基于数据挖掘的常减压装置塔器腐蚀分析和预测方法研究
随着原油品质的下降和炼化设备的老化等诸多因素的影响，使得因设备腐蚀而导致的泄露问题和装置非计划停工情况频发，造成的损失难以估量。常减压装置作为炼化企业的“龙头”装置，其设备更易受到原油中腐蚀介质的侵蚀，特别是整个装置的核心塔器设备。因此，对常减压装置塔器进行腐蚀分析、预测和控制，不仅能降低常减压装置发生腐蚀失效的概率，也大大减少了整个工艺过程后续装置的腐蚀风险。在大量腐蚀监测检测数据的积累下，通过数据挖掘技术对腐蚀进行分析和预测研究，实现自动化、智能化的腐蚀监管方法是设备腐蚀管理新的方向和趋势。 本文在常减压装置腐蚀大数据的基础上，首先采用统计分析方法，对常减压装置塔器设备的腐蚀失效案例进行归纳整理，分析总结常见的腐蚀失效类型、腐蚀高发部位及常见腐蚀原因等规律，并针对结论提出相应工艺、监检测和选材防腐建议;其次，基于K-均值(K-Means)聚类分析方法，对原油性质类型进行划分，并采用方差分析法探究不同种类原油下设备的腐蚀情况;随后，基于主成分分析(PCA)方法和BP人工神经网络、K-近邻(KNN)、支持向量机(SVM)分类预测方法，分别建立了常减压装置塔顶回路腐蚀状态预测模型和塔器设备腐蚀程度预测模型，结果表明，PCA-SVM模型在塔顶回路腐蚀状态的预测中效果最好，识别率可达到96.552％，PCA-KNN模型在塔器设备腐蚀程度的预测中效果最好，识别率可达到94.737％;最后，根据本文的研究内容及研究成果，提出了由腐蚀预测驱动的腐蚀监管方法，提出将结果表征、设防策略、腐蚀诊断、腐蚀预测和优化决策等综合应用方法。 将传统的腐蚀诊断方法与数据挖掘技术结合，具有一定的创新意义和实际工业应用的价值，有利于推动常减压装置设备的安全运行和腐蚀防护管理工作向数字化与智能化的方向发展。
常减压装置;塔器设备;数据挖掘;腐蚀预测;神经网络;原油炼化
北京化工大学
硕士
安全科学与工程
杨剑锋
2021
中文
TE962
2021-09-06（万方平台首次上网日期，不代表论文的发表时间）