Investigation of IDAES and optimization for a SMR process

Abstract

Naturgass er en ressurs som stadig blir mer beleilig å bruke som ressurs for energi med en verden som bestandig forandrer seg og med menneskeheten som innser at verden må gå mot et mer vennlig standpunkt i forhold til klimaet. I dag står olje & gass industrien høyt i konkurransen om generer- ing av energi sammen med kull, og for det meste, har olje gass industrien vært alfaen siden den første store oppdagelsen i 1969 på Ekofisk og har vært et av de mest ekstraktede oljefeltene så langt. Naturgass har blitt oppdaget å ha lavere C02 utslipp, og har derfor blitt mer populært til å erstatte olje og kull som energikilder i forskjellige områder. Denne tesen tar en kikk på likvifisering av naturgass, mer spesifikt en singel mikset kjølemedie prosess. Den relativt nye prosess programvaren IDAES har blitt implementert sam- men med ASPEN HYSYS til å modellere og simulere SMR prosessen. Til slutt har en optimalisering av prosessen ved bruk av en genetisk algoritme, Particle swarm, blitt testet for å finne optimale kontroll variabler for å red- usere energi forbruk i prosessen.

Natural gas is a resource that is getting more convenient to use as an energy resource with the ever-changing world as humans realize that the world has to move towards a more friendly attitude to the climate. Today the oil and gas industry stands tall in the competition of energy generation together with coal, and for the most part, oil has been the alpha since the first big discovery of the resource in 1969 at Ekofisk and has been one of the most severe oilfields to be extracted to this day. Natural gas has been discovered to have less C02 emissions and is therefore growing more popular to use in replacement for oil and coal in different areas. This thesis takes a look at the liquefaction of natural gas, more specifically a single mixed refrigerant process. The relatively new process software tool IDAES have been applied together with ASPEN HYSYS to model and simulate the SMR process. Lastly, an optimization of the process by the genetic algorithm Particle swarm has been tested to find optimum control variables to reduce energy consump- tion in the process.