Predviđanje nastajanja naslaga u industrijskom izmjenjivaču topline primjenom metoda strojnog učenja

master's thesis

• Title (english): Prediction of fouling formation in an industrial heat exchanger using machine learning methods
• Author: Filip Vretenar
• Mentor: Željka Ujević Andrijić (mentor)
• Committee member: Željka Ujević Andrijić (predsjednik povjerenstva)
• Committee member: Srečko Herceg (član povjerenstva)
• Committee member: Igor Dejanović (član povjerenstva)
• Granter: University of Zagreb; Faculty of Chemical Engineering and Technology; Zagreb
• Defense date and country: 2024-11-29, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Chemical Engineering

Abstract

Nastajanje naslaga u industrijskim izmjenjivačima topline smanjuje učinkovitost izmjenjivača, povećava operativne troškove, dovodi do veće potrošnje energenata i posljedično povećane emisije CO2. Naslage predstavljaju jedan od najvećih problema u rafinerijskim postrojenjima, a njihovo nastajanje posebno je izraženo u sekciji za predgrijavanje sirove nafte. Kako bi se optimiziralo održavanje izmjenjivača topline i postigle financijske uštede, potrebno je kontinuirano pratiti nastajanje naslaga u izmjenjivačima topline. Zbog složenog sastava sirove nafte, nepoznatog mehanizma nastajanja naslaga i promjenjivih procesnih uvjeta ne postoji opće prihvaćeni empirijski ili polu-emipirijski model za praćenje nastajanja naslaga u izmjenjivačima topline u sekciji za predgrijavanje. Stoga se sve češće koriste modeli temeljeni na podacima. U ovom diplomskom radu, razvijeni su modeli umjetnih neuronskih mreža i modeli ekstremnog gradijentnog pojačavanja za predviđanje izlazne temperature tople i hladne struje čistog izmjenjivača topline. Modeli su razvijeni koristeći fizikalno-kemijska svojstva sirove nafte i kontinuirane praćene procesne varijable iz rafinerijskog postrojenja. Postupna razlika između predviđenih i stvarnih temperatura ukazuje na smanjenje učinkovitosti izmjenjivača topline zbog prisutnosti naslaga. Najbolji modeli detaljnije su analizirani, a njihove izlazne temperature korištene su za izračun fouling faktora, koji pruža kvantitativan uvid u proces nastajanja naslaga. Koristeći ovu metodologiju može se dobiti uvid u trend nastajanja naslaga. Primjena razvijenih modela na rafinerijskom postrojenju omogućila bi kontinuirano praćenje nastajanja naslaga u izmjenjivačima topline, čime bi se postigle značajne financijske uštede i osiguralo pravovremeno čišćenje izmjenjivača.

Abstract (english)

Fouling formation in industrial heat exchangers reduces their efficiency, increases operational costs, leads to higher energy consumption which consequently raises CO2 emissions. Fouling is one of the biggest problems in refineries, particularly pronounced in crude oil preheating plant. To optimize the maintenance of heat exchangers and achieve financial savings, it is essential to continuously monitor fouling formation in heat exchangers. Due to the complex composition of crude oil, the unknown mechanisms of fouling formation, and variable process conditions, there is no generally accepted empirical or semi-empirical model for monitoring fouling in heat exchangers within the preheat train. Therefore, it has become a common practice to use data-driven models. In this master's thesis, artificial neural network and Extreme Gradient Boosting models have been developed to predict the outlet temperatures of the hot and cold streams of the clean heat exchanger. These models were developed using the physicochemical properties of crude oil and continuously monitored process variables from the refinery. The gradual difference between the predicted and actual temperatures indicates a reduction in the efficiency of the heat exchanger due to the presence of fouling. The best models were analyzed in detail, and their outlet temperatures where used to calculate the fouling factor, which provides quantitative insight into the fouling formation process. Using this methodology, it is possible to gain insight into the trend of fouling formation. The application of the developed models in the refinery would enable continuous monitoring of fouling in heat exchangers, resulting in significant financial savings and ensuring timely cleaning of the exchangers.

• Keywords: izmjenjivač topline; nastajanje naslaga; neuronske mreže; ekstremno gradijentno pojačavanje; sirova nafta
• Keywords (english): heat exchanger; fouling formation; neural networks; Extreme Gradient Boosting; crude oil
• Language: croatian
• URN:NBN: urn:nbn:hr:149:920595
• Study programme: Title: Chemical Engineering - Graduate study; Study programme type: university; Study level: graduate; Academic / professional title: sveučilišni/a magistar/magistra inženjer/inženjerka kemijskog inženjerstva (sveučilišni/a magistar/magistra inženjer/inženjerka kemijskog inženjerstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2024-12-02 12:12:50