吳帥 尹愛軍 張波

doi： 10.11835/j.issn.1000-582X.2023.104

收稿日期：2022-11-07

網絡出版日期：2023-04-14

基金項目：國家自然科學基金資助項目（52275518）。

Foundation：Supported by National Natural Science Foundation of China （52275518）.

作者簡介：吳帥（1997—），男，碩士研究生，主要從事設備故障診斷和數字孿生研究，（E-mail）shuai_1214@163.com。

通信作者：尹愛軍，男，博士，教授，（E-mail） aijun.yin@cqu.edu.cn。

摘要：數字孿生可以實現(xiàn)物理空間與數字空間之間的映射和交互，在工業(yè)領域展現(xiàn)出巨大的發(fā)展前景。針對天然氣脫水性能參數檢測效率低和氣站工藝參數無法在線優(yōu)化的問題，將數字孿生應用于化工行業(yè)，構建了三甘醇（triethylene glycol， TEG）脫水裝置數字孿生系統(tǒng)的整體框架。結合物理設備建立了孿生系統(tǒng)的幾何模型，并基于物理數據實時驅動建立了脫水系統(tǒng)工藝流程模型，最后，通過虛實映射模型完成物理空間和數字空間的映射，最終建立脫水裝置的孿生模型。該模型可實現(xiàn)物理設備與虛擬設備的并行運行。通過提出的數字孿生系統(tǒng)，能夠實現(xiàn)對天然氣水露點等脫水性能參數的實時預測；以低能耗為目標，通過孿生模型中的優(yōu)化算法，可實現(xiàn)對脫水工藝參數的在線優(yōu)化，提升經濟效益。

關鍵詞：三甘醇脫水；數字孿生；脫水性能預測；工藝優(yōu)化

中圖分類號：TP302.1????????? 文獻標志碼：A?????? ???? 文章編號：1000-582X（2024）05-110-12

Digital twin system for TEG dehydration of natural gas device

WU Shuai1， YIN Aijun1， ZHANG Bo2

（1. College of Mechanical and Vehicle Engineering， Chongqing University， Chongqing 400044， P. R. China; 2. Chongqing Gas Mine of Southwest Oil and Gas Branch， Chongqing 400021， P. R. China）

Abstract： The digital twin concept completes the mapping and interaction between physical space and digital space， showing great potential for development in the industrial field. With considering the low detection efficiency of natural gas dehydration performance parameters and the inability to optimize gas station process parameters online， this paper applies the digital twin concept in the chemical industry to establish an overall framework of the digital twin system for triethylene glycol（TEG） dehydration. On one hand， the geometric model of the twin system is constructed by integrating physical devices. On the other hand， the flow model dehydration system technology is established based on the real-time driving of physical data. Finally， the twin model of dehydration is established by designing virtual-real mapping model， completing the mapping of physical space and digital space， which enables the parallel operation of the physical device and the virtual device. Through the proposed digital twin system， real-time prediction of natural gas water dew point and other dehydration performance parameters can be achieved. To achieve the goal of low power consumption， the optimization of dehydration process parameters is realized by combining optimization algorithms with the twin model， thereby improving economic efficiency.

Keywords： dehydration of TEG; digital twin; prediction of dehydration performance; process optimization

隨著大數據、云計算、物聯(lián)網和人工智能等新一代的信息技術的興起，數字孿生在工業(yè)領域中的應用越來越廣泛[1]。在“中國制造2025”中，數字孿生是智能制造的使能技術之一[2]。數字孿生預期在數字空間中構建物理實體的數字孿生模型，物理模型與孿生模型進行實時映射，使孿生模型反映物理實體的狀態(tài)、行為和活動，在優(yōu)化控制、模擬仿真和空間重構等方面有廣闊的應用場景。Liu等[3]利用數字孿生模型模擬航空航天零件的物理加工過程；Leng等[4]設計了自動化控制系統(tǒng)的快速重構數字孿生模型，使自動化生產系統(tǒng)能夠根據需求靈活多變；Verdouw等[5]建立了智能農業(yè)的數字孿生框架。

數字孿生技術已在智能制造和智慧城市等多個領域有研究和應用[6-8]，但在石化領域中的研究和應用大多停留在概念階段[9-11]。Shen等[12]建立了油氣生產的數字生產數字孿生模型，對油氣生產的過程控制進行優(yōu)化；蔣愛國等[13]搭建了半潛式鉆井平臺的數字孿生系統(tǒng)，保障了設備安全穩(wěn)定運行。近年來，以煤炭為主的傳統(tǒng)能源結構對生態(tài)環(huán)境造成的環(huán)保壓力不斷增大，天然氣作為清潔、高效的能源，其需求也越來越高[14]。

三甘醇脫水系統(tǒng)由于其高效、穩(wěn)定和低成本的特點被廣泛應用于天然氣儲運中。水露點和水含量是反映脫水性能的重要指標[15]，脫水性能參數可以通過人工智能的方法預測[16]，或使用在線水露點分析儀監(jiān)測[17]。因為檢測介質等原因，在線分析儀容易受到干擾，準確性低；工程中通常采用人工巡檢，但是檢測設備昂貴，效率低。三甘醇脫水的能耗優(yōu)化是油氣儲運領域研究的熱點。薛江波等[18]通過現(xiàn)場試驗的方法進行優(yōu)化；Kong等[19]研究了不同的循環(huán)結構對天然氣含水量的影響，并確定了給定工況下的最佳流量；Chebbi等[20]仿真研究了給定工況下較為經濟的操作條件。目前優(yōu)化方式以離線優(yōu)化為主，即基于某一特定時間節(jié)點的工況進行優(yōu)化，而脫水裝置在實際運行中，工況隨時間變化，離線優(yōu)化并不適用。

綜上所述，三甘醇脫水裝置脫水性能參數監(jiān)測缺乏準確有效的實時監(jiān)測手段，離線優(yōu)化缺乏連續(xù)性和即時性。針對這些問題，筆者建立了脫水裝置的數字孿生模型，實現(xiàn)脫水裝置與孿生模型的實時映射，對工藝參數進行在線優(yōu)化以降低能耗。

1 脫水裝置孿生系統(tǒng)整體架構

針對中石油重慶氣礦七橋中心站擴建100萬脫水裝置，構建了三甘醇脫水裝置的數字孿生系統(tǒng)，其系統(tǒng)架構如圖1所示，分為物理層、數據層、虛擬層和應用服務層。

1.1 物理層

物理層主要由三甘醇脫水裝置和流程中不同工藝階段的傳感器（如重沸器溫度傳感器、閃蒸罐壓力傳感器等），以及各類比例-微分-積分（proportional integral derivative， PID）控制器組成。物理實體為整個數字孿生系統(tǒng)的基礎，脫水裝置為孿生對象，傳感器用于實時感知脫水裝置的狀態(tài)，PID控制器用于控制設備的行為，PID控制器與傳感器配合數據采集與監(jiān)視控制（supervisory control and data acquisition， SCADA）系統(tǒng)實時采集設備的物理數據并調整設備的工藝參數設定。

1.2 數據層

數據層用于清洗數據和存儲數據。清洗數據包括異常數據處理、缺失數據處理和小波降噪處理；存儲的數據主要有物理數據與孿生數據2類，物理數據來源于物理設備，存儲在工廠信息（plant information， PI）數據庫中，包括設備實時監(jiān)測的工藝數據和設備控制數據等；孿生數據來源于孿生模型，包含用戶設定的工藝數據，參數預測與優(yōu)化的相關數據。數據層產生的數據均存儲在數據庫服務器中。

1.3 虛擬層

虛擬層是實現(xiàn)虛實映射的關鍵，由三大核心模型和其他服務組成。工藝流程模型能夠對脫水裝置的工藝流程進行實時映射，幾何模型作為孿生模型可視化的依賴，虛實映射模型連接工藝流程模型和幾何模型，3個核心模型和優(yōu)化算法共同組成孿生模型，實現(xiàn)物理數據的輸入和孿生數據的輸出；使用粒子群優(yōu)化（particle swarm optimization， PSO）算法對脫水裝置進行參數優(yōu)化。

1.4 應用服務層

應用服務層用于孿生模型的可視化展示與操作，主要面向工作人員。應用服務層的主要功能為查看脫水裝置孿生模型的狀態(tài)，展示各類服務信息以及通過服務層對孿生模型進行操作，顯示設備的動態(tài)響應等。

2 脫水裝置孿生模型建模

為建立三甘醇脫水裝置的數字孿生模型，分別從脫水設備、物理數據、工藝流程和幾何信息等多個維度進行映射。建立工藝流程模型和幾何模型，實現(xiàn)從物理空間到數字空間的真實映射。不同于普通的流程仿真，基于數字孿生的工藝流程模型是被物理數據實時驅動，并通過虛擬的PID控制器實時調整工藝流程中的各項工藝參數，使工藝流程模型在短時間內趨近于實際工藝流程，從工藝流程上映射現(xiàn)實。幾何模型則在空間維度上映射物理設備，為工藝流程和服務層提供可視化展示與操作的載體。天然氣脫水裝置的孿生模型建模需要幾何建模和工藝流程建模，建模流程如圖2所示。

2.1 脫水裝置幾何模型與模型交互

脫水裝置的幾何模型包含設備的幾何信息、相對位置和狀態(tài)等信息。首先使用3Ds Max等三維建模軟件在數字空間中建立物理設備的幾何模型，并對模型進行輕量化處理；然后使用Unity 3D為每個設備添加控制腳本，控制模型中信息與數據的更新（如液位、流動速度等）。最終的脫水裝置的幾何模型如圖3所示。

幾何模型能夠根據設備狀態(tài)動態(tài)的顯示與更新，以實現(xiàn)對設備狀態(tài)的實時映射。通過點擊幾何模型，查看整體設備與局部設備的狀態(tài)信息，例如點擊脫水裝置中的吸收塔可以查看該子設備的基本信息和工藝信息，如圖4（a）所示。在UI面板中可以手動調整設備的工藝參數，與虛擬設備進行交互，如圖4（b）右下角所示，同時可以查看整個設備的狀態(tài)變化。

2.2 基于物理數據實時驅動的工藝流程模型

三甘醇脫水裝置是由過濾分離器、吸收塔、閃蒸罐、緩沖罐、重沸器、精餾柱和換熱器等設備組成，實現(xiàn)使用貧甘醇對天然氣進行脫水，以及富三甘醇再生的工藝流程。

使用Aspen HYSYS[21]建立脫水工藝流程模型，通過實時數據接口接收物理數據并驅動模型，使模型映射物理流程，產出孿生數據。仿真分為穩(wěn)態(tài)仿真模型和動態(tài)仿真模型：穩(wěn)態(tài)仿真通過軟件提供的虛擬設備模塊搭建仿真流程，輸入對應物理數據使其計算收斂，穩(wěn)態(tài)模型可以得到流程中的難以監(jiān)測的工藝參數，如水露點、水含量和甘醇濃度等；動態(tài)模型在穩(wěn)態(tài)模型的基礎上添加流程的PID控制器，能反映設備開停車或受到擾動時的動態(tài)時序響應過程，工藝流程模型的映射過程如圖5所示。

根據中石油重慶氣礦七橋中心站擴建100萬脫水裝置建立的工藝流程模型如圖6所示。圖中PIC-100、PIC-101代表壓力PID控制器，F(xiàn)IC-100、FIC-101、FIC-102代表流量PID控制器，TIC-100代表溫度PID控制器，LIC-100、LIC-101代表液位PID控制器，E-103代表合成濕天然氣的冷卻器，Q-100代表冷卻器的能流，P-100代表貧甘醇出重沸器物流的壓力泵，Q100代表壓力泵的能流。

實時數據接口中添加需要實時控制與輸出的參數。根據工藝流程和優(yōu)化需求選擇合適的參數，輸入參數如表1所示，輸出參數如表2所示。其中“傳感器監(jiān)測”代表有對應的傳感器實時檢測，“人工巡檢”代表該參數由人工每天定時抽樣測量，“無監(jiān)測”代表該參數沒有安裝傳感器進行監(jiān)測或無法監(jiān)測。

2.3 脫水裝置虛實映射模型與信息映射

數字孿生強調在數字空間中重現(xiàn)物理空間的設備實體和工藝流程。已有研究提出“信息”是虛實映射的基礎[22]，通過多維度的傳感器感知，將物理實體的實時信息賦予到孿生模型上，驅動孿生模型更新，完成孿生模型與物理實體的實時映射，如圖7所示。脫水裝置孿生模型根據初始時刻采樣的物理數據進行初始化。SCADA系統(tǒng)采樣間隔為5 s，通過局域網實時上傳到PI數據庫中，孿生模型通過訪問數據庫，讀取脫水裝置最新的物理數據。物理數據經過清洗后傳入孿生模型，產生孿生數據，并以相同的時間間隔向應用服務層推送，進行動態(tài)更新與展示。用戶可通過服務端以特定的互聯(lián)網協(xié)議（internet protocol，IP）地址實時監(jiān)測脫水裝置數字孿生模型的運行狀態(tài)。孿生模型中的虛實映射模型是使用Python編寫的數據傳輸模型，驅動工藝流程模型更新，連接幾何模型進行可視化顯示，孿生數據也由該模型向SCADA系統(tǒng)傳遞，由SCADA系統(tǒng)完成對物理設備的控制，最終以虛控實完成整個映射過程。經過實際驗證，從物理數據采樣到應用服務層更新，延時小于1 s。

3 基于孿生模型的參數優(yōu)化

降低裝置能耗是提高經濟收益的一種常用手段。結合孿生模型對工藝流程中能耗進行預測，通過PSO算法對工藝參數進行優(yōu)化[23]。脫水工藝中，甘醇濃度、水露點和水含量等部分的重要參數無法通過傳感器直接進行監(jiān)測，導致傳統(tǒng)的優(yōu)化方式效果較差；從數字孿生模型中能夠實時快速的獲取這些重要參數，使得參數優(yōu)化具有連續(xù)性和即時性。

3.1 模型描述

工藝流程中的能耗是所有能耗設備消耗能源的總和，其模型如式（1）所示。

。??? （1）

式中：為流程總耗能，為流程設置的工藝參數；為流程中設備在工藝參數下的耗能；n為流程中設備的總數量；為自然數。

模型約束條件為：

1） 脫水性能參數滿足該站的脫水指標；

2） 優(yōu)化后工藝參數滿足工藝要求。

3.2 算法描述

PSO算法能夠在維的空間中產生一群隨機粒子搜索目標函數的最優(yōu)值，每個粒子通過尋找2個極值點進行迭代更新，第一個極值點P為自身最優(yōu)值的點，第二個極值點G為種群中最優(yōu)值的點，每個粒子在每次迭代中均根據這2個點進行速度和位置的更新，迭代公式[24]如下。

，??? （2）

。??? （3）

式中：和分別為第個粒子在第次迭代中的速度和位置；為種群中最優(yōu)值的位置；為第個粒子最優(yōu)值的位置；為上一次迭代速度對本次迭代速度影響的權重；為分布在[0，1]的隨機數，控制全局最優(yōu)值與局部最優(yōu)值對本次迭代速度影響的權重。

使用PSO算法優(yōu)化脫水裝置的參數，使其在干氣達到工藝要求的情況下盡可能地減少能耗。該站脫水裝置主要的耗能設備為甘醇泵、重沸器和冷卻器，編號分別為1，2，3。Chebbi等[20]的研究表明，脫水工藝中重沸器溫度與三甘醇循環(huán)量對能耗影響較大，以這2個工藝參數組成粒子，每次迭代后，粒子位置與目標工藝參數均滿足工藝要求的情況下對能耗最優(yōu)值對應的工藝參數進行搜索。對于圖6所示的工藝流程，參數優(yōu)化的目標函數如式（4）所示。

。??? （4）

為加快粒子搜索的速度和精準度，采用式（5）方法進行權重自適應更新。

，??? （5）

式中：分別為指定的的范圍；為第次迭代工藝參數的取值；為迭代開始時工藝參數的取值；為工藝參數的目標取值。

基于脫水裝置孿生模型的PSO算法搜索流程圖如圖8所示。

4 系統(tǒng)應用案例

中石油重慶氣礦七橋中心站擴建100萬脫水裝置的脫水性能參數為人工巡檢，檢測效率低，并且該氣站的脫水工藝參數在建站時設定，經過一段時間后的工況變化，參數已不再適用，如果人工直接操控物理設備進行在線優(yōu)化，會造成資源浪費并帶來安全風險。三甘醇脫水裝置數字孿生系統(tǒng)是通過物理數據實時驅動工藝流程模型的參數，用工藝流程模型映射實際工況，從工藝流程模型中讀取水露點與水含量，實現(xiàn)對脫水性能參數的實時預測，同時可通過優(yōu)化算法與孿生模型交互進行參數優(yōu)化，將優(yōu)化后的參數傳入SCADA系統(tǒng)，控制物理設備更新參數，適應當下的工況，避免了直接操作物理設備帶來的問題。該氣站的SCADA系統(tǒng)監(jiān)測并存儲了脫水裝置的歷史運行數據，使用該氣站的歷史運行數據驗證孿生系統(tǒng)對脫水性能參數的預測與工藝參數的優(yōu)化。

4.1 參數預測

為驗證脫水裝置數字孿生模型在實時孿生時的數據精度，從PI數據庫中每5 s讀取該脫水站的物理數據，數據清洗后連續(xù)輸入孿生模型中進行測試。測試前使用第一條數據對工藝流程模型進行初始化，持續(xù)控制工藝流程模型中的參數與物理數據保持一致，通過工藝流程模型實時預測物理數據對應的孿生數據和脫水性能數據。主要的物理數據、對應的孿生數據和脫水性能數據如圖9所示。

為驗證孿生模型的精度，通過平均絕對百分比誤差（mean absolute percentage error，MAPE）和均方根誤差（root mean square error，RMSE）評價模型的預測性能，MAPE衡量了孿生數據與物理數據偏移的相對大小，RMSE衡量了孿生數據與物理數據偏移的絕對大小，使用和分別表示MAPE和RMSE的誤差值，計算如式（6）（7）所示[25]。

，??? （6）

，??? （7）

式中：表示t時刻的孿生數據；表示t時刻采樣的物理數據；N為樣本個數。進裝置壓力等5個參數的與如表3所示。

圖9中孿生模型對水露點與水含量的實時預測，某時間點的人工巡檢的水露點為-3.00 ℃，水含量為138.5?mg/m3，對應孿生數據中的水露點為-3.03 ℃，水含量為138.3 mg/m3，誤差分別為1.00%與0.14%。

結合圖9與表3，孿生模型產生的孿生數據在動態(tài)變化上與物理數據具有高度的一致性。對于天然氣脫水循環(huán)，輸入物理數據僅為瞬時處理量，其孿生數據（進裝置壓力、計量靜壓和計量壓差等）均與物理數據具有相同的變化趨勢，進一步驗證了孿生模型的合理性。

上述對孿生數據的驗證與分析表明，搭建的三甘醇脫水裝置的數字孿生模型能夠實現(xiàn)與物理設備的精準映射。孿生模型可以在部分物理數據的控制下對三甘醇脫水工藝流程進行實時的流程模擬，產生的孿生數據具有較高的可靠性。

4.2 工藝參數優(yōu)化

從該脫水站歷史運行的數據中以5 s的時間間隔向孿生模型連續(xù)輸入300條樣本數據，部分典型參數如圖10所示，t1時刻人工巡檢的脫水性能參數合格（水露點為-3.00 ℃），t2時刻工況已經發(fā)生變化，此時瞬時處理量降低，單位時間內脫水負荷減小，設備的脫水性能過剩（水露點為-4.04 ℃），造成能源浪費。

以t2時刻的工況為案例進行在線優(yōu)化，參數優(yōu)化的約束條件如表4所示。

優(yōu)化前后典型參數對比如表5所示。

由表5可以得出，優(yōu)化后重沸器溫度降低11.76 ℃，甘醇循環(huán)量減少82.69 L/h，在滿足工藝要求（天然氣處理后的水露點低于-3.00 ℃）的前提下，系統(tǒng)的總能耗下降10.24 kW，降低幅度為32.07%。

5 結束語

研究了三甘醇脫水裝置數字孿生系統(tǒng)的關鍵技術，建立了三甘醇脫水裝置的幾何模型、工藝流程模型和虛實映射模型，通過多模型融合完成了虛實映射過程，構建了脫水裝置的數字孿生模型，并研發(fā)了數字孿生系統(tǒng)。針對脫水性能參數監(jiān)測效率低的問題，基于孿生模型，研究了天然氣水露點與水含量的實時預測方法，并進行驗證與分析，結果表明孿生數據具有較高的精度；針對工藝參數優(yōu)化缺乏連續(xù)性和即時性的問題，結合孿生模型，實現(xiàn)了工藝參數的在線優(yōu)化，降低了裝置能耗。建立的數字孿生系統(tǒng)實現(xiàn)了實時預測和精準映射的功能，是數字孿生技術在石化領域的探索，未來將繼續(xù)探索數字孿生技術在健康管理、故障診斷和智能決策等方面的研究。

參考文獻

［1］? 劉大同， 郭凱， 王本寬， 等. 數字孿生技術綜述與展望[J]. 儀器儀表學報， 2018， 39（11）： 1-10.

Liu D T， Guo K， Wang B K， et al. Summary and perspective survey on digital twin technology[J]. Chinese Journal of Scientific Instrument， 2018， 39（11）： 1-10.（in Chinese）

［2］? 陶飛， 張賀， 戚慶林， 等. 數字孿生十問： 分析與思考[J]. 計算機集成制造系統(tǒng)， 2020， 26（1）： 1-17.

Tao F， Zhang H， Qi Q L， et al. Ten questions towards digital twin： analysis and thinking[J]. Computer Integrated Manufacturing Systems， 2020， 26（1）： 1-17.（in Chinese）

［3］? Liu S M， Bao J S， Lu Y Q， et al. Digital twin modeling method based on biomimicry for machining aerospace components[J]. Journal of Manufacturing Systems， 2021， 58： 180-195.

［4］? Leng J W， Liu Q， Ye S D， et al. Digital twin-driven rapid reconfiguration of the automated manufacturing system via an open architecture model[J]. Robotics and Computer-Integrated Manufacturing， 2020， 63： 101895.

［5］? Verdouw C， Tekinerdogan B， Beulens A， et al. Digital twins in smart farming[J]. Agricultural Systems， 2021， 189： 103046.

［6］? Qi Q L， Tao F， Zuo Y， et al. Digital twin service towards smart manufacturing[J]. Procedia CIRP， 2018， 72： 237-242.

［7］? Austin M， Delgoshaei P， Coelho M， et al. Architecting smart city digital twins： combined semantic model and machine learning approach[J]. Journal of Management in Engineering， 2020， 36（4）： ：4020026.1-4020026.14.

［8］? Qi Q L， Tao F， Hu T L， et al. Enabling technologies and tools for digital twin[J]. Journal of Manufacturing Systems， 2021， 58： 3-21.

［9］? Cameron D B， Waaler A， Komulainen T M. Oil and gas digital twins after twenty years. How can they be made sustainable， maintainable and useful？ [C]// Proceedings of the 59th Conference on Simulation and Modelling （SIMS 59）， September 26-28， 2018， Oslo， Norway. Oslo： Metropolitan University， 2018： 9-16.

［10］? Wanasinghe T R， Wroblewski L， Petersen B K， et al. Digital twin for the oil and gas industry： overview， research trends， opportunities， and challenges[J]. IEEE Access， 2020， 8： 104175-104197.

［11］? Xue X D， Li B， Gai J N. Asset management of oil and gas pipeline system based on digital twin[J]. IFAC-PapersOnLine， 2020， 53（5）： 715-719.

［12］? Shen F， Ren S S， Zhang X Y， et al. A digital twin-based approach for optimization and prediction of oil and gas production[J]. Mathematical Problems in Engineering， 2021， 2021： 3062841.

［13］? 蔣愛國， 王金江， 谷明， 等. 數字孿生驅動半潛式鉆井平臺智能技術應用[J]. 船海工程， 2019， 48（5）： 49-52， 55.

Jiang A G， Wang J J， Gu M， et al. Application of intelligent technology of semi-submersible drilling platform driven by digital twin[J]. Ship & Ocean Engineering， 2019， 48（5）： 49-52， 55.（in Chinese）

［14］? 鄒才能， 趙群， 陳建軍， 等. 中國天然氣發(fā)展態(tài)勢及戰(zhàn)略預判[J]. 天然氣工業(yè)， 2018， 38（4）： 1-11.

Zou C N， Zhao Q， Chen J J， et al. Natural gas in China： development trend and strategic forecast[J]. Natural Gas Industry， 2018， 38（4）： 1-11.（in Chinese）

［15］? Petropoulou E G， Carollo C， Pappa G D， et al. Sensitivity analysis and process optimization of a natural gas dehydration unit using triethylene glycol[J]. Journal of Natural Gas Science and Engineering， 2019， 71： 102982.

［16］? Ahmad Z， Bahadori A， Zhang J. Prediction of equilibrium water dew point of natural gas in TEG dehydration systems using Bayesian Feedforward Artificial Neural Network （FANN）[J]. Petroleum Science and Technology， 2018， 36（20）： 1620-1626.

［17］? Weremczuk J， Iwaszko R， Jachowicz R. The method of water molecules counting during condensation process in the dew point detector[J]. Sensors and Actuators B： Chemical， 2012， 175： 137-141.

［18］? 薛江波， 盧慶慶， 王亞軍， 等. 塔里木油田三甘醇脫水裝置參數優(yōu)化研究[J]. 油氣田環(huán)境保護， 2011， 21（5）： 30-33， 70.

Xue J B， Lu Q Q， Wang Y J， et al. Parameter optimization of triethylene glycol dehydration devices in Tarim oilfield[J]. Environmental Protection of Oil & Gas Fields， 2011， 21（5）： 30-33， 70.（in Chinese）

［19］? Kong Z Y， Mahmoud A， Liu S M， et al. A parametric study of different recycling configurations for the natural gas dehydration process via absorption using triethylene glycol[J]. Process Integration and Optimization for Sustainability， 2018， 2（4）： 447-460.

［20］? Chebbi R， Qasim M， Jabbar N A. Optimization of triethylene glycol dehydration of natural gas[J]. Energy Reports， 2019， 5： 723-732.

［21］? Haydary J. Chemical process design and simulation： Aspen plus and Aspen hysys applications[M]. Wiley-Aiche， 2019.

［22］? 陶飛， 劉蔚然， 劉檢華， 等. 數字孿生及其應用探索[J]. 計算機集成制造系統(tǒng)， 2018， 24（1）： 1-18.

Tao F， Liu W R， Liu J H， et al. Digital twin and its potential application exploration[J]. Computer Integrated Manufacturing Systems， 2018， 24（1）： 1-18.（in Chinese）

［23］? 顏筱函， 李柏成. 基于粒子群算法的天然氣三甘醇脫水工藝參數優(yōu)化研究[J]. 石油與天然氣化工， 2017， 46（3）： 22-26.

Yan X H， Li B C. Optimization on process parameters of TEG dehydration based on PSO algorithm[J]. Chemical Engineering of Oil & Gas， 2017， 46（3）： 22-26.（in Chinese）

［24］? 韓江洪， 李正榮， 魏振春. 一種自適應粒子群優(yōu)化算法及其仿真研究[J]. 系統(tǒng)仿真學報， 2006， 18（10）： 2969-2971.

Han J H， Li Z R， Wei Z C. Adaptive particle swarm optimization algorithm and simulation[J]. Journal of System Simulation， 2006， 18（10）： 2969-2971.（in Chinese）

［25］? 房方， 姚貴山， 胡陽， 等. 風力發(fā)電機組數字孿生系統(tǒng)[J]. 中國科學： 技術科學， 2022， 52（10）： 1582-1594.

Fang F， Yao G S， Hu Y， et al. Digital twin system of a wind turbine[J]. Scientia Sinica （Technologica）， 2022， 52（10）： 1582-1594.（in Chinese）

（編輯 ?呂建斌）