油田廢水物化處理和多因素調控模型研究進展

方 健 楊永奎 梅 波 凌億鋒 牛亞斌 劉金昳 羅 瀟 馬曉珂

1. 中海油天津化工研究設計院有限公司, 天津 300131;2. 天津大學環境科學與工程學院, 天津 300072

0 前言

隨著中國油田的不斷快速開發,很多油田進入高含水開發期,油田廢水大量增加。廢水污染物主要包含溶解態油、乳化油、分散油、浮油、微生物等,具有油類污染濃度高、水質成分復雜、水力沖擊大等特征,處理常存在易受進水水質水量沖擊、穩定達標難、處理成本高和處理結果難預測的問題[1]。

目前,油田廢水處理工藝可以分為物化處理工藝和生物處理工藝兩大類,其中物化處理工藝因其占地面積較小、水力停留時間短、操作簡便等優勢[2],被廣泛應用到主體處理或預處理。物化處理工藝主要包括重力式分離、氣浮、過濾處理等方法。重力式分離法基于斯托克斯機制,通過油水密度差除去廢水中粒徑 > 60 μm的油物質,但對呈穩定狀態的溶解態油和乳液狀態的乳化油去除效果不佳[3]。氣浮法用于處理廢水中油類濃度≤500 mg/L 的油田廢水,包括浮化油、分散油等[4]。過濾處理法分為濾料過濾和膜處理,其中膜處理的效率往往優于傳統濾料過濾的效率,但存在膜污染、膜通量波動大等問題[5-6]。

近年來,為提高油田廢水處理效率,計算流體力學(Computational Fluid Dynamics,CFD)仿真模擬被用來解析處理工藝機理和優化設備結構[7]。同時,人工神經網絡(Artificial Neural Network,ANN)智能特征模型在廢水處理過程中多因素耦合方面的應用,也引起學者的高度關注。

本文從油田廢水處理工藝單因素機理模型和多因素調控的智能模型兩個維度,進行了相關模擬和模型調研分析,系統地總結出油田廢水處理中重力式分離、氣浮、過濾處理等常用傳統工藝的機理方法,明確了影響處理效率的重要因素,并通過大量文獻調研分析針對多因素調控的智能特征模型,以期在油田廢水處理多因素調控的智慧模擬和實時調控方面的發展趨勢提出建議。

1 油田廢水處理工藝機理模型

油田廢水處理工藝的機理解析和過程模擬是設備裝置設計和處理工藝優化的重要基礎。海洋油田常用廢水處理工藝路線見圖1,其中包含了重力式分離、氣浮和過濾處理過程。

圖1 海洋油田廢水處理工藝技術路線圖Fig.1 Technical route of wastewater treatment in offshore oilfield

1.1 重力式分離處理

在油田廢水處理過程中,重力式除油罐是應用最廣泛的工藝設備,其除油效果對油田廢水處理達標非常關鍵。隨著進水含油比例增加而變化的油水分離效率見圖2。

圖2 重力式分離器分離效率圖Fig.2 Separation efficiency diagram of gravity separation process

張煜等人[8]在CFD軟件中選擇多相流混合模型模擬了除油罐不同油水性質流體的流場分布,分析了各種油滴粒徑、水相油相黏度、處理時間等條件下的除油率變化,表明隨著油滴粒徑由0.038 mm增大到0.075 mm,除油率從32%提高到65%。Liu H J等人[9]通過基于歐拉—拉格朗日方法的離散相模型分析,發現重力油水分離器中斜板數量過多會導致渦旋,不利于油水分離。袁淑霞等人[10]針對廢水液滴碰撞時的聚結與破碎過程,利用離散相模型對聚結器分離特性進行了數值模擬,發現增加聚結板數量有利于分離,當粒徑>50 μm時分離效率接近100%。Abdullah R等人[11]利用歐拉—歐拉方法的流體體積多相流模型,分析擋板位置(距離入口長度/罐體總長度比例為0.46、0.61、0.77和0.93)對油水分離罐除油效率的影響,在擋板位置為0.77時分離效率最優。Oshinowo L M 等人[12]采用群體平衡模型對液滴分布進行模擬,建立了油包水乳狀液黏度模型,發現乳狀液黏度隨著含水量的增加而增大,同時也隨著流速和液滴粒徑的減少而增大。

1.2 氣浮處理

影響氣浮除油率的主要因素是氣泡與油滴的碰撞、吸附。碰撞效率主要受油滴大小與濃度、氣泡大小與數量以及水力學特征等影響,而吸附效率則受絮凝、pH等調劑的化學預處理影響較大。CFD模型Fluent具有廣泛物理模型,通過模擬裝置內部流場可以優化氣浮工藝結構參數和運行條件,見表1。陳阿強等人[13]利用群體平衡模型,通過對氣浮接觸區氣泡聚并過程進行數值模擬,發現回流與周圍流體之間的速度梯度增大,氣泡聚并過程增強。Chen Aqiang等人[14]指出基于歐拉—歐拉方法的模型預測效果較好,隨氣泡尺寸從30 μm增加到50 μm,層流特征更明顯。CAI Xiaolei等人[15]利用CFD耦合群體平衡模型數值模擬方法,分析不同湍流動能的流場對油滴破裂、聚結和分離過程的影響,表明湍流強度的增加可有效提高油滴的聚結和斷裂效率。Sarhan A R等人[16]采用群體平衡模型對氣泡的聚并和破裂進行了建模,并利用歐拉模型模擬研究了顆粒類型、密度、潤濕性、濃度對氣含率和氣泡流體力學的影響,發現在空氣/水混合物中加入疏水顆?？纱龠M氣泡聚并、降低氣含率,而加入親水性顆粒則抑制氣泡聚并、提高氣含率。王志華等人[17]通過多相流混合模型可模擬水質改變時的沉降分離流場特征,并定量揭示污水處理量、含聚濃度、溶氣釋放壓差以及回流比對分離效率的影響。賀彥濤、劉春花等人[18-19]采用基于歐拉—歐拉方法的模型對旋流微氣泡氣浮裝置中的氣液兩相流進行數值模擬,發現隨處理量增加,除油率先提高后降低,除油率可達91%,隨注氣比增大,除油率先減小后穩定,平均除油率約92.3%。

表1 氣浮過程機理模型對比表

1.3 過濾處理

油田廢水過濾處理包括濾料介質過濾和膜處理工藝。近年來,隨著計算機的發展和對過濾規律認識的深化,CFD模型開始應用于過濾過程流體仿真。通過簡化的過濾器二維物理模型,對過濾流場中油滴和懸浮顆粒的聚集分布特征進行分析,以過濾出水水質為控制指標,優化了以含聚濃度、過濾速度為主要特征變量的過濾處理技術[20],見表2。根據跡線理論,可以建立綜合攔截、沉淀和分子間作用力的過濾三維瞬態CFD模型,分析油田廢水含油量和懸浮顆粒隨時間在床層中濃度分布、軸向比沉積量分布、濾后水質以及濾床水頭損失情況,與現場實際運行情況相符,最佳過濾周期為20 h[21]?？梢酝ㄟ^構建基于不同濾層結構的三維過濾器,采用CFD模型和離散單元法(Discrete Element Method,DEM)耦合模擬,在控制方程中引入過濾器的床層空隙率,實現固液分級過濾的數值模擬,其模擬結果偏差<5%[22]。

表2 過濾處理機理模型表

膜污染是影響膜處理工藝廣泛應用的技術瓶頸,影響因素包括膜結構、過濾器結構、進料組成及運行條件等。Fluent軟件可以構建陶瓷膜分離油田廢水的離散相計算模型,分析油田廢水含油量和懸浮粒子濃度對膜分離效果的影響[23]。運用歐拉模型濃差極化作用下的二維乳化油橫流微濾模型,可以分析跨膜壓差、入口廢水雷諾數和含油濃度對膜污染的影響規律,增加跨膜壓力和含油濃度會增強濃差極化現象[24]。利用二維錯流微濾模型,考察跨膜壓差等運行條件對滲透通量和工藝性能的影響,發現膜滲透通量的模擬結果與實驗數據最大誤差為4.62%[25]?；跉W拉—歐拉方法的模型和SST k-ω湍流模型,可以評價陶瓷膜入口處流體質量流率、含油濃度等工藝參數下的流體動力學,發現隨著膜滲透通量提高100倍,跨膜壓力降低22.8%[26]。對于超濾,耦合CFD離散相模型可以用來對粒子的沉降和遷移仿真,結果顯示粒子沉降概率主要與跨膜壓差和錯流速度相關,實驗值和模擬值之間誤差<6%[27]。

2 多因素結構優化和運行參數調控的智能模型

進水水質、水量沖擊對油田廢水處理的出水穩定達標、運行成本等影響很大,甚至會導致油田廢水處理系統崩潰。因此，實現油田廢水處理中的多因素結構優化和運行參數調控至關重要。

2.1 重力式分離處理

利用多層感知器(Multilayer Perceptron,MLP)神經網絡模型,可以模擬油田廢水在管道中的油水兩相流過程,分析管道內的表面流速和流率,91.7%預測結果的相對誤差在5%以內[28]。MLP神經網絡模型也可以用來模擬油田管道設施中壓力信號與油氣水三相流流速的關系,油氣水各相擬合度R2>0.95[29]。Azizi S等人[30]研究了不同神經元數和傳遞函數對MLP神經網絡模型性能的影響,并確定了神經網絡的最佳結構,進而預測了輸送液垂直管和傾斜管的持水率,見表3。

表3 重力式分離處理多因素結構優化和運行參數調控的智能模型表

2.2 氣浮處理

CFD數值模擬在氣浮處理的優化與改良中也有十分重要的應用,見表4。通過CFD數值模擬,可以建立不同結構參數下流態模型與分離效率的對應關系,并調入MLP神經網絡模型中,來預測處理裝置最優參數組合,模型決定系數擬合度的R2達到0.992,分離效率可達92.8%[31]。響應面分析法可以用來研究煉油廠廢水氣浮工藝中的運行參數對油田廢水處理效率的影響,輸入變量為pH、混凝劑劑量和浮選時間,輸出變量為皂油脂、總懸浮物、化學需氧量(Chemical Oxygen Demand,COD)和濁度,用已有數據建立了響應面模型,分析得到運行參數最優組合,響應面模型和實驗結果擬合良好,COD和皂油脂相關系數均高于0.90[32]。煉油廠廢水溶氣氣浮處理現場實際運行中,多線性潛在結構投影(Projection to Latent Structures,PLS)模型用來預測處理出水中的極性油和油脂濃度,建立原油混合酸度、煤油中硫含量、煤油中巰醇含量等與極性油和油脂濃度的對應關系,通過長達5個月驗證運行,實現了油田廢水處理的優化調控[33]。Montes-Atenas G等人[34]利用CFD模擬了水箱產氣過程,所得數據用于深度神經網絡(Deep Neural Networks,DNN)建模,CFD所得數據與DNN預測的氣泡大小和氣泡率的相對誤差分別低至8.8%和1.8%,證實了多隱層的深度神經網絡可以應用于復雜流體過程的預測?？傮w上,大多研究基于CFD和ANN耦合的模型,形成設備結構參數、水質參數和運行條件對于處理性能的多因素優化及調控模型,基本技術路線見圖3。

表4 氣浮式分離處理多因素結構優化和運行參數調控的智能模型表

圖3 氣浮處理工藝中CFD和ANN的耦合模型技術路線圖Fig.3 Technique route of CFD and ANN simulation in the flotation process

2.3 過濾處理

傳統孔隙阻塞模型和多層前饋人工神經網絡模型常用來分析不同材料陶瓷膜分離水包油型乳劑的性能[35],見表5。Shokrkar H等人[36]模擬了莫來石陶瓷膜處理油田廢水時的膜污染特征,分析跨膜壓力、切向流流速、含油濃度、過濾時間與滲透通量的非線性關系,平均誤差<2%。Park S等人[37]利用光學相干斷層成像技術獲得了13 708張濾膜圖像,利用DNN模型模擬膜污染和流量衰減過程,構建了膜污染的二維及三維圖像,膜污染生長和流量衰減模擬R2均達到0.99,Yogarathinam L T等人[38]對于超濾,ANN也用作農業棕櫚油滲濾液處理的膜污染機理,在對出水動態流量的預測中,模型R2接近1.000。Al-Abri M等人[39]以膜種類、含鹽量、腐殖質濃度、重金屬濃度和跨膜壓力作為輸入值,以膜截留量作為輸出值,利用ANN預測過濾腐殖質時膜截留和膜污染特征,預測結果與實驗值平均絕對誤差為0.02,最大誤差為0.07,同時發現訓練數據過少會影響神經網絡的學習過程,但過度訓練會產生記憶效應,降低神經網絡的預測能力。Soleimani R等人[40]利用遺傳算法—神經網絡,實現超濾膜處理油田廢水過程中的雙目標最優解(最大滲透通量和最小污垢阻力),并確定了跨膜壓力、切向流流速、進料溫度和pH最優范圍。Zoubeik M等人[41]對于油田廢水處理中膜污染問題,以雙隱層神經網絡預測滲透通量,第一隱層的神經元數量對模型性能的影響較大,ANN模型均方誤差為10-5,決定系數為0.999 9?？傮w上,MLP神經網絡模型可以有效用于膜處理過程中的通量預測、水質預測、膜污染控制等。

表5 過濾式分離處理多因素結構優化和運行參數調控的智能模型表

3 結論

本文通過綜述油田廢水中常用的重力式分離、氣浮和過濾等工藝機理方法及多因素調控的智能特征模型的研究進展,明確了CFD的發展和應用對于油田廢水處理設備性能提升的重要作用?；贑FD模型顯著助力了油田廢水處理設備結構參數、進水水質及設施運行條件對于處理性能影響的機理分析。同時,神經網絡、響應面分析法等方法為處理過程中多因素優化和運行參數調控提供了模擬平臺。

在迭代計算和實時調控方面,還需要進一步開展研究。此外,對于大多工業廢水處理,常包含多個處理工藝段,且上下游之間相互承接,各個工藝段存在制約關系。

因此,有必要開發基于全流程的減排和成本最優的模型,這將有助于針對進水水質和水量的波動和沖擊,進行實時調控和決策。今后,對于油田廢水等工業廢水的處理模擬,可以在耦合機理模型—智能特征模型的全流程優化模型方面進一步開展研究,提升工藝運行參數的實時智能調控,實現油田廢水處理穩定達標、污染物減排最大和處理成本最低的多目標。