Forecasting the operation of an industrial vacuum distillate hydrotreating unit using a mathematical model

Cover Page

Cite item

Full Text

Abstract

Relevance. Current trends in processing heavy oil with high sulfur content and tightening environmental fuel requirements necessitate hydrocarbon feedstock purification from harmful components such as sulfur. One of the processes for upgrading medium and heavy oil fractions is hydrotreating. Due to the high importance of the hydrotreating in modern oil refining, the use of mathematical models is critically important in the design of new units, optimization of existing ones, and development of catalysts.

Aim. This work is devoted to forecasting the operation of an industrial vacuum gas oil hydrotreating unit with a change in the composition of the feedstock and the main control parameters using a mathematical model.

Methods. Liquid adsorption chromatography method using the Gradient M unit to determine the composition of vacuum gas oil, gas-liquid chromatography method using the Crystal 2000 M chromatograph to determine the content of sulfur-containing compounds in vacuum gas oil, cryoscopy method in benzene to determine the molecular weight, energy-dispersive X-ray fluorescence spectrometry method to determine total sulfur in vacuum gas oil, pycnometer method for measuring density, quantum chemical research method implemented in the Gaussian program for determining the thermodynamic characteristics of reactions, method of mathematical modeling of chemical-engineering processes

Results. The authors have proposed a 12-component mathematical model of the vacuum distillate hydrotreating. The model takes into account most of the reactions of hydrogenolysis, hydrogenation and hydrocracking of heteroorganic compounds, gas–liquid and liquid–solid mass transfer, as well as the effect of catalyst deactivation with coke on its activity. Based on the results of calculations performed using the mathematical model, it can be concluded that the model of the vacuum gas oil hydrotreating reliably reproduces the dependence of the residual sulfur content in the product on changes in the main control parameters of the industrial vacuum distillate hydrotreating unit.

About the authors

Saniia B. Arkenova

National Research Tomsk Polytechnic University

Author for correspondence.
Email: sba5@tpu.ru
ORCID iD: 0000-0002-6345-9754

Engineer

Russian Federation, 30, Lenin avenue, Tomsk, 634050

Elena N. Ivashkina

National Research Tomsk Polytechnic University

Email: ivashkinaen@tpu.ru
ORCID iD: 0000-0003-3984-1352

Cand. Sc., Professor

Russian Federation, 30, Lenin avenue, Tomsk, 634050

Elizaveta F. Gritsenko

National Research Tomsk Polytechnic University

Email: efg2@tpu.ru

Master Student

Russian Federation, 30, Lenin avenue, Tomsk, 634050

References

  1. Abdullin A.I., Siraev I.R. Hydrocracking as a process for obtaining diesel fuel. Bulletin of the Technological University, 2016, vol. 19, no. 10, pp. 41–43. (In Russ.)
  2. Moiseev A.V., Maksimov N.M., Solmanov P.S., Tyshchenko V.A. Study of kinetic features of reactions of hydrodesulfurization, hydrodenitrogenation and hydrogenation of heavy oil feedstock compounds on sulfide Ni6PMonW(12–n)/Al2O3 hydrotreating catalysts. Kinetics and Catalysis, 2023, vol. 64, no. 2, pp. 189–202. (In Russ.) DOI: https://doi.org/10.31857/S0453881123020053
  3. Khalikova D.A., Petrov S.M., Bashkirtseva N.Yu. Review of promising technologies for processing heavy high-viscosity oils and natural bitumen. Bulletin of the Kazan Technological University, 2013, vol. 16, no. 3, pp. 217–221. (In Russ.)
  4. Nadeina K.A., Potapenko O.V., Kazakov M.O. Influence of hydrotreatment depth on product composition of fluid catalytic cracking process for light olefins production. Catalysis Today, 2021, vol. 378, pp. 2–9. DOI: https://doi.org/10.1016/j.cattod.2021.04.014
  5. Shved M.V., Glushko N.A. The process for hydrotreatment of diesel fuel: chemical basis. World science: problems and innovations: materials of the XLVII International Scientific and Practical Conference. Penza, October 30, 2020. Penza, Science and Education (IP Gulyaev G.Yu.) Publ., 2020. pp. 30–34.
  6. Zhukov K.G. Environmental aspects of the use of catalytic cracking gasoline and methods for improving its quality. Electronic scientific journal Oil and Gas Business, 2019, no. 1, pp. 218–233. (In Russ.) DOI: https://doi.org/10.17122/ogbus-2019-1-218-233.
  7. Gabidullina L.V., Murtazin F.R. Ways to improve the process of hydrotreating diesel fuel. International scientific journal "Bulletin of Science", 2024, vol. 3, no. 5 (74), pp. 1401–1403. (In Russ.)
  8. Khamidullina A.I., Ibragimova D.A., Petrov S.M., Zakirova Z.R. Influence of thermal and catalytic production methods on the composition and properties of recovered oil. Bulletin of the Technological University, 2015, vol. 18, no. 9, pp. 124–128. (In Russ.)
  9. Tomin V.P., Kabyshev V.A. Problems of abnormal processes of salt deposition and corrosion in installations for hydrotreating oil fractions. Oil and Gas Technologies, 2009, no. 4 (63), pp. 3–10. (In Russ.)
  10. Shemelova O.V. Mathematical modeling in chemical engineering processes. Bulletin of Science and Practice, 2018, vol. 4, no. 12, pp. 20–23. (In Russ.) DOI: https://doi.org/10.5281/zenodo.2252778. article from a Russian-language journal
  11. Kapusta D.P. Molecular dynamics modeling of reactions in hydrated systems. Cand. Diss. Abstract. Moscow, 2022. 22 p. (In Russ.)
  12. Samoilov N.A. Mathematical modeling and optimization of the diesel fuel hydrotreating process. Theoretical Foundations of Chemical Technology, 2021, vol. 55, no. 1, pp. 99–109. (In Russ.) DOI: https://doi.org/10.31857/S0040357120060202.
  13. Samoilov N.A. Specifics of mathematical modeling of complex multicomponent chemical processes. Industrial processes and technologies, 2021, vol. 1, no. 1, pp. 37–52. (In Russ.) DOI: https://doi.org/10.37816/2713-0789-2021-1-1-37-52.
  14. Sudakov D.O. Conversion of nitrogen- and sulfur-containing compounds in the process of hydrotreating vacuum gas oil. Chemistry and chemical technology in the 21st century. Proc. of the XXIII International scientific and practical conference of students and young scientists named after outstanding chemists L.P. Kulev and N.M. Kizhner. Tomsk, May 16–19, 2022. Tomsk, TPU Publ., 2022. No. 2, pp. 100–101. (In Russ.)
  15. Krivtsova N.I., Sudakov D.O. Evaluation of thermodynamic and kinetic parameters of denitrogenation reactions during hydrotreating. Oil and Gas Production, Preparation, and Transportation. Proc. of the X International Conference. Ekaterinburg, October 2–6, 2023. Ekaterinburg, Institute of Petroleum Chemistry SB RAS Publ., 2023. pp. 118–119. (In Russ.)
  16. Bessonova N.V., Zirka A.A., Reshetnikov S.I. Mathematical modeling of fuel hydrotreating considering the effect of temperature on catalyst deactivation. Science. Technologies. Innovations. XV All-Russian Scientific Conference of Young Scientists dedicated to the Year of Science and Technology in Russia. Novosibirsk, December 06–10, 2021. Novosibirsk, Novosibirsk State Technical University Publ., 2021. P. 3, pp. 17–20. (In Russ.)
  17. Babidorich M.I., Demin A.M., Reutova O.A. Using mathematical modeling to generate training data in hydrotreating processes. International Journal of Open Information Technologies, 2023, vol. 11, no. 5, pp. 114–118.
  18. Pereira Neto A.T., Lucas Fernandes T.C.R., Da Silva H.B. Jr. Three-phase trickle-bed reactor model for industrial hydrotreating processes: CFD and experimental verification. Fuel Processing Technology, 2020, no. 208:106496. DOI: https://doi.org/10.1016/j.fuproc.2020.106496
  19. Bukhtoyarov V.V., Nekrasov I.S., Tynchenko V.S., Bashmur K.A., Sergienko R.B. Application of predictive machine learning algorithms to oil refining processes within the framework of intelligent automation. Scientific works of NIPI Neftegaz SOCAR, 2022, no. S1, pp. 12–20. (In Russ.) DOI: https://doi.org/10.5510/OGP2022SI100665.
  20. Atta A., Roy S., Larachi F., Nigam K.D.P. Cyclic operation of trickle bed reactors: a review. Chemical Engineering Science, 2014, no. 115, pp. 205–214. DOI: https://doi.org/10.1016/j.ces.2013.08.038.
  21. Alvarez A., Ancheyta J. Modeling residue hydroprocessing in a multi-fixed-bed reactor system. Applied Catalysis A: General, 2008, no. 351, pp. 148–158. DOI: https://doi.org/10.1016/j.apcata.2008.09.010
  22. Alvarez A., Ancheyta J. Simulation and analysis of different quenching alternatives for an industrial vacuum gasoil hydrotreater. Chemical Engineering Science, 2008, vol. 63, pp. 662–673. DOI: https://doi.org/10.1016/j.ces.2007.10.007
  23. Alvarez A., Ancheyta J., Centeno G., Marroquín G. A modeling study of the effect of reactor configuration on the cycle length of heavy oil fixed-bed hydroprocessing. Fuel, 2011, no. 90, pp. 3551–3560. DOI: https://doi.org/10.1016/j.fuel.2011.03.043007
  24. Jimenez F., Ojeda K., Sanchez E., Kafarov V., Maciel Filho R. Modeling of trickle bed reactor for hydrotreating of vacuum gas oils: effect of kinetic type on reactor modeling. Computer Aided Chem. Eng., 2007, no. 24, pp. 515–520. DOI: https://doi.org/10.1016/S1570-7946(07)80109-X
  25. Korsten H., Hoffmann U. Three-phase reactor model for hydrotreating in pilot trickle-bed reactors. AIChE J., 1996, no. 42, pp. 1350–1360. DOI: https://doi.org/10.1002/aic.690420515X
  26. Mederos F.S., Ancheyta J. Mathematical modeling and simulation of hydrotreating reactors: cocurrent versus countercurrent operations. Appl. Cat. A: General, 2007, no. 332, pp. 8–21. DOI: https://doi.org/10.1016/j.apcata.2007.07.028
  27. Mederos F.S., Ancheyta J., Elizalde I. Dynamic modeling and simulation of hydrotreating of gas oil obtained from heavy crude oil. Appl. Cat. A: General, 2012, no. 425–426, pp. 13–27. DOI: https://doi.org/10.1016/j.apcata.2012.02.034
  28. Rodríguez M.A., Ancheyta J. Modeling of Hydrodesulfurization (HDS), Hydrodenitrogenation (HDN), and the Hydrogenation of Aromatics (HDA) in a vacuum gas oil hydrotreater. Energy Fuels, 2004, no. 18, pp. 789–794. DOI: https://doi.org/10.1021/ef030172s
  29. Kallinikos L.E., Jess A., Papayannakos N.G. Kinetic study and H2S effect on refractory DBTs desulfurization in a heavy gasoil. Journal of Catalysis, 2010, no. 269, pp. 169–178. DOI: https://doi.org/10.1016/j.jcat.2009.11.005
  30. Liu Z., Zheng Y., Wang W., Zhang Q., Jia L. Simulation of hydrotreating of light cycle oil with a system dynamics model. Applied Catalysis A: General, 2008, no. 339, pp. 209–220. DOI: https://doi.org/10.1016/j.apcata.2008.01.018

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».