Mirando al Etileno en el 2022

Gregory Shahnovsky, Ariel Kigel y Ronny McMurray, colaboradores de Modcon Systems, UK, nos muestran a través del artículo publicado en febrero del 2019, en la revista Hydrocarbon Engineering1, nuevas tecnologías de fraccionamiento en la producción de etileno.

El mercado global tiene un crecimiento significativo de polietileno (PE) y polipropileno (PP), alcanzando 154 millones de toneladas por año (tpy) a finales del 2017, y se espera un crecimiento de 184 millones tpy para el 20222. En el 2017, la nafta contabilizada fue de cerca del 47% del etileno producido (la producción de etileno está basada en la pirólisis de nafta en presencia de vapor a altas temperaturas), mientras que el etano contabilizado fue del 35%3. El precio en el mercado del etileno fluctúa de acuerdo al precio del petróleo crudo. Considerando el relativamente bajo precio final del PE.

La Figura 1 muestra la complejidad del proceso de producción de etileno. Para aumentar la rentabilidad del proceso, cada unidad de proceso de planta tendría que ser optimizada individualmente, y luego ser integrada parte por parte al ciclo de producción general.

La Figura 1 muestra la complejidad del proceso de producción de etileno. Para aumentar la rentabilidad del proceso, cada unidad de proceso de planta tendría que ser optimizada individualmente, y luego ser integrada parte por parte al ciclo de producción general.

Figura 1. Resumen esquemático de una planta de craqueo de etileno.

La optimización de la producción de etileno es un sincronizado y complicado proceso, donde múltiples tecnologías son combinadas. Esto requiere un sistema de control integrado, basado en diferentes sensores de medidas físicas, químicas y variables de proceso. Aunque el proceso consta de diferentes pasos, el rendimiento definitivo de la planta de craqueo son los cuellos de botella. Por lo tanto, el objetivo principal es sincronizar procesos secuenciales.

Hasta hace poco, los procesos de optimización eran basados en modelos en estado estacionario. Hoy en día, el modelamiento dinámico apoyado en modelos no lineares, y los procesos son fundamentados en la correlación entre el diseño y modelos de optimizadores en línea. Los analizadores en línea incluyen el tradicional cromatógrafo de gases y los analizadores espectroscópicos, como el infrarrojo no dispersivo (NDIR), infrarrojo cercano (NIR), ultravioleta (UV) y analizadores laser.

Un paso importante para optimizar el rendimiento es determinar KPls críticos. La observación de las correlaciones entre las diferentes propiedades físicas y químicas, datos históricos, así como reglas matemáticas, físicas, químicas, y termodinámicas, habilitan a los modelos matemáticos simplificar y reducir el número de variables. Esto puede concluir que usando Big Data de diferentes tipos, con participación de tecnologías computacionales, proporcionen una herramienta poderosa para optimizar la producción, como es visualizado en la Figura 2.

Figura 2. Optimización dinámica de una planta de producción de etileno

(Donde: F=razón de flujo; T=temperatura; P=presión; Q=calidad de parámetros; etc.)

Hasta ahora, este artículo ha tratado la implementación de cantidades de análisis de procesos instalados a lo largo de toda la producción de etileno. Debido a que los analizadores de proceso son costosos y no muy eficientes para análisis en línea de la corriente craqueada de etileno/propileno, una solución alternativa es minimizar la cantidad de analizadores de proceso y la complejidad del manejo de la muestra, determinando los KPls de aquellas variables que dependen de las propiedades del material de alimentación. Así, el número de variables de procesos y de analizadores puede reducirse drásticamente a un solo analizador, que mida continuamente varias propiedades químicas y físicas de alimentación, como composición, densidad, viscosidad, contenido de aromáticos, etc.

Una combinación de modelos de simulación y mediciones de propiedades de materia prima, que represente el tipo y las composiciones químicas de la materia prima, un feedback de los sensores de temperatura, sensores de flujo y datos históricos; proporcionan una herramienta valiosa para predecir la composición de etileno/propileno.

El incremento de la capacidad de producción y la reducción del costo de energía ayuda a aumentar la rentabilidad de la unidad de producción de etileno/propileno que forma la plataforma para resistir la competencia global en la producción de materias primas de las industrias petroquímicas.

Fuentes:

[1] Shahnovsky, G., Kigel, A. & McMurray, R. “Predictive Ethylene production”. Hidrocarbon Engineering. Pp. 61-66. February 2019.

[2] Kirby, P. & Hussain, A. “Ethylene and polyethylene – an outlook to 2022”. Hidrocarbon Processing. Pp. 23. April 2018.

[3] Shahnovsky, G., Kigel, A. & McMurray, R. “Analyse This”. Hidrocarbon Engineering. Pp. 41-46. March 2016.