。
第1C圖呈現API 581資料庫所包含的複數筆腐蝕率資料。
第1D圖描繪用以產生API 581資料庫的每一筆腐蝕率資料的運作環境。
第1E圖描繪在一餾除塔所對應的塔頂系統中,只有鄰近碳鋼管線14的管壁的氯化氫水溶液16液滴才會對碳鋼管線14造成腐蝕的示意圖。
第2圖描繪第二實施方式的腐蝕率預測裝置2的架構示意圖。
第3圖描繪第三實施方式的腐蝕率預測裝置3的架構示意圖。
第4圖描繪第四實施方式的腐蝕率預測裝置4的架構示意圖。
第5圖描繪第五實施方式的腐蝕率預測方法的主要流程圖。
無
S501、S503、S505、S507:步驟
Claims (15)
- 一種腐蝕率預測裝置,包含:一儲存器,儲存經訓練的一酸鹼值預測模組及經訓練的一腐蝕率預測模組;一收發介面,接收執行一芳香烴製程的一系統的一當前量測資料組,其中該當前量測資料組包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的複數個選定特徵變數,一處理器,電性連接至該儲存器及該收發介面,將該等當前特徵資料輸入該酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值,將該預估酸鹼值及該餾除塔的一運作溫度輸入該腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率,根據該餾除塔對應的一塔頂系統中的一水與管壁接觸面積及一管線內部表面積計算出一修正係數,且以該修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。
- 如請求項1所述的腐蝕率預測裝置,其中該儲存器還儲存複數筆歷史量測資料組,各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的該等選定特徵變數,且該處理器利用該等歷史量測資料組及一機器學習演算法產生該酸鹼值預測模組。
- 如請求項1所述的腐蝕率預測裝置,其中該儲存器還儲存複數筆歷史量測資料組,各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的複數個製程特徵變數,該處理器還根據一統計分析法分析該等歷史量測資料組,藉此從該等製程特徵變數中選出該等選定特徵變數。
- 如請求項1所述的腐蝕率預測裝置,其中該儲存器還儲存複數筆歷史量測資料組,各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應 至該芳香烴製程的複數個製程特徵變數,該處理器還根據一統計分析法分析該等歷史量測資料組以從該等製程特徵變數中選出複數個第一候選特徵變數,且該處理器還根據該等第一候選特徵變數及複數個第二候選特徵變數選出該等選定特徵變數。
- 如請求項1所述的腐蝕率預測裝置,其中該處理器還利用一氯化氫水溶液對碳鋼腐蝕率資料庫所包含的複數筆腐蝕率資料及一機器學習演算法產生該腐蝕率預測模組,其中各該腐蝕率資料對應至一溫度值及一酸鹼值。
- 如請求項1所述的腐蝕率預測裝置,其中該處理器還根據一腐蝕作用層含水量、一水密度及一水溶液膜厚計算出該水與管壁接觸面積。
- 如請求項6所述的腐蝕率預測裝置,其中該處理器還根據該塔頂系統中的一管線容積、該餾除塔中的一流體密度、該餾除塔中的一含水濃度以及該餾除塔中的一腐蝕作用層所占截面積比例,計算出該腐蝕作用層含水量。
- 一種腐蝕率預測方法,適用於一電子計算裝置,且包含下列步驟:接收執行一芳香烴製程的一系統的一當前量測資料組,其中該當前量測資料組包含複數筆當前特徵資料,且該等當前特徵資料一對一地對應至該芳香烴製程的複數個選定特徵變數;將該等當前特徵資料輸入經訓練的一酸鹼值預測模組以得到該系統的一餾除塔的一預估酸鹼值;將該預估酸鹼值及該餾除塔的一運作溫度輸入經訓練的一腐蝕率預測模組以得到該餾除塔的一初步預測腐蝕率;根據該餾除塔對應的一塔頂系統中的一水與管壁接觸面積及一管線內部表 面積計算出一修正係數;以及以該修正係數將該初步預測腐蝕率修正為一修正預測腐蝕率。
- 如請求項8所述的腐蝕率預測方法,其中該電子計算裝置還儲存複數筆歷史量測資料組,各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的該等選定特徵變數,且該腐蝕率預測方法還包含下列步驟:利用該等歷史量測資料組及一機器學習演算法產生該酸鹼值預測模組。
- 如請求項8所述的腐蝕率預測方法,其中該電子計算裝置還儲存複數筆歷史量測資料組,各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的複數個製程特徵變數,且該腐蝕率預測方法還包含下列步驟:根據一統計分析法分析該等歷史量測資料組,藉此從該等製程特徵變數中選出該等選定特徵變數。
- 如請求項8所述的腐蝕率預測方法,其中該電子計算裝置還儲存複數筆歷史量測資料組,各該歷史量測資料組包含複數筆歷史特徵資料一對一地對應至該芳香烴製程的複數個製程特徵變數,且該腐蝕率預測方法還包含下列步驟:根據一統計分析法分析該等歷史量測資料組以從該等製程特徵變數中選出複數個第一候選特徵變數;以及根據該等第一候選特徵變數及複數個第二候選特徵變數選出該等選定特徵變數。
- 如請求項8所述的腐蝕率預測方法,還包含下列步驟: 利用一氯化氫水溶液對碳鋼腐蝕率資料庫所包含的複數筆腐蝕率資料及一機器學習演算法產生該腐蝕率預測模組,其中各該腐蝕率資料對應至一溫度值及一酸鹼值。
- 如請求項8所述的腐蝕率預測方法,還包含下列步驟:根據一腐蝕作用層含水量、一水密度及一水溶液膜厚計算出該水與管壁接觸面積。
- 如請求項13所述的腐蝕率預測方法,還包含下列步驟:根據該塔頂系統中的一管線容積、該餾除塔中的一流體密度、該餾除塔中的一含水濃度以及該餾除塔中的一腐蝕作用層所占截面積比例,計算出該腐蝕作用層含水量。
- 一種電腦程式產品,經由一電子計算裝置載入該電腦程式產品後,該電子計算裝置執行該電腦程式產品所包含的複數個程式指令以實現如請求項8至14中任一項所述的腐蝕率預測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110131331A TWI787971B (zh) | 2021-08-24 | 2021-08-24 | 腐蝕率預測裝置、方法及其電腦程式產品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110131331A TWI787971B (zh) | 2021-08-24 | 2021-08-24 | 腐蝕率預測裝置、方法及其電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI787971B true TWI787971B (zh) | 2022-12-21 |
TW202309499A TW202309499A (zh) | 2023-03-01 |
Family
ID=85795147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110131331A TWI787971B (zh) | 2021-08-24 | 2021-08-24 | 腐蝕率預測裝置、方法及其電腦程式產品 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI787971B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669017A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
CN110751339A (zh) * | 2019-10-24 | 2020-02-04 | 北京化工大学 | 管道腐蚀速率预测的方法、装置和计算机设备 |
CN113252544A (zh) * | 2021-05-21 | 2021-08-13 | 北京化工大学 | 一种炼油装置腐蚀监测系统和方法 |
-
2021
- 2021-08-24 TW TW110131331A patent/TWI787971B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109669017A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
CN110751339A (zh) * | 2019-10-24 | 2020-02-04 | 北京化工大学 | 管道腐蚀速率预测的方法、装置和计算机设备 |
CN113252544A (zh) * | 2021-05-21 | 2021-08-13 | 北京化工大学 | 一种炼油装置腐蚀监测系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202309499A (zh) | 2023-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6978541B2 (ja) | 動的外れ値偏り低減のコンピュータ実装方法、コンピュータシステム及びコンピュータ装置 | |
US20050050009A1 (en) | Method and system for assessing and optimizing crude selection | |
US20080147365A1 (en) | Method and system for assessing the performance of crude oils | |
US7693725B2 (en) | Method and system for greenhouse gas emissions performance assessment and allocation | |
JP2009541849A (ja) | 原子力蒸気発電機に対する資産管理策の経済性分析方法 | |
WO2012029154A1 (ja) | 油中ガス濃度を用いた油入電気機器の内部異常診断方法、内部異常診断システム及び内部異常診断のための決定木作成方法 | |
CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
CN109784362B (zh) | 一种基于迭代knn和插补优先级的dga数据缺失值插补方法 | |
TWI787971B (zh) | 腐蝕率預測裝置、方法及其電腦程式產品 | |
TWI810634B (zh) | 腐蝕監測裝置、方法及其電腦程式產品 | |
Panjapornpon et al. | Energy efficiency and savings analysis with multirate sampling for petrochemical process using convolutional neural network-based transfer learning | |
US11531328B2 (en) | Monitoring and controlling an operation of a distillation column | |
CN117826606A (zh) | 一种吸收稳定系统的变量优化方法及控制设备 | |
US20220243133A1 (en) | Forecasting the progress of coking and fouling for improved production planning in chemical production plants | |
Zhou et al. | Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes | |
WO2019230975A1 (ja) | 保全支援装置、保全支援用プログラム及び保全支援方法 | |
Zhao et al. | Improved calibration investigation using phase-wise local and cumulative quality interpretation and prediction | |
Ahmad et al. | Quantitative analysis of product quality of naphtha reforming process under uncertain process conditions | |
JP2005063208A (ja) | ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体 | |
CN114240014A (zh) | 一种变压器状态的评估方法、装置、电子设备及存储介质 | |
CN109580918A (zh) | 一种用于预测石脑油的分子组成的方法 | |
CN111650894A (zh) | 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法 | |
Kongkiatpaiboon | Improving Offshore Condensate Production Optimization Processes with Prediction of Reid Vapor Pressure Using Machine Learning | |
CN113449476B (zh) | 基于Stacking的脱丁烷塔中丁烷含量软测量方法 |