氦气由于其难以液化、放射性惰性、几乎不溶于水和最高的电离势等不凡的物理化学性质,在各个行业都有所应用,在许多行业中的使用价值也是其他物质无法替代的。我国每年大约使用1500万立方米的氦气,市场价约18亿元。但国内氦气资源较少,我国主要依赖从国外进口氦气。氦气供应市场安全和战略安全堪忧。因此,研究氦气的提取工艺,如何降低提氦能耗成本以及提升氦气纯度具有十分重要的意义。天然气低温提氦工艺是目前比较常用的提氦工艺,但低温提氦工艺通常只能提取出60%-70%左右的粗氦,还需要进行氦气的精制。低温提氦工艺只是制氦气的第一步,但为了为后面的提纯步骤,提取出的粗氦浓度要尽可能高。因此,本文的研究目的是对比选取合理的基于天然气液化的提氦工艺,并完成在保证粗氦浓度的情况下的低温提氦工艺的能耗最少的参数优化。具体包括以下内容:(1)选择了 HYSYS模拟操作的状态方程等,并对某气田原料气进行了处理,通过比较选择了 DEA吸收剂脱酸,以及分子筛脱水,使原料气满足低温操作工艺所允许的杂质含量要求。对处理后的原料气进行了物性分析,探讨了各组分以及原料气的露点,为之后的流程建设打好基础。(2)分别分析了天然气低温提氦工艺流程与天然气液化工艺流程,两者的工艺流程相似,因此提出了三种基于天然气液化的低温提氦工艺流程。分别为:混合冷剂制冷+氮气循环制冷工艺流程、天然气膨胀制冷+氮气循环制冷流程、氮气膨胀液化制冷流程。对三种方案在同样的操作条件下,从粗氦浓度、氦气回收率、装置综合能耗、装置最低操作温度、LNG产量及回收率、设备投资,六个方面进行综合比较,确定方案三——氮气膨胀液化制冷流程为最优的联合流程。(3)对最优流程进行参数分析后,确定了六个对流程能耗影响较大的参数,并分别分析了每个参数对装置能耗和最终的粗氦浓度的影响,这六个参数是:一级塔进料温度、一级塔进料压力、一级塔回流比、制冷剂高压压力、制冷剂低压压力、制冷剂流量。(4)本文对于最优流程选用了两个方法进行优化。首先采用BP神经网络算法,该算法是按误差逆转传播算法进行训练的多层前馈网络。准备了一组试验数据和一组测试数据后,进行了计算,分析误差确定了该算法的准确性。最终得出了一组最优参数,在该组参数下,提取的粗氦浓度为63.52%,能耗比优化前节约了 18.08%。但BP神经网络算法只能给出已知分组的最优组,即真正的最优参数可能在给出的最优解附近,因此本文接下来采用了响应面分析方法,对流程参数进行最优化计算。(5)响应面分析方法是采用多元二次回归方程来拟合因素与响应值之间的函数关系,通过对回归方程的分析来寻求最优工艺参数,解决多变量问题的一种统计方法。采用响应面分析方法,分别获得了装置综合能耗和粗氦浓度的回归方程,并得到一组最优参数解,在该组参数下提取出的粗氦浓度为63.53%,能耗比优化前节约了 21.4%。另外,该组参数的值在BP神经网络给出的最优解附近,也证明了 BP神经网络的准确性。(6)分别分析了原料气含氦量和含氮量的变化对最终粗氦产品的影响发现:含氦量的变化对装置提取的粗氦浓度影响较小;含氮量在25%以下变化对装置提取的粗氦浓度影响较小,但高于25%以后对氦气的提取效果明显下降。