1 |
[en] INORGANIC FOULING IN NANOFILTRATION MEMBRANES DURING DESULPHATATION PROCESS / [pt] ESTUDO DA FORMAÇÃO DE INCRUSTAÇÕES INORGÂNICAS EM MEMBRANAS DE NANOFILTRAÇÃO UTILIZADAS EM PROCESSOS DE DESSULFATAÇÃOTHAIS DE LIMA ALVES 27 October 2006 (has links)
[pt] Um problema inerente ao processo de separação por
membranas, mais
especificamente a nanofiltração( NF) é a perda de
eficiência das membranas com
o tempo de operação do sistema, que se deve, em grande
parte, ao depósito ou
adsorção de material na superfície e/ou poros das
membranas. O desenvolvimento
de incrustações faz com que o fluxo permeado diminua muito
e torna necessário
regimes freqüentes de limpeza que ocasionam uma acentuada
diminuição na vida
útil da membrana. Este estudo enfoca o comportamento de
soluções salinas
simples, binárias e multicomponentes submetidas a processo
de nanofiltração com
membrana comercial utilizada em processos de dessulfatação
(NF-90-400- Dow)
em módulo de placa e quadros com alimentação em fluxo
cruzado, condições de
pressão elevada e baixa vazão escolhidas de modo a
favorecer a formação dos
depósitos. A membrana selecionada para o estudo mostrou
grande eficiência na
eliminação de sulfato tanto para soluções simples como
para soluções binárias, foi
observado que variação na força iônica afeta a eficiência
de remoção de sulfatos
das correntes de alimentação e ainda que variações na
diferença de pressão
aplicada no processo utilizando água do mar sintética como
solução de operação
afetam de forma significativa as características de
incrustação. / [en] Fouling is a problem without a satisfactory solution in
nanofiltration process.
The fouling development causes low performance and
reduction of the membrane
time life. The aim of this work was to evaluate the
behavior of salts significantly
present in the sea water in fouling formation on the
membrane surface. A
commercial nanofiltration membrane (NF-90-400), which was
developed for
sulphates removal process, was particularly investigated.
The permeation
experiments with sulphates solution were carried out
during seven days; permeate
flux and effluent conductivities were monitored.
Temperature, transmembrane
pressure, concentration, and flow velocity of the feeding
solution were kept in
25ºC, 30 bar, 4.000 mg/L, and 0,030 m/s, respectively. The
selected membrane
showed great efficiency in the sulphate elimination for
simple solutions and for
binary solutions, it was observed that variation in the
ionic force affects the
efficiency of sulphates removal. Variations in DP when the
solution of work was
synthetic sea water affects in a significant way the
incrustation characteristics.
|
2 |
[pt] DESENVOLVIMENTO DE MODELOS UTILIZANDO INTELIGÊNCIA ARTIFICIAL PARA PROBLEMAS DE GARANTIA DE ESCOAMENTO NA INDÚSTRIA DE PETRÓLEO / [en] DEVELOPMENT OF ARTIFICIAL INTELLIGENCE MODELS APPLIED TO THE FLOW ASSURANCE PROBLEMS IN THE OIL AND GAS INDUSTRYBRUNO XAVIER FERREIRA 10 November 2022 (has links)
[pt] Uma preocupação significativa durante a produção de óleo e gás é a garantia
de escoamento para evitar desperdício de tempo e dinheiro. Devido às mudanças
nas condições durante a produção (como pressão e temperatura), principalmente
na região do pré-sal brasileiro, a solubilidade dos componentes do petróleo bruto
(óleo-gás-água) pode diminuir, resultando na formação de depósitos. A
incrustação é geralmente causada por parafina, hidratos e sal inorgânico. Neste
trabalho, foram desenvolvidos modelos utilizando estratégias de Aprendizado de
Máquina para monitoramento da formação de incrustações inorgânicas e
medição de parâmetros de processo associados com formas de remediação de
obstruções de outras fontes. Primeiramente, foram criados modelos do processo
de formação de incrustação de carbonato de cálcio na presença de
monoetilenoglicol (inibidor de hidrato) usando a arquitetura de redes neurais
feedfoward prever o pressão diferencial um e cinco instantes à frente, obtendo
um R2
superior a 92,9 porcento para ambos os horizontes de predição. O segundo tópico
explorado foi desenvolver modelos para determinação do pH em sistemas
pressurizados (até 6,0 MPa) por meio de análise de imagens. Podendo ser
aplicados no monitoramento de sistemas como Sistema Gerador de Nitrogênio,
utilizado para remediar alguns problemas de incrustação, dado que sua cinética
depende fortemente do pH do sistema. Foram criados modelos de classificação
para o pH do sistema (2, 3, 4, 5, 6, 7, 8, 9, 10) usando Redes Neurais
Convolucionais (CNN), Máquina de Vetor de Suporte e Árvores de Decisão.
Além disso, modelos CNN foram construídos para predizer o pH na faixa de 2-
10. / [en] A significant concern during oil and gas production is flow assurance to
avoid loss of time and money. Due to production conditions changes (such as
pressure and temperature), especially in the Brazilian pre-salt region, the solubility
of the components of the crude oil (oil-gas-water) can decrease, resulting in the
formation of deposits. The fouling is usually caused by wax, gas hydrate, and
inorganic salt (scale). In this work, models were developed using Machine
Learning strategies for scale formation monitoring and measuring process
parameters associated with remediation of obstruction from other sources. First,
models for the calcium carbonate scaling formation process in the presence of
monoethylene glycol (typical gas hydrate inhibitor) were created using
feedforward neural network architecture to predict the differential pressure (deltaP)
one and five steps ahead, obtaining an R2
higher than 92.9 percent for the training and
test group for both the prediction horizon. The second approach explored was the
development of models for determining the pH in atmospheric and pressurized
systems (up to 6.0 MPa) using image analysis. These models could be applied to
control and monitor the Nitrogen Generation System, which can be used for
different flow assurance problems, and its kinetics strongly depend on the system s
pH value. This step initially created classification models for the system pH (2, 3,
4, 5, 6, 7, 8, 9, 10) using the Convolution Neural Networks (CNN), Support Vector
Machine, and decision tree architectures. Also, CNN models were built to predict
the pH in the range of 2-10.
|
Page generated in 0.0379 seconds