مدل سازي، شبيه سازي و بهينه سازي چندهدفه راكتورهاي بستر متحرك جريان شعاعي هيدروژن زدايي از پروپان

Modeling, Simulation, and Multi-Objective Optimization of Moving Bed Radial Flow Dehydrogenation Reactors

هدف از اين پژوهش، مدل سازي و بهينه سازي چندهدفه راكتورهاي بستر متحرك هيدروژن زدايي از پروپان با در نظر گرفتن افت فعاليت كاتاليست مي باشد. اين فرايند از چهار راكتور آدياباتيك متوالي با جريان شعاعي تشكيل شده است كه گاز در راستاي شعاع و كاتاليست بر اساس نيروي ثقل در جهت محور راكتورها حركت مي كنند. نخست راكتورهاي هيدروژن زدايي بر اساس معادله هاي بقاي جرم و انرژي و با در نظر گرفتن افت فعاليت كاتاليست به صورت ناهمگن مد ل سازي شدند. براي اثبات صحت و دقت مدل مورد استفاده، نتيجه هاي به دست آمده از شبيه سازي با نتيجه هاي واحد صنعتي مورد مقايسه قرار گرفت. در مرحله بعد شرايط بهينه عملياتي سامانه با در نظر گرفتن دماي ورودي به هر راكتور به عنوان متغيير تصميم گيري و با هدف بيشينه شدن هم زمان ميزان تبديل پروپان و انتخاب پذيري توليد پروپيلن تعيين شد. در اين راستا يك مسئله بهينه سازي چند معياره همراه با قيود برنامه ريزي شده و منحني بهينه پرتو با استفاده از الگوريتم ژنتيك چند معياره همراه با مرتب سازي نامغلوب رسم شد. سپس از فهرست نقطه هاي بهينه موجود بر روي منحني بهينه پرتو، يك نقطه عملياتي با استفاده از روش هاي تصميم گيري انتخاب شد. نتيجه هاي شبيه سازي نشان داد اعمال شرايط بهينه بر روي سامانه مي تواند ميزان توليد پروپيلن را در حدود 12.3 % افزايش دهد.

The main object of this research, is modeling and multi-objective optimization of radial flow moving bed reactors to produce propylene through propane dehydrogenation considering catalyst deactivation. The propane dehydrogenation process consists of four series catalytic reactors equipped with inter-stage heaters that the feed flows radially and the catalyst moves downward along the axial direction due to gravitational force. In the first step, the dehydrogenation reactors are heterogeneously modeled based on the mass and energy conservation laws considering catalyst decay. To prove the accuracy of the developed model, the simulation results are compared with the plant data. In the next step, the optimal operating condition of the process is obtained considering propane conversion and propylene selectivity as objective functions. In this regard, a multi-objective optimization problem is formulated and the optimal Pareto front is developed by non-sporting genetic algorithm II. Then, a single optimal solution is selected from the list of alternatives in the Pareto front curve by one of the decision-making methods. The results showed that applying the obtained optimal condition to the system improves propylene production capacity by about 3.12 %.