Integrating Simulation in Optimal Synthesis and Design of Natural Gas Upstream Processing Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A natural gas upstream processing network consists of several main processing units. Many process configurations are available for selection, and the choice of technologies can be vast. There is no single technology or process configuration that is superior in all aspects. Thus, there is a need for a mathematical model that considers different flowsheet configurations and operating mode options and selects optimally among them. In this paper, a comprehensive design and operational mixed integer programming model is presented for superstructure optimization to optimally select the most cost-effective pathway in natural gas upstream processing networks. The key processing units of the considered processing network include stabilization, acid gas removal, dehydration, sulfur recovery, natural gas liquid (NGL) recovery, and NGL fractionation. The developed optimization model considers a superstructure with all available technologies for each processing step as well as mode of operation, such as variations in temperature and pressure which impacts the product yields. These units have been simulated using ASPEN Plus to determine the yields of different units for each design alternative under different operating modes. The bilinear terms in the resulting mixed integer nonlinear programming (MINLP) model are linearized based on either input or output streams, whichever are less in number. The model has been applied to design and operate optimally the natural gas upstream processing network. Two illustrative case studies are presented to show the applicability of the overall framework and formulated models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle