Performance optimization of an industrial natural gas dehydration process to reduce energy consumption and greenhouse gases ( <scp>GHGs</scp> ) emission
Notice bibliographique
Résumé
Abstract Natural gas dehydration using multi‐layer adsorption beds is one of the most essential processes in gas processing plants, where the water molecule is removed from raw gas by a continuous cyclic temperature swing adsorption operation. In the present research, a commercial adsorption unit for dehydration of natural gas has been studied, and the effects of the volume of adsorbents in the multi‐layer adsorption beds on the overall performance of the process have been investigated using a precise mathematical model. The numerical method of lines (NMOL) has been applied to solve the partial differential equations (PDEs) demonstrating the fixed bed. The real plant data from the industrial unit have been used for validation of the model. The simulated breakthrough time, bed pressure drop, and dried gas temperature are found to be in good agreement with experimental measurements with an error of less than 4%. The modelling results are applied to obtain the optimum adsorbents layers' configuration using response surface methodology (RSM). The objective functions are pressure drop and water breakthrough time, while variables are the length of two molecular sieve layers with different particle sizes, which are loaded in each adsorption column. The results indicated that an 18.45% reduction in the direct and indirect greenhouse gases (GHGs) emission (35 369.59 MT/year) during the regeneration cycle and a significant decrease in energy consumption (623 609 GJ/year) can be achieved by applying the optimal configuration. Moreover, 1 year of longer continuous operation (by avoiding nearly 45 regenerations) is another desirable outcome of the optimization.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».