酸性气体组成对胺法天然气脱酸的影响：一种混合仿真—机器学习模型

天然气作为众多工业和家庭的主要燃料来源，其组成会因储层岩石物性特征、成因及热力学条件等因素而变化，这些变化会影响净化后天然气的品质。本研究采用一种混合方法，考察原料天然气组成对净化气质量这一常被忽视的影响，重点关注酸度以及火用（Exergy）、高位发热值（Higher Heating Value, HHV）和所需补加量等热力学特征。研究人员对一套胺法天然气脱酸装置，即基于甲基二乙醇胺（Methyldiethanolamine, MDEA）的脱酸单元进行了模拟，以分析在不同进料气组成和操作条件下的过程性能。采用TabNet、人工神经网络（Artificial Neural Network, ANN）、随机森林（Random Forest）和遗传算法（Genetic Algorithm, GA）构建预测模型，以实现对ppm范围痕量参数的高精度分析。关键输入变量包括甲烷、乙烷、丙烷、丁烷、氮气、CO₂和H₂S，以及再生塔回流比、换热器出口温度、减压阀出口压力和入口流量等操作参数。模拟结果表明，这些模型对真实过程输出具有较高预测精度。GA表现出最优精度，对所有目标变量均达到R² > 99%，其RMSE分别为：H₂S为9.78 × 10^-9，CO₂为2.02 × 10^-6，胺补加量为2.92 × 10^-6，水补加量为69.75，HHV为2.20，火用为6.50。数据相关性分析表明，脱酸性能高度受气体组成影响。酸性气体（H₂S、CO₂）浓度升高会导致所需胺补加量增加，而H₂S会降低水补加需求。较重烃类有助于提高HHV，而甲烷会降低HHV，氮气的影响则较小。

该论文发表于《Array》，聚焦天然气脱酸过程中一个长期被低估但具有工程实质意义的问题，即原料酸气组成变化如何系统性影响胺液脱酸效果、溶剂补加需求以及净化气热力学品质。天然气在进入城市燃气网络或下游工业使用前，通常必须去除H₂S和CO₂等酸性组分，因为这些杂质不仅会降低气体热值，还会造成设备腐蚀并影响输送安全。传统研究和工业优化多集中于循环量、温度、回流比、压力等操作变量，而对原料气中甲烷、氮气、重烃以及酸性组分波动的作用缺乏系统量化。研究人员因此开展本研究，旨在明确气体组成与操作条件在脱酸性能中的相对贡献，并建立可对痕量ppm级酸气出口浓度进行高精度预测的混合仿真—机器学习框架。

研究人员首先基于Aspen Plus建立了MDEA吸收—再生脱酸流程模型，并以伊朗某天然气厂实际工况为参照完成模拟校验，证明模型在净化气温度、流量及出口H₂S、CO₂浓度方面与实际装置吻合良好。在此基础上，研究人员围绕进料组成和关键操作条件构建了超过500,000个工况点的数据集，用于训练和比较多种机器学习模型。研究表明，相比常规认为占主导地位的操作参数，原料气组成，尤其是CO₂、H₂S及各类烃组分，对脱酸残余酸度、MDEA与水补加量、净化气高位发热值（HHV）和火用（Exergy）具有更稳定且更显著的控制作用。其中，GA优化模型在所有目标上均取得R² > 99%的预测性能，显示出对复杂非线性关系和ppm级痕量响应的优异表征能力。该研究的重要意义在于，不仅提升了胺法脱酸过程的可预测性，也为工业装置在原料波动条件下的溶剂管理、能质评估与智能优化提供了可解释的定量依据。

本研究的关键技术方法主要包括三部分。其一，以Aspen Plus为平台，采用ELECNRTL/NRTL-RK热力学框架模拟MDEA吸收—再生流程，并以伊朗某天然气厂实际运行数据进行验证。其二，通过系统改变7个组成变量与4个操作变量，生成大规模多输出数据集。其三，利用TabNet、随机森林（RF）、人工神经网络（ANN）及遗传算法（GA）优化模型进行训练、特征筛选和多目标回归，并以R²、MAE、RMSE评价性能。

4.1. Performance of H₂S and CO₂ Absorption
在酸气脱除性能方面，研究结果显示，净化气中CO₂残余浓度最主要受原料气CO₂含量支配，二者呈强正相关；H₂S脱除则主要由入口H₂S负荷决定。这说明入口酸性负荷本身就是决定吸收难度和净化后残余酸度的核心因素。相比之下，再生塔回流比和换热器热侧出口温度与脱酸效率总体相关性较弱，仅对H₂S去除表现出一定改善作用。研究人员据此指出，在该系统中，原料组成对酸性气体去除的影响强于常规操作调节。进一步分析表明，随着甲烷、乙烷、丙烷和丁烷含量增加，H₂S与CO₂去除效率下降，净化气酸度升高。其原因在于烃类稀释了酸性组分分压，削弱了气液传质驱动力；同时，总气体体积流量上升缩短了吸收塔内停留时间，不利于平衡驱动的吸收过程。特征重要性结果进一步量化了这种影响：在H₂S预测中，CO₂质量分数、H₂S质量分数、换热器出口热流温度和再生器回流比最为关键；在CO₂预测中，原料气CO₂浓度占据绝对主导，其后为换热器出口温度、正丁烷组成和H₂S含量。该部分结果表明，机器学习的特征选择能力使进料组成与脱酸表现之间的关系得以明确排序和解释。

4.2. Analysis of Required Make-Up Additions
在补加量分析方面，研究人员发现，影响补加水和补加MDEA的首要因素同样不是操作变量，而是原料气组成，尤其是H₂S含量。结果显示，出口压力对水补加略有正向影响、对MDEA补加略有负向影响；回流比升高会轻微增加MDEA补加、降低水补加，但总体影响幅度较小。最显著的规律来自H₂S分数：较高H₂S负荷显著提高MDEA补加需求，同时显著降低水补加需求。前者反映了H₂S的化学反应性增强了溶剂负荷，后者则与富胺液蒸气压下降、水蒸发受抑以及再生所需能量变化有关。研究人员认为，这种“H₂S升高导致胺需求增加但水需求下降”的双重行为具有明显工程价值。重烃如正丁烷和异丁烷与MDEA补加呈中等正相关，说明其部分溶解与物性扰动可能增加胺损失；甲烷与MDEA补加呈负相关，但会轻微增加水补加，反映其高蒸气压促进水挥发。氮气由于化学惰性和低溶解度，仅表现出较弱影响。特征重要性分析进一步表明，在胺补加和水补加模型中，H₂S均为最重要变量，证明酸气组成是溶剂管理的首要决定因素。

4.3. Evaluation of HHV and Exergy Variations
在净化气热力学品质方面，研究重点分析了HHV与火用的变化规律。结果表明，HHV与再生塔回流比仅呈极弱负相关，说明提高回流比虽然理论上可改善酸气解吸、提高贫胺质量，但同时可能伴随轻烃损失，抵消了脱除酸气带来的热值提升。换热器热流出口温度与HHV基本无显著相关性，说明单纯增加再生热负荷并不能保证净化气热值改善。组成变量中，丙烷、异丁烷、正丁烷等较重烃与HHV呈正相关，而甲烷与HHV呈负相关，这是由于单位摩尔较重烃具有更高燃烧放热。火用方面，天然气进料流量对其影响最强，表现为显著正相关，而换热器温度与回流比影响很小。研究人员指出，甲烷有利于提升火用，而较重烃则倾向于降低火用，这意味着能量品质与热值之间存在差异化响应：甲烷有利于有效作功能力，却可能轻微拉低HHV；较重烃则有助于提高热值。特征重要性结果显示，HHV模型中最重要的是甲烷、正丁烷、氮气、异丁烷和CO₂；火用模型中最重要的是进料流量，其次为正丁烷、乙烷、甲烷和异丁烷。该部分结果强调，原料组成不仅决定脱酸难易，也决定净化气的能量利用特性。

讨论部分总结
论文讨论部分的核心结论是，胺法天然气脱酸系统的行为并不能仅通过操作条件变化充分解释，原料酸气组成及烃类分布必须被纳入过程分析和优化框架。研究人员通过混合仿真—机器学习方法证明，CO₂、H₂S及C₁–C₄组分对酸气残余、溶剂补加和热力学指标的影响具有系统性与可量化性。尤其是对ppm级H₂S和CO₂出口浓度的预测，GA优化模型表现出极高精度，显示出该方法在工业智能监测与预测中的应用潜力。研究还指出，操作参数主要在局部层面调节再生效果，尤其对H₂S去除有一定帮助，但对整体过程表现的主导性不及进料组成。因而，在原料波动显著的天然气处理场景中，将组成敏感性分析与数据驱动预测结合，可为溶剂投加、流程设计和能效管理提供更可靠依据。

研究结论翻译
本研究提出了一种混合仿真—机器学习框架，用于评估酸性天然气组成对胺法脱酸性能的影响，并强调进料组成而非操作条件是过程行为的主要驱动因素。通过将Aspen Plus模拟与TabNet、随机森林（Random Forest）、人工神经网络（ANN）和遗传算法（GA）等先进机器学习模型相结合，该框架能够可靠预测酸性气体脱除、溶剂补加需求以及火用和高位发热值（HHV）等热力学指标。经工业装置数据验证的模拟模型生成了超过500,000个样本的数据集，覆盖了广泛的操作和组成条件。在所测试模型中，基于GA的方法达到最高精度，R² > 99%，且RMSE极低，尤其适用于ppm级预测。结果表明，气体组成，特别是CO₂、H₂S和烃类分数，对脱酸性能的影响比典型操作参数更稳定且更显著。轻烃含量增加会因稀释效应和低溶解度而削弱酸气脱除，较重烃则提高HHV；此外，烃类和氮气会增加水补加需求，而较低H₂S水平则需要更高补水量以维持溶剂平衡。从能量角度看，甲烷有助于提高火用，但会轻微降低HHV，表明能量品质与热值之间存在权衡，而操作参数主要影响H₂S去除，对HHV和火用等能量指标影响有限。研究的主要贡献在于建立了一个具有可解释性的混合框架，能够定量揭示并排序进料气组成相对于操作条件的影响，从而改善过程理解和决策。从工程应用角度看，这些发现有助于提升脱酸系统的流程设计、溶剂管理和数据驱动优化水平。尽管该研究已展现出较高精度，但其局限于稳态模拟和MDEA体系。未来工作可扩展至动态工况，以捕捉H₂S/CO₂浓度突变或组成随时间逐渐变化等瞬态行为，并探索其他溶剂及实时优化策略。