A naphtha cracking furnace produces various petrochemical products ranging from ethylene to pitch. The simulation and optimization of the cracking furnace in NCC have attracted attention of many plant engineers and researchers because the cracking furnace is the most energy consuming unit in NCC. It consumes about 55-65% of the total energy cost. However, due to the complexity of cracking reactions, many of their studies had been limited to the ethane or propane cracking furnaces. But many NCC companies in Asia and Europe use naphtha as their main feed material, the optimization of naphtha cracking furnaces is essential to them. Although there have been some commercial furnace simulators, they have been used only as yield predictors because they give no guideline for the optimum operation. In this study, we developed a simplified furnace model using neural networks. The training and validation data for this model were obtained over a wide range of operating bounds by a furnace simulator, CRACKER.With this furnace model, we formulated an MINLP problem maximizing the total profit in a given time horizon. Tube skin temperature and pressure drop inside the pyrolysis coil are constrained by the plant operation limits. This problem was solved for one furnace operation by GAMS. The optimal decoking interval and inlet naphtha feed flowrate trajectory were obtained by solving the optimization problem.
Continuous operation of the furnace leads to coke formation on the inner surface of the pyrolysis coils, the amount of which increases with on stream time. The coke inside the coils decreases productivity of the furnace and therefore its operation is periodically stopped for decoking in order to restore the productivity. A furnace
system has many furnaces in parallel, which share the inlet naphtha feed flow to the system. This leads to an optimization problem where the decoking schedule for a set of parallel furnaces must be decided simultaneously with the distribution of the inlet naphtha feed flow among them. The optimization problem can be formulated as an MINLP, which may be computationally intractable for industrial size problems. Three alternative solution strategies have been developed to circumvent the inevitable nonlinear terms in the objective function. The performance of each strategy will be presented in terms of the solution quality and computational time.
For the decoking scheduling, estimation of the deposited coke thickness is essential. In practice, the coke thickness may be estimated from furnace operating conditions. But measurement error and unexpected change in coke growth rate cause uncertainties in the estimation. Accumulation of the error by the uncertainties increases the gap between model prediction and plant observation. To handle the uncertainties, a ‘proactive’ decoking scheduling strategy is proposed. Whenever an unexpected operational problem arises, in a ‘conventional reactive’ scheduling, an unpredicted decoking triggers rescheduling. On the other hand, the proactive scheduling strategy utilizes model information as well as measurement information to determine the rescheduling point. In the proposed proactive scheduling strategy, the plantmodel gap is quantitatively calculated every unit time while the plant is operated according to a decoking schedule obtained from the proposed strategy. When the gap is larger than a given threshold value, the scheduling parameter, coke thickness, is estimated by the plant data. Then, the problem is solved again with the updated information. The new scheduling solution is applied to the operation until the next proactive scheduling point is found by the rescheduling criterion. This proactive scheduling procedure is iteratively applied to the simultaneously operated multiple furnaces system. Superiority of the proactive scheduling strategy is verified by comparing it with the conventional reactive scheduling strategy and a heuristic decoking strategy averaged over a large number of scenarios in terms of productivity and risk manageability.
납사 분해로는 에틸렌에서 피치에 이르기까지 다양한 석유 화학 제품을 생산하는 NCC(Naphtha Cracking Center) 내의 중요한 단위 공정이다. 납사 분해로는 NCC 전체 에너지 비용의 약 55-65\%를 소모하기 때문에 납사 분해로의 최적화에 의한 비용 감소는 전체 이익 증가에 큰 영향을 미칠 수 있다. 그러나 복잡한 분해 반응때문에 납사 분해로에 대한 연구는 많은 제한을 받아왔다. 상업용 분해로 모사기가 이미 존재하지만, 제한된 인터페이스때문에 이러한 모사기 역시 유입 납사의 종류 변화에 따른 생산물 예측 정도에만 이용되고 있을 뿐, 조업 최적화에는 크게 도움을 주고 있지 못하다. 본 연구에서는 이러한 상업용 모사기의 단점을 극복하고 현장 조업에 실제적인 도움을 줄 수 있는 유연한 분해로 모사 모델을 개발하고, 이 모델을 이용하여 조업 조건을 최적화하였다. 모델의 유연성을 위하여 신경망 모델을 이용하여 기존에 있던 분해로의 수학적 모델을 단순화하였다. 분해로 모사기의 하나인 CRACKER를 통해 얻어진 다양한 조업 조건하에서 분해로 조업 자료를 이용하여 개발된 분해로의 신경망 모델 파라미터를 구하였다. 이 모델을 이용하여 주어진 기간 내의 전체 이익을 최대화 할 수 있는 MINLP 문제를 구성하여 풀었다.
납사 분해로의 연속적인 조업에 의해 분해 반응기 내부 표면에는 코크가 형성되게 된다. 이 코크는 조업 진행 중 계속 생성되어 점차적으로 분해로의 생산성을 떨어뜨린다. 이렇게 떨어진 생산성을 회복시키기 위하여 주기적으로 분해로의 조업을 중지하고 `디코킹'이라고 불리는 코크 제거 작업을 하게 된다. 하나의 분해로 시스템에서는 여러 개의 분해로가 동시에 평행하게 조업된다. 각 분해로들은 고정된 유입 흐름을 서로 나누어 가지므로, 각 분해로의 디코킹 일정을 정하는 것은 동시에 유입 흐름도 결정해야하는 최적화 문제를 푸는 것이다. 디코킹 일정 결정 문제는 MINLP의 형태로 구성될 수 있다. 그러나 산업용 납사 분해로 시스템과 같은 대규모 MINLP 문제의 경우 최적 해를 구하기가 쉽지 않다. 디코킹 일정 계획을 하는 MINLP 문제를 풀기 위하여 본 연구에서는 세 가지의 서로 다른 방법을 이용하였다. 각 방법들은 결과로 얻어지는 최적해와 계산 시간의 관점에서 그 성능이 비교되었으며, 최종적으로 MILP와 NLP를 분리하여 연속 계산하여 최적해를 얻는 방법이 세 방법 중 가장 성능이 좋은 것으로 제안되었다.
디코킹 일정을 결정하기 위해서는 분해로 내에 쌓인 코크의 두께를 예측하는 것이 필요하다. 코크 두께는 분해로의 조업 상태에서 예측될 수 있다. 그러나 측정 오차와 코크 생성 속도의 계속적인 변화는 코크 두께 예측에 불확실성을 가져온다. 이러한 불확실성에 의해 축적된 오차는 모델 예측값과 공장 관찰값 사이의 차이를 점차 증가시킨다. 이러한 불확실성을 다루기 위해 프로액티브 스케줄링 방법이 제안되었다. 일반적인 리액티브 일정 계획에서는 예측하지 못한 조업상의 문제가 발생할 ??마다 일정을 다시 세우게 된다. 그러나 프로액티브 일정 계획에서는 조업 정보 뿐 아니라 일정 계획에 이용되는 모델의 정보를 함께 이용함으로써 일정 계획을 다시 세우는 시점을 결정한다. 제안된 프로액티브 일정 계획 방법에서는 공장 값과 모델 값의 차이를 매일 정량적으로 계산하며, 이 차이 값이 주어진 제한 값 이상 커지게 되면, 모델을 조업 자료로 업데이트하고, 업데이트된 모델을 이용하여 다시 일정 계획을 세우게 된다. 프로액티브 디코킹 일정 계획 방법은 휴리스틱 디코킹 방법이나 리액티브 일정 계획에 비하여 조업 안정성이나 수율 면에서 뛰어난 결과를 보여주었다.
