CN117889612B - 含氮甲烷气脱氮液化的方法及*** - Google Patents
含氮甲烷气脱氮液化的方法及*** Download PDFInfo
- Publication number
- CN117889612B CN117889612B CN202410275897.2A CN202410275897A CN117889612B CN 117889612 B CN117889612 B CN 117889612B CN 202410275897 A CN202410275897 A CN 202410275897A CN 117889612 B CN117889612 B CN 117889612B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence
- nitrogen content
- feature vector
- nitrogen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 196
- 239000007789 gas Substances 0.000 title claims abstract description 92
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 70
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 453
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 249
- 230000008569 process Effects 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 319
- 230000003993 interaction Effects 0.000 claims description 68
- 230000002452 interceptive effect Effects 0.000 claims description 24
- 230000036961 partial effect Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000007791 liquid phase Substances 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 7
- 238000001816 cooling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000003303 reheating Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000003949 liquefied natural gas Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 229910001873 dinitrogen Inorganic materials 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- JVFDADFMKQKAHW-UHFFFAOYSA-N C.[N] Chemical compound C.[N] JVFDADFMKQKAHW-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000012071 phase Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25J—LIQUEFACTION, SOLIDIFICATION OR SEPARATION OF GASES OR GASEOUS OR LIQUEFIED GASEOUS MIXTURES BY PRESSURE AND COLD TREATMENT OR BY BRINGING THEM INTO THE SUPERCRITICAL STATE
- F25J3/00—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification
- F25J3/06—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification by partial condensation
- F25J3/063—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification by partial condensation characterised by the separated product stream
- F25J3/066—Processes or apparatus for separating the constituents of gaseous or liquefied gaseous mixtures involving the use of liquefaction or solidification by partial condensation characterised by the separated product stream separation of nitrogen
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Separation By Low-Temperature Treatments (AREA)
Abstract
本申请涉及智能控制技术领域，其具体地公开了一种含氮甲烷气脱氮液化的方法及***，其采用基于深度学习的人工智能技术来监测和分析在脱氮液化过程中含氮甲烷气的氮气含量数据和脱氮塔底再沸器的操作压力数据，以挖掘出操作压力与氮气含量之间的时序响应性协同关联关系，并基于这种时序响应性协同关联关系来智能调节脱氮塔底再沸器的操作压力。这样，能够自动化调节脱氮塔底再沸器的操作压力，以优化脱氮液化过程，节省人力资源。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种含氮甲烷气脱氮液化的方法及***。
背景技术
含氮甲烷气脱氮液化的方法是一种利用低温分离技术，对含氮甲烷气进行脱氮处理，将含有高浓度氮气的甲烷气从气相转化为液相的过程，从而提高甲烷气的纯度和价值。该技术能够有效降低天然气的运输成本和环境影响，被广泛应用于石油、化工、天然气等领域。
然而，传统的含氮甲烷气脱氮液化过程主要依赖于人工经验或者启发式规则进行调控，容易受到操作人员的技能和水平的影响，且缺乏对含氮甲烷气脱氮液化过程中的复杂非线性动态特性的充分理解和利用，可能存在一定的误差和滞后性，难以实现精准调控和高效生产。因此，期待一种优化的含氮甲烷气脱氮液化的方法及***。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种含氮甲烷气脱氮液化的方法及***，其采用基于深度学习的人工智能技术来监测和分析在脱氮液化过程中含氮甲烷气的氮气含量数据和脱氮塔底再沸器的操作压力数据，以挖掘出操作压力与氮气含量之间的时序响应性协同关联关系，并基于这种时序响应性协同关联关系来智能调节脱氮塔底再沸器的操作压力。这样，能够自动化调节脱氮塔底再沸器的操作压力，以优化脱氮液化过程，节省人力资源。
相应地，根据本申请的一个方面，提供了一种含氮甲烷气脱氮液化的方法，其包括：常温高压的含氮甲烷气经过低温换热器深冷后通过脱氮塔底再沸器从而为低温脱氮塔提供再沸器热源，其中，在通过所述脱氮塔底再沸器的过程中，所述含氮甲烷气进一步被冷凝降温以得到冷凝后的含氮甲烷气；以及，所述冷凝后的含氮甲烷气经过所述低温换热器进一步过冷后进入所述低温脱氮塔进行低温精馏分离为塔顶出来的富氮尾气和塔底出来的高纯度的甲烷液相物流。
在上述含氮甲烷气脱氮液化的方法中，还包括：所述甲烷液相物流经过所述低温换热器过冷后作为LNG产品输入LNG储罐储存。
在上述含氮甲烷气脱氮液化的方法中，还包括：所述甲烷液相物流经过所述低温换热器复热为常温甲烷产品气外输使用。
在上述含氮甲烷气脱氮液化的方法中，还包括：所述富氮尾气经过所述低温换热器复热为常温氮气产品。
在上述含氮甲烷气脱氮液化的方法中，在所述常温高压的含氮甲烷气经过低温换热器深冷后通过脱氮塔底再沸器从而为低温脱氮塔提供再沸器热源的步骤中，所述脱氮塔底再沸器的操作压力，根据所述常温高压的含氮甲烷气中氮气的实时含量进行调节。
在上述含氮甲烷气脱氮液化的方法中，根据所述常温高压的含氮甲烷气中氮气的实时含量调节所述脱氮塔底再沸器的操作压力，包括：获取所述操作压力的时间序列和所述氮气的实时含量的时间序列；对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列；将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列；使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量；以及，基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令。
在上述含氮甲烷气脱氮液化的方法中，对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列，包括：将所述操作压力的时间序列和所述氮气的实时含量的时间序列分别按照时间维度排列为操作压力时序输入向量和氮气含量时序输入向量；以及，基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列。
在上述含氮甲烷气脱氮液化的方法中，使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量，包括：以如下局部时序粒度特征交互公式对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力局部时序匹配特征向量的序列和氮气含量局部时序匹配特征向量的序列；其中，所述局部时序粒度特征交互公式为：；其中，/>表示所述操作压力局部时序特征向量的序列中第/>个操作压力局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量的转置，/>表示所述氮气含量局部时序特征向量的序列中第/>个氮气含量局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量和所述第个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量和第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示第/>个操作压力局部时序特征向量和所述第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量相对于所述氮气含量局部时序特征向量的序列的操作压力局部时序匹配特征向量，/>表示所述第/>个氮气含量局部时序特征向量相对于所述操作压力局部时序特征向量的序列的氮气含量局部时序匹配特征向量，/>和/>分别表示所述操作压力局部时序特征向量和所述氮气含量局部时序特征向量的个数；以及，对所述操作压力局部时序匹配特征向量的序列和所述氮气含量局部时序匹配特征向量的序列进行级联融合以得到所述操作压力-氮气含量时序交互语义特征向量。
在上述含氮甲烷气脱氮液化的方法中，基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令，包括：对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互融合校正以得到校正特征向量；将所述校正特征向量和所述操作压力-氮气含量时序交互语义特征向量进行点乘加权以得到校正后操作压力-氮气含量时序交互语义特征向量；以及，将所述校正后操作压力-氮气含量时序交互语义特征向量通过基于分类器的操作压力自适应控制器以得到所述操作压力控制指令，所述操作压力控制指令用于表示当前时间点的操作压力应增大、应减小或应保持不变。
根据本申请的另一个方面，提供了一种含氮甲烷气脱氮液化***，其包括：脱氮液化监控模块，用于获取操作压力的时间序列和氮气的实时含量的时间序列；数据预处理模块，用于对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列；局部时序特征提取模块，用于将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列；特征交互模块，用于使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量；操作压力控制模块，用于基于所述操作压力-氮气含量时序交互语义特征向量，确定脱氮塔底再沸器的操作压力控制指令。
与现有技术相比，本申请提供的含氮甲烷气脱氮液化的方法及***，其采用基于深度学习的人工智能技术来监测和分析在脱氮液化过程中含氮甲烷气的氮气含量数据和脱氮塔底再沸器的操作压力数据，以挖掘出操作压力与氮气含量之间的时序响应性协同关联关系，并基于这种时序响应性协同关联关系来智能调节脱氮塔底再沸器的操作压力。这样，能够自动化调节脱氮塔底再沸器的操作压力，以优化脱氮液化过程，节省人力资源。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的含氮甲烷气脱氮液化的方法的流程图。
图2为根据本申请实施例的含氮甲烷气脱氮液化的方法的架构示意图。
图3为根据本申请实施例的含氮甲烷气脱氮液化的方法中对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列的流程图。
图4为根据本申请实施例的含氮甲烷气脱氮液化的方法中基于所述操作压力-氮气含量时序交互语义特征向量确定所述脱氮塔底再沸器的操作压力控制指令的流程图。
图5为根据本申请实施例的含氮甲烷气脱氮液化***的框图。
具体实施方式
为便于对本发明实施例的理解，下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
本申请提供了一种含氮甲烷气脱氮液化的方法，其具体步骤，包括：常温高压的含氮甲烷气经过低温换热器深冷后通过脱氮塔底再沸器从而为低温脱氮塔提供再沸器热源，其中，在通过所述脱氮塔底再沸器的过程中，所述含氮甲烷气进一步被冷凝降温以得到冷凝后的含氮甲烷气；以及，所述冷凝后的含氮甲烷气经过所述低温换热器进一步过冷后进入所述低温脱氮塔进行低温精馏分离为塔顶出来的富氮尾气和塔底出来的高纯度的甲烷液相物流。也就是，在所述低温脱氮塔中，根据气体成分不同的沸点来进行含氮甲烷气中的甲烷成分和氮气成分的分离操作。所述低温脱氮塔的塔顶出来的富氮尾气主要含有氮气成分，而塔底出来的所述甲烷液相物流则为高纯度的甲烷液化天然气 (LNG)。此外，所述甲烷液相物流可以经过所述低温换热器过冷后作为LNG产品输入LNG储罐中储存，也可经过所述低温换热器复热为常温甲烷产品气外输使用。同样地，所述富氮尾气也可以经过所述低温换热器复热为常温氮气产品。
特别地，在所述常温高压的含氮甲烷气经过低温换热器深冷后通过脱氮塔底再沸器从而为低温脱氮塔提供再沸器热源的步骤中，需要对所述脱氮塔底再沸器的操作压力进行调节。应可以理解，所述脱氮塔底再沸器的操作压力是影响含氮甲烷气脱氮液化的效果的一个重要因素。操作压力越高，脱氮塔底再沸器的温度越高，而脱氮塔底再沸器的温度升高会增加甲烷的蒸发量，从而有利于甲烷与氮气的分离，提高脱氮效率。然而，脱氮塔底再沸器的温度升高会增加设备能耗和塔板水力负荷，而塔板水力负荷过高可能会导致塔板淹没，影响分离效果。也就是说，较高的脱氮塔底再沸器操作压力有利于提高脱氮效率，但会增加设备能耗和塔板水力负荷。因此，为了优化含氮甲烷气的脱氮液化过程，需要根据实际情况合理选择脱氮塔底再沸器的操作压力。
然而，传统的含氮甲烷气脱氮液化过程中脱氮塔底再沸器的操作压力主要依赖于人工经验或者启发式规则进行调控，容易受到操作人员的技能和水平的影响，且缺乏对含氮甲烷气脱氮液化过程中的复杂非线性动态特性的充分理解和利用，可能存在一定的误差和滞后性，难以实现精准调控和高效生产。针对上述技术问题，本申请的技术构思为采用基于深度学习的人工智能技术来监测和分析在脱氮液化过程中含氮甲烷气的氮气含量数据和脱氮塔底再沸器的操作压力数据，以挖掘出操作压力与氮气含量之间的时序响应性协同关联关系，并基于这种时序响应性协同关联关系来智能调节脱氮塔底再沸器的操作压力。这样，能够自动化调节脱氮塔底再沸器的操作压力，以优化脱氮液化过程，节省人力资源。
图1为根据本申请实施例的含氮甲烷气脱氮液化的方法的流程图。图2为根据本申请实施例的含氮甲烷气脱氮液化的方法的架构示意图。如图1和图2所示，根据本申请实施例的含氮甲烷气脱氮液化的方法，包括步骤：S110，获取所述操作压力的时间序列和所述氮气的实时含量的时间序列；S120，对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列；S130，将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列；S140，使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量；以及，S150，基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令。
在上述含氮甲烷气脱氮液化的方法中，所述步骤S110，获取所述操作压力的时间序列和所述氮气的实时含量的时间序列。应可以理解，所述脱氮塔底再沸器的操作压力与氮气含量呈正相关关系，操作压力的升高会增加甲烷的蒸发量，从而提高脱氮效率，降低氮气含量。然而，这种正相关关系是非线性的。在较低的操作压力下，氮气含量对操作压力的变化更敏感。随着操作压力的增加，氮气含量对操作压力的敏感性逐渐降低。同时，如果操作压力过高进而导致塔板淹没，会阻碍气液接触，从而降低脱氮效率，增加氮气含量。因此，可以根据所述常温高压的含氮甲烷气中氮气的实时含量来自适应调节脱氮塔底再沸器的操作压力。基于此，首先获取所述操作压力和所述氮气的实时含量的时间序列数据，以分析操作压力和氮气含量在时间维度上的动态变化，进而揭示操作压力对氮气含量的影响，以及氮气含量对操作压力的反馈，从而基于操作压力与氮气含量之间的时序响应性协同关联关系来智能调节脱氮塔底再沸器的操作压力。
在上述含氮甲烷气脱氮液化的方法中，所述步骤S120，对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列。具体地，图3为根据本申请实施例的含氮甲烷气脱氮液化的方法中对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列的流程图。如图3所示，所述步骤S120，包括：S121，将所述操作压力的时间序列和所述氮气的实时含量的时间序列分别按照时间维度排列为操作压力时序输入向量和氮气含量时序输入向量；以及，S122，基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列。
具体地，所述步骤S121，将所述操作压力的时间序列和所述氮气的实时含量的时间序列分别按照时间维度排列为操作压力时序输入向量和氮气含量时序输入向量。应可以理解，考虑到所述操作压力和所述氮气含量都是随时间变化的数据，二者在时间维度上具有着时序的动态变化规律。因此，为了能够便于后续对于操作压力和氮气含量的时序变化情况进行分析，进一步将所述操作压力的时间序列和所述氮气的实时含量的时间序列分别按照时间维度排列为操作压力时序输入向量和氮气含量时序输入向量，以此来整合操作压力和氮气含量在时间维度上的动态变化信息，进而学习到操作压力对氮气含量的时序影响规律，从而实现对操作压力的智能调节。
具体地，所述步骤S122，基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列。应可以理解，考虑到所述操作压力时序输入向量和所述氮气含量时序输入向量为长时序数据，如果直接使用深度学习模型对所述操作压力时序输入向量和所述氮气含量时序输入向量进行时序特征提取，可能会导致局部细节时序波动信息的损失，以及梯度消失问题，即梯度在反向传播过程中逐渐变小，导致模型难以收敛。因此，为了更好地观察和分析操作压力和氮气含量的时序变化趋势，在本申请的技术方案中，进一步基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列。这样，通过将所述操作压力时序输入向量和所述氮气含量时序输入向量切分成较小的局部时序片段，可以更加细致地捕捉到操作压力和氮气含量的局部时序变化信息，为后续的分析和决策提供更准确的数据基础，并且减轻梯度消失问题，降低模型的计算成本。
在上述含氮甲烷气脱氮液化的方法中，所述步骤S130，将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列。本领域普通技术人员应知晓，多尺度邻域特征提取网络是一种神经网络架构，由多个并行卷积层组成，每个卷积层负责提取不同尺度的特征。因此，多尺度邻域特征提取网络可以从不同尺度的特征空间中提取时序数据的特征表示。在本申请的技术方案中，考虑到操作压力与氮气含量在时间维度上可能存在短期的快速变化，也可能存在长期的变化趋势。因此，为了捕捉操作压力与氮气含量在不同时间步长上的时序变化模式，进一步使用基于多尺度邻域特征提取网络的时序特征提取器对所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别进行处理，以捕捉到操作压力与氮气含量在不同时间尺度邻域内的局部变化趋势和依赖关系，从而更好地表示操作压力时序数据和氮气含量时序数据的内在结构和动态变化，为后续的操作压力调控任务提供更丰富的输入信息，提高调控精度。
在上述含氮甲烷气脱氮液化的方法中，所述步骤S140，使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量。应可以理解，在本申请的技术方案中，所述局部时序粒度特征交互器能够捕捉序列数据中不同位置之间的长程依赖关系。具体来说，所述局部时序粒度特征交互器通过计算各个所述操作压力局部时序特征向量和各个所述氮气含量局部时序特征向量之间的相似度，并将相似度信息归一化为注意力权重。然后，通过将各个特征向量与对应的注意力权重进行加权求和，以得到注意力输出，即所述操作压力局部时序特征向量的序列与所述氮气含量局部时序特征向量的序列之间局部时序粒度的语义匹配信息。接着，通过级联的方式进一步地进行数据整合，以获取操作压力和氮气含量之间的语义交互信息，从而捕捉到操作压力和氮气含量在时间维度上的响应性协同关联关系，进而实现操作压力的智能调控。
在本申请的一个具体示例中，所述步骤S140，包括：以如下局部时序粒度特征交互公式对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力局部时序匹配特征向量的序列和氮气含量局部时序匹配特征向量的序列；其中，所述局部时序粒度特征交互公式为：；其中，/>表示所述操作压力局部时序特征向量的序列中第/>个操作压力局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量的转置，/>表示所述氮气含量局部时序特征向量的序列中第/>个氮气含量局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量和所述第个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量和第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示第/>个操作压力局部时序特征向量和所述第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量相对于所述氮气含量局部时序特征向量的序列的操作压力局部时序匹配特征向量，/>表示所述第/>个氮气含量局部时序特征向量相对于所述操作压力局部时序特征向量的序列的氮气含量局部时序匹配特征向量，/>和/>分别表示所述操作压力局部时序特征向量和所述氮气含量局部时序特征向量的个数；以及，对所述操作压力局部时序匹配特征向量的序列和所述氮气含量局部时序匹配特征向量的序列进行级联融合以得到所述操作压力-氮气含量时序交互语义特征向量。
在上述含氮甲烷气脱氮液化的方法中，所述步骤S150，基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令。具体地，图4为根据本申请实施例的含氮甲烷气脱氮液化的方法中基于所述操作压力-氮气含量时序交互语义特征向量确定所述脱氮塔底再沸器的操作压力控制指令的流程图。如图4所示，所述步骤S150，包括：S151，对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互融合校正以得到校正特征向量；S152，将所述校正特征向量和所述操作压力-氮气含量时序交互语义特征向量进行点乘加权以得到校正后操作压力-氮气含量时序交互语义特征向量；以及，S153，将所述校正后操作压力-氮气含量时序交互语义特征向量通过基于分类器的操作压力自适应控制器以得到所述操作压力控制指令，所述操作压力控制指令用于表示当前时间点的操作压力应增大、应减小或应保持不变。
具体地，所述步骤S151和所述步骤S152，对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互融合校正以得到校正特征向量，再将所述校正特征向量和所述操作压力-氮气含量时序交互语义特征向量进行点乘加权以得到校正后操作压力-氮气含量时序交互语义特征向量。应可以理解，在本申请的技术方案中，所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列分别表达所述操作压力值和所述氮气实时含量值在全局时域下的局部时域内的多尺度局部时序关联特征，这样，考虑到所述操作压力值和所述氮气实时含量值的源数据时序分布差异，在使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行基于局部时域时序特征分布的交互处理时，期望提升所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列各自到融合后的所述操作压力-氮气含量时序交互语义特征向量的特征分布域的映射效果。
因此，在本申请的技术方案中，以如下交互融合校正公式对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互融合校正以得到校正特征向量；其中，所述交互融合校正公式为：；其中，/>是所述操作压力局部时序特征向量的序列级联后的第一特征向量，且/>是所述氮气含量局部时序特征向量的序列级联后的第二特征向量，/>和/>分别为第一特征向量/>对应的特征集合的均值和标准差，/>和/>分别为第二特征向量/>对应的特征集合的均值和标准差，/>表示特征向量的逐位置开方，且/>为以2为底的对数，/>是所述校正特征向量。
这里，为了提升所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列在特征交互场景下到融合特征分布域的映射效果，在传统的加权融合方式对于推断基于特征叠加的语义空间演变扩散模式存在局限性的基础上，通过采用结合空间的低阶叠加融合模式和高阶叠加融合模式的方式，并通过所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列的统计特征交互关系来模拟演变中心和演变轨迹，以在不同演变扩散速度场的作用下来基于非同步演变重构融合场景下的语义空间演变扩散，有效地提升了到同一高维特征空间内的投射效果。这样，再将所述校正特征向量与所述操作压力-氮气含量时序交互语义特征向量进行点乘加权，就实现了所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列的基于局部时域对齐的有效特征交互，从而提升了所述操作压力-氮气含量时序交互语义特征向量的表达效果，改进了其通过分类器得到的分类结果的准确性。
具体地，所述步骤S153，将所述校正后操作压力-氮气含量时序交互语义特征向量通过基于分类器的操作压力自适应控制器以得到所述操作压力控制指令，所述操作压力控制指令用于表示当前时间点的操作压力应增大、应减小或应保持不变。应可以理解，分类器是一种机器学习模型，其能够通过学习输入特征和相应的标签之间的关系，来对新的输入进行分类或标记。在本申请的技术方案中，将所述校正后操作压力-氮气含量时序交互语义特征向量输入基于分类器的操作压力自适应控制器中，利用分类器的分类学习能力，来学习所述校正后操作压力-氮气含量时序交互语义特征向量中蕴含的操作压力和氮气含量之间的响应交互信息，进而基于所述响应交互信息来将所述校正后操作压力-氮气含量时序交互语义特征向量映射到对应的类别标签中，即当前时间点的操作压力应“增大”、“减小”或“保持不变”。这样，能够智能化地实时调整脱氮塔底再沸器的操作压力，以优化含氮甲烷气的脱氮液化过程，并节省人力资源。
综上，根据本申请实施例的含氮甲烷气脱氮液化的方法被阐明，其采用基于深度学习的人工智能技术来监测和分析在脱氮液化过程中含氮甲烷气的氮气含量数据和脱氮塔底再沸器的操作压力数据，以挖掘出操作压力与氮气含量之间的时序响应性协同关联关系，并基于这种时序响应性协同关联关系来智能调节脱氮塔底再沸器的操作压力。这样，能够自动化调节脱氮塔底再沸器的操作压力，以优化脱氮液化过程，节省人力资源。
图5为根据本申请实施例的含氮甲烷气脱氮液化***的框图。如图5所示，根据本申请实施例的含氮甲烷气脱氮液化***100，包括：脱氮液化监控模块110，用于获取操作压力的时间序列和氮气的实时含量的时间序列；数据预处理模块120，用于对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列；局部时序特征提取模块130，用于将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列；特征交互模块140，用于使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量；操作压力控制模块150，用于基于所述操作压力-氮气含量时序交互语义特征向量，确定脱氮塔底再沸器的操作压力控制指令。
这里，本领域技术人员可以理解，上述含氮甲烷气脱氮液化***中的各个模块的具体操作已经在上面参考图1到图4的含氮甲烷气脱氮液化的方法的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述模块划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是，为了例示和描述的目的已经给出了以上描述。此外，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (5)
1.一种含氮甲烷气脱氮液化的方法，其特征在于，包括：
常温高压的含氮甲烷气经过低温换热器深冷后通过脱氮塔底再沸器从而为低温脱氮塔提供再沸器热源，其中，在通过所述脱氮塔底再沸器的过程中，所述含氮甲烷气进一步被冷凝降温以得到冷凝后的含氮甲烷气；以及
所述冷凝后的含氮甲烷气经过所述低温换热器进一步过冷后进入所述低温脱氮塔进行低温精馏分离为塔顶出来的富氮尾气和塔底出来的高纯度的甲烷液相物流；
其中，在所述常温高压的含氮甲烷气经过低温换热器深冷后通过脱氮塔底再沸器从而为低温脱氮塔提供再沸器热源的步骤中，所述脱氮塔底再沸器的操作压力，根据所述常温高压的含氮甲烷气中氮气的实时含量进行调节；
其中，根据所述常温高压的含氮甲烷气中氮气的实时含量调节所述脱氮塔底再沸器的操作压力，包括：
获取所述操作压力的时间序列和所述氮气的实时含量的时间序列；
对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列；
将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列；
使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量；以及
基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令；
其中，对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列，包括：
将所述操作压力的时间序列和所述氮气的实时含量的时间序列分别按照时间维度排列为操作压力时序输入向量和氮气含量时序输入向量；以及
基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列；
其中，使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量，包括：
以如下局部时序粒度特征交互公式对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力局部时序匹配特征向量的序列和氮气含量局部时序匹配特征向量的序列；其中，所述局部时序粒度特征交互公式为：
，
其中，表示所述操作压力局部时序特征向量的序列中第/>个操作压力局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量的转置，/>表示所述氮气含量局部时序特征向量的序列中第/>个氮气含量局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量和所述第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量和第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示第/>个操作压力局部时序特征向量和所述第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量相对于所述氮气含量局部时序特征向量的序列的操作压力局部时序匹配特征向量，/>表示所述第/>个氮气含量局部时序特征向量相对于所述操作压力局部时序特征向量的序列的氮气含量局部时序匹配特征向量，/>和/>分别表示所述操作压力局部时序特征向量和所述氮气含量局部时序特征向量的个数；以及
对所述操作压力局部时序匹配特征向量的序列和所述氮气含量局部时序匹配特征向量的序列进行级联融合以得到所述操作压力-氮气含量时序交互语义特征向量；
其中，基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令，包括：
对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互融合校正以得到校正特征向量；
将所述校正特征向量和所述操作压力-氮气含量时序交互语义特征向量进行点乘加权以得到校正后操作压力-氮气含量时序交互语义特征向量；及
将所述校正后操作压力-氮气含量时序交互语义特征向量通过基于分类器的操作压力自适应控制器以得到所述操作压力控制指令，所述操作压力控制指令用于表示当前时间点的操作压力应增大、应减小或应保持不变。
2.根据权利要求1所述的含氮甲烷气脱氮液化的方法，其特征在于，还包括：所述甲烷液相物流经过所述低温换热器过冷后作为LNG产品输入LNG储罐储存。
3.根据权利要求1所述的含氮甲烷气脱氮液化的方法，其特征在于，还包括：所述甲烷液相物流经过所述低温换热器复热为常温甲烷产品气外输使用。
4.根据权利要求1所述的含氮甲烷气脱氮液化的方法，其特征在于，还包括：所述富氮尾气经过所述低温换热器复热为常温氮气产品。
5.一种含氮甲烷气脱氮液化***，其特征在于，包括：
脱氮液化监控模块，用于获取操作压力的时间序列和氮气的实时含量的时间序列；
数据预处理模块，用于对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列；
局部时序特征提取模块，用于将所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列分别输入基于多尺度邻域特征提取网络的时序特征提取器以得到操作压力局部时序特征向量的序列和氮气含量局部时序特征向量的序列；
特征交互模块，用于使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量；以及
操作压力控制模块，用于基于所述操作压力-氮气含量时序交互语义特征向量，确定脱氮塔底再沸器的操作压力控制指令；
其中，对所述操作压力的时间序列和所述氮气的实时含量的时间序列分别进行数据预处理以得到操作压力局部时序输入向量的序列和氮气含量局部时序输入向量的序列，包括：
将所述操作压力的时间序列和所述氮气的实时含量的时间序列分别按照时间维度排列为操作压力时序输入向量和氮气含量时序输入向量；以及
基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列；
其中，使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量，包括：
以如下局部时序粒度特征交互公式对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力局部时序匹配特征向量的序列和氮气含量局部时序匹配特征向量的序列；其中，所述局部时序粒度特征交互公式为：
基于预定时间尺度对所述操作压力时序输入向量和所述氮气含量时序输入向量进行向量切分以得到所述操作压力局部时序输入向量的序列和所述氮气含量局部时序输入向量的序列；
其中，使用局部时序粒度特征交互器对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力-氮气含量时序交互语义特征向量，包括：
以如下局部时序粒度特征交互公式对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互处理以得到操作压力局部时序匹配特征向量的序列和氮气含量局部时序匹配特征向量的序列；其中，所述局部时序粒度特征交互公式为：
，
其中，表示所述操作压力局部时序特征向量的序列中第/>个操作压力局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量的转置，/>表示所述氮气含量局部时序特征向量的序列中第/>个氮气含量局部时序特征向量，/>表示所述第/>个操作压力局部时序特征向量和所述第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量和第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示第/>个操作压力局部时序特征向量和所述第/>个氮气含量局部时序特征向量的相似度矩阵，/>表示所述第/>个操作压力局部时序特征向量相对于所述氮气含量局部时序特征向量的序列的操作压力局部时序匹配特征向量，/>表示所述第/>个氮气含量局部时序特征向量相对于所述操作压力局部时序特征向量的序列的氮气含量局部时序匹配特征向量，/>和/>分别表示所述操作压力局部时序特征向量和所述氮气含量局部时序特征向量的个数；以及
对所述操作压力局部时序匹配特征向量的序列和所述氮气含量局部时序匹配特征向量的序列进行级联融合以得到所述操作压力-氮气含量时序交互语义特征向量；
其中，基于所述操作压力-氮气含量时序交互语义特征向量，确定所述脱氮塔底再沸器的操作压力控制指令，包括：
对所述操作压力局部时序特征向量的序列和所述氮气含量局部时序特征向量的序列进行交互融合校正以得到校正特征向量；
将所述校正特征向量和所述操作压力-氮气含量时序交互语义特征向量进行点乘加权以得到校正后操作压力-氮气含量时序交互语义特征向量；及
将所述校正后操作压力-氮气含量时序交互语义特征向量通过基于分类器的操作压力自适应控制器以得到所述操作压力控制指令，所述操作压力控制指令用于表示当前时间点的操作压力应增大、应减小或应保持不变。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275897.2A CN117889612B (zh) | 2024-03-12 | 2024-03-12 | 含氮甲烷气脱氮液化的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275897.2A CN117889612B (zh) | 2024-03-12 | 2024-03-12 | 含氮甲烷气脱氮液化的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117889612A CN117889612A (zh) | 2024-04-16 |
| CN117889612B true CN117889612B (zh) | 2024-05-31 |
Family
ID=90649156
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410275897.2A Active CN117889612B (zh) | 2024-03-12 | 2024-03-12 | 含氮甲烷气脱氮液化的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117889612B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3528971A1 (de) * | 1985-08-13 | 1987-02-19 | Hoelter Heinz | Verfahren zur simultanen so(pfeil abwaerts)2(pfeil abwaerts)/no(pfeil abwaerts)x(pfeil abwaerts)-abscheidung aus rauchgasen bei gleichzeitiger gewinnung von so(pfeil abwaerts)2(pfeil abwaerts)-reichgas |
| JP2000338093A (ja) * | 1999-05-25 | 2000-12-08 | Osaka Gas Co Ltd | メタンガス中の窒素ガス含有率測定方法および装置 |
| WO2005061978A1 (en) * | 2003-12-22 | 2005-07-07 | Bp Exploration Operating Company Limited | Process for producing nitrogen depleted liquified natural gas |
| CN1817827A (zh) * | 2004-12-30 | 2006-08-16 | 因诺韦内美国股份有限公司 | 用于制备和回收烯烃的制冷*** |
| CN102021056A (zh) * | 2010-11-26 | 2011-04-20 | 成都赛普瑞兴科技有限公司 | 含氮甲烷气脱氮制天然气/液化天然气的方法 |
| CN104263443A (zh) * | 2014-09-19 | 2015-01-07 | 北京安珂罗工程技术有限公司 | 一种从液化天然气中分离氮气的方法和*** |
| WO2016156675A1 (fr) * | 2015-04-01 | 2016-10-06 | L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Procédé de déazotation du gaz naturel à haut débit |
| FR3035656A1 (fr) * | 2015-04-30 | 2016-11-04 | Air Liquide | Production d'helium a partir d'un courant gazeux contenant de l'hydrogene |
| CN115638609A (zh) * | 2022-10-29 | 2023-01-24 | 中石化中原石油工程设计有限公司 | 一种天然气液化脱氮装置及其脱氮工艺 |
| CN115851332A (zh) * | 2022-12-26 | 2023-03-28 | 新疆凯龙清洁能源股份有限公司 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090139263A1 (en) * | 2007-12-04 | 2009-06-04 | Air Products And Chemicals, Inc. | Thermosyphon reboiler for the denitrogenation of liquid natural gas |
-
2024
- 2024-03-12 CN CN202410275897.2A patent/CN117889612B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3528971A1 (de) * | 1985-08-13 | 1987-02-19 | Hoelter Heinz | Verfahren zur simultanen so(pfeil abwaerts)2(pfeil abwaerts)/no(pfeil abwaerts)x(pfeil abwaerts)-abscheidung aus rauchgasen bei gleichzeitiger gewinnung von so(pfeil abwaerts)2(pfeil abwaerts)-reichgas |
| JP2000338093A (ja) * | 1999-05-25 | 2000-12-08 | Osaka Gas Co Ltd | メタンガス中の窒素ガス含有率測定方法および装置 |
| WO2005061978A1 (en) * | 2003-12-22 | 2005-07-07 | Bp Exploration Operating Company Limited | Process for producing nitrogen depleted liquified natural gas |
| CN1817827A (zh) * | 2004-12-30 | 2006-08-16 | 因诺韦内美国股份有限公司 | 用于制备和回收烯烃的制冷*** |
| CN102021056A (zh) * | 2010-11-26 | 2011-04-20 | 成都赛普瑞兴科技有限公司 | 含氮甲烷气脱氮制天然气/液化天然气的方法 |
| CN104263443A (zh) * | 2014-09-19 | 2015-01-07 | 北京安珂罗工程技术有限公司 | 一种从液化天然气中分离氮气的方法和*** |
| WO2016156675A1 (fr) * | 2015-04-01 | 2016-10-06 | L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Procédé de déazotation du gaz naturel à haut débit |
| FR3035656A1 (fr) * | 2015-04-30 | 2016-11-04 | Air Liquide | Production d'helium a partir d'un courant gazeux contenant de l'hydrogene |
| CN115638609A (zh) * | 2022-10-29 | 2023-01-24 | 中石化中原石油工程设计有限公司 | 一种天然气液化脱氮装置及其脱氮工艺 |
| CN115851332A (zh) * | 2022-12-26 | 2023-03-28 | 新疆凯龙清洁能源股份有限公司 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117889612A (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hsieh | Nonlinear canonical correlation analysis of the tropical Pacific climate variability using a neural network approach | |
| CN111738532B (zh) | 一种事件对对象影响度的获取方法和*** | |
| Lin et al. | A fuzzy support vector regression model for business cycle predictions | |
| He et al. | CATN: Cross attentive tree-aware network for multivariate time series forecasting | |
| CN113988215A (zh) | 一种配电网计量柜状态检测方法及*** | |
| Yoo et al. | Attention-based autoregression for accurate and efficient multivariate time series forecasting | |
| CN116164497A (zh) | 液氧制备过程中的精馏控制***及其方法 | |
| CN116451145A (zh) | 用于干细胞运输的降温装置及方法 | |
| CN117889612B (zh) | 含氮甲烷气脱氮液化的方法及*** | |
| Gao et al. | Unsupervised nonlinear adaptive manifold learning for global and local information | |
| Lei et al. | Rolling bearing fault diagnosis method based on MTF-MFACNN | |
| Doherty et al. | Comparative study of activation functions and their impact on the YOLOv5 object detection model | |
| CN112686443A (zh) | 一种基于人工智能的光伏发电预测方法 | |
| CN116502644B (zh) | 一种基于无源领域自适应的商品实体匹配方法及装置 | |
| CN112668717B (zh) | 一种面向神经网络模型优化的数据处理方法和装置 | |
| Yang et al. | A Modified Parameter Optimization Method of Support Vector Machine Based on Genetic Algorithm | |
| Xiong et al. | MCF-VC: Mitigate Catastrophic Forgetting in Class-Incremental Learning for Multimodal Video Captioning | |
| Yang et al. | Multi-level deep domain adaptive adversarial model based on tensor-train decomposition for industrial time series forecasting | |
| Wang et al. | Research on Wind Power Prediction Model Based on Random Forest and SVR | |
| Zeng et al. | Covariance free incremental principal component analysis with exact mean update | |
| Yang et al. | Price Prediction Model Based on Multi-source Information Fusion | |
| Cheng et al. | Grey System Correlation-based Feature Selection for Time Series Forecasting | |
| Ke et al. | Laplacian Welsch regularization for robust semi-supervised dictionary learning | |
| Jin et al. | Method of fruit and vegetable classification based on fusion pruning | |
| Zhang et al. | A Diversified Multi-objective Particle Swarm Optimization Algorithm for Unsupervised Band Selection of Hyperspectral Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |