LNG船BOG再液化系统流程优化与动态蒸发率控制【附模型】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1液氮预冷BOG缓冲再液化系统流程设计与Aspen HYSYS建模在现有氮膨胀逆布雷顿循环基础上提出一种液氮开式预冷与BOG缓冲罐耦合的再液化流程。BOG从LNG液舱出来首先进入缓冲罐缓冲罐体积20m³利用罐内压力调节阀控制出口流量平稳随后BOG进入液氮预冷换热器LN2-Precooler液氮温度-196°C流量可调预冷后BOG温度可降至-140°C。预冷后的BOG与主制冷循环的冷剂在板翅式主换热器MHE-200X中换热浓相BOG温度降至-161°C完全液化经节流阀降压后返回液舱。液氮吸热汽化后产生的氮气排入惰气系统总管用于货舱密封和吹扫实现了冷量梯级利用。在Aspen HYSYS中建立全流程模型采用Peng-Robinson状态方程液舱BOG量按航行中实测的蒸发率0.15%/天波动设定。仿真表明在设计工况50% BOG负荷下缓冲罐可使主换热器入口流量波动幅度从±18%降低到±4%系统比功耗1.29kWh/kgLNG比基础无缓冲系统降低5.7%。2人工蜂群算法优化预冷系统性能与经济性分析为充分发挥液氮预冷效益利用人工蜂群算法ABC对预冷液氮质量流量m_LN2及主循环压缩机排气压力P_comp两个关键变量进行优化。目标函数为最小化比功耗SEC与年化总成本ATC的加权和权重设为0.7和0.3。通过MATLAB ActiveX与Aspen HYSYS交互每次迭代自动运行模拟算例回传结果。ABC算法设置蜜蜂种群80采蜜蜂与观察蜂各半最大迭代80次。优化后液氮流量从初设的0.28kg/s调整为0.32kg/s压缩机出口压力从18.2bar调整为17.5bar系统SEC降至1.028kWh/kgLNG比传统NH3预冷系统下降21.53%。经济分析显示虽然增加了液氮消耗成本但因压缩功下降年操作费用降低6.8%设备投资因预冷换热器尺寸减小而降低4.2%投资回收期2.3年证明了液氮预冷系统的经济优越性。3集成BOG缓冲与液氮预冷的全系统动态仿真与控制策略将缓冲罐、液氮预冷器和再液化流程整合为液氮预冷BOG缓冲再液化系统重点研究船舶晃动造成的动态蒸发率变化下的调节性能。在Aspen HYSYS Dynamics中建立动态模型引入PID控制器调节液氮阀门和BOG压缩机转速。控制策略设为当缓冲罐压力超过1.15barg时增加BOG压缩机转速5%低于1.05barg时降低5%液氮流量通过前馈加反馈根据预冷器出口温度与-140°C设定值偏差调节。在模拟横摇±15°、周期10s的晃荡工况下动态蒸发率瞬时波动峰值达到设计值的2.5倍缓冲罐将出口BOG流量波动压缩至±6%预冷器出口温度偏差在±1.2℃以内液化率始终维持在98%以上系统稳定未出现冷箱冻堵。整合后全系统比功耗降至1.02kWh/kg总功耗比基础系统降低27.1%体现了流程与控制联合优化的效果。import numpy as np from scipy.optimize import minimize # 注意涉及HYSYS交互实际需用win32com此处模拟 # 液氮预冷BOG再液化系统模拟 class BOG_Reliquefaction: def __init__(self, m_BOG, T_BOG-120): self.m_BOG m_BOG # kg/s self.T_BOG T_BOG self.P_comp 18.2e5 # Pa self.m_LN2 0.28 # kg/s def simulate(self): # 简化功耗模型 Q_cool self.m_BOG * (self.T_BOG 161) * 2.0 # 简单热负荷 W_comp self.P_comp * self.m_BOG / 0.8 * 1e-5 W_LN2 self.m_LN2 * 200 # 液氮泵功 SEC (W_comp W_LN2) / self.m_BOG return SEC, W_comp # 人工蜂群优化 class ABC_Optimizer: def __init__(self, bounds, pop_size80): self.bounds bounds self.pop_size pop_size self.food_sources np.random.rand(pop_size, len(bounds)) for i in range(pop_size): self.food_sources[i] [np.random.uniform(b[0],b[1]) for b in bounds] self.fitness np.zeros(pop_size) def optimize(self, obj_func, max_iter80): for iter in range(max_iter): # 采蜜蜂阶段 for i in range(self.pop_size): k np.random.randint(self.pop_size) phi np.random.uniform(-1,1, len(self.bounds)) new_src self.food_sources[i] phi*(self.food_sources[i]-self.food_sources[k]) new_src np.clip(new_src, [b[0] for b in self.bounds], [b[1] for b in self.bounds]) new_fit 1/(1obj_func(new_src)) if new_fit self.fitness[i]: self.fitness[i] new_fit self.food_sources[i] new_src # 观察蜂选择和搜索... best_idx np.argmax(self.fitness) return self.food_sources[best_idx] # 目标函数 def objective(params): m_LN2, P_comp params plant BOG_Reliquefaction(m_BOG0.5) plant.m_LN2 m_LN2 plant.P_comp P_comp SEC, _ plant.simulate() ATC 1e5 * m_LN2 3e4 * P_comp # 年化成本 return 0.7*SEC 0.3*ATC/1000 if __name__ __main__: bounds [(0.2,0.5), (15e5,20e5)] abc ABC_Optimizer(bounds) best abc.optimize(objective, max_iter50) print(优化结果 液氮流量(kg/s):, best[0], 压力(Pa):, best[1]) # 动态控制模拟 plant BOG_Reliquefaction(0.5) sec, _ plant.simulate() print(设计比功耗:, sec)