中、小型合成氨装置深冷净化工艺的计算机模拟研究

"该文档主要探讨了在人工智能和机器学习的背景下，针对中、小型合成氨系统的深冷净化工艺的计算机模拟技术。大连理工大学化工学院无机化工教研室在研究中，借鉴大型合成装置的精制技术，结合布朗合成氨冷箱设计原理，开发了一种适用于中、小型装置的新鲜气深冷精制技术，以解决传统工艺中惰性气体含量高、能耗大的问题。布朗深冷净化技术在20世纪60年代引入，通过不断的优化，已成为合成氨生产领域的有效手段，允许使用多种原料气。冷箱装置的主要目标是降低杂质气体的含量，为后续的压缩和合成步骤做好准备。文章通过模拟计算，评估了不同物性方法，并确定PR-BM物性方法适用于实际工艺设计。关键词涉及深冷净化、合成氨和过程模拟。" 本文的核心知识点包括： 1. 合成氨系统：传统的中、小型合成氨系统通常采用铜洗、联醇、甲烷化等工艺，但这些工艺在精确度和能耗方面存在不足。 2. 深冷净化工艺：分子筛吸附和双甲节能型精制工艺的出现，改善了生产能力，降低了运营成本，但仍然面临循环气中惰性气体含量高和能耗高的问题。 3. 布朗合成氨工艺：60年代出现的布朗型合成氨工艺，利用冷箱深冷净化系统，使得原料气来源多样化，如天然气、重油或煤。 4. 冷箱装置：冷箱的主要功能是降低杂质气体（如N2和CH4）的含量，以优化后续的压缩和合成过程。 5. 计算机模拟：通过计算机模拟，研究了不同物性方法，最终确定PR-BM物性方法在实际工艺设计中的适用性。 6. 过程优化：通过模拟与计算，旨在降低能耗，提高新鲜气的精制度，解决行业内的迫切需求，符合化学工业“十一五”发展战略。 7. 能源效率：布朗深冷净化技术的优化改进降低了能耗，提升了合成氨生产过程的竞争力。 8. 物性方法评估：文章对比了各种物性方法，为实际生产提供理论支持，PR-BM方法因其优势被选中。 这些知识点展示了在人工智能和机器学习的框架下，如何利用先进的计算技术和工艺模拟来优化传统的化工过程，特别是在中、小型合成氨系统中的深冷净化环节，以实现更高效、更环保的生产。