多目标优化:结合蒸汽重整和干重整工艺以实现低碳氢气生产——在技术经济性能与环境可持续性之间寻求平衡
《International Journal of Hydrogen Energy》:Multi-objective optimization of combined steam and dry reforming for low-carbon hydrogen production: Balancing techno-economic performance and environmental sustainability
【字体:
大
中
小
】
时间:2026年04月29日
来源:International Journal of Hydrogen Energy 8.3
编辑推荐:
杨旭瑞(Young Wook Ryu)| 尹瑟尔花(Seolhwa Yun)| 金尚赫(Sang-Hyeok Kim)| 尹松熙(Soung Hee Yun)| 金哈娜(Hana Kim)| 张正达(Jong Tak Jang)| 朴俊浩(Joungho Park)
韩国能源
杨旭瑞(Young Wook Ryu)| 尹瑟尔花(Seolhwa Yun)| 金尚赫(Sang-Hyeok Kim)| 尹松熙(Soung Hee Yun)| 金哈娜(Hana Kim)| 张正达(Jong Tak Jang)| 朴俊浩(Joungho Park)
韩国能源研究院能源AI与计算科学实验室,大田市儒城区Gajeong-ro 152号,34129,大韩民国
**摘要**
碳中和目标的提出加剧了人们对低碳氢生产的兴趣。虽然氢是一种有前景的能源载体和原料,但目前大多数氢的生产依赖于蒸汽甲烷重整(SMR)工艺,该工艺会排放大量二氧化碳。结合蒸汽和干法重整甲烷(CSDRM)工艺可以利用甲烷和二氧化碳,但很少有研究在现实条件下评估其直接产氢的技术经济可行性。本研究将基于Aspen Plus?的CSDRM氢生产过程与基于Python的多目标优化框架相结合,采用非支配排序遗传算法II(NSGA-II)来最小化氢的平准化成本(LCOH)和二氧化碳排放量。优化结果显示,LCOH值为1.80–1.99美元/千克氢,总二氧化碳排放量为1.84–3.32千克二氧化碳/千克氢。敏感性分析进一步表明,降低能源成本或增加碳税可以提高其相对于SMR的竞争力。
**引言**
随着全球快速的城市化和工业化,全球能源需求持续增长。目前,化石燃料占全球一次能源供应的近80%[1]。尽管化石燃料推动了一个多世纪的工业增长和经济发展,但其使用也成为温室气体排放的主要来源,导致严重的环境退化和气候变化。特别是2024年的能源相关二氧化碳排放量比2023年高出0.8%,达到创纪录的378亿吨(Gt CO2)。因此,大气中的二氧化碳浓度上升至前所未有的422.5 ppm[2]。
鉴于全球对环境退化和气候变化的日益关注,碳中和已成为一个关键目标。在这一转型背景下,氢越来越多地被视为一种清洁的能源载体和可持续的工业原料。氢燃烧时主要产生水,不排放二氧化碳、二氧化硫(SOx)和氮氧化物(NOx)等主要空气污染物[3]。此外,氢可以从多种初级来源生产,包括煤炭和天然气等化石燃料,以及水、太阳能和风能等可再生能源。换句话说,与其他替代能源相比,氢根据区域资源可用性提供了灵活的生产选择[4]。此外,氢作为间歇性可再生能源(如太阳能、风能和水力发电)产生的电力的储能介质,也受到了越来越多的研究关注[5,6]。
氢可以通过多种方法生产。煤炭气化由于煤炭的广泛可用性和大规模生产能力而具有优势,但会伴随高二氧化碳排放和大量能源消耗[7]。生物质气化是一种环境友好的替代方案,利用生物质等可再生原料,但产氢浓度低于煤炭气化[8]。甲烷的部分氧化(POX)反应条件温和,可以直接将甲烷转化为含氧化合物,无需合成气生成,并且在催化剂和氧化剂选择上具有灵活性。然而,由于转化效率与选择性之间的权衡、产品产率低以及依赖昂贵的氧化剂,其工业应用仍受到限制[9]。水电解仅依赖水和电力,能够生产“绿色”氢气,且无温室气体排放,与可再生能源高度兼容。然而,其大规模商业化受到高成本和技术挑战的限制[10,11],包括由于可再生能源供应波动导致的电解槽性能下降[12,13,14]。
鉴于这些限制,目前最广泛使用的工业氢生产方法是使用天然气的蒸汽甲烷重整(SMR)。SMR是一种技术成熟的过程,具有高产氢率,适合大规模生产,但不可避免地会排放大量二氧化碳[15]。此外,由于SMR是高度吸热反应,需要来自化石燃料燃烧的外部热源提供大量反应热[16]。甲烷的干法重整(DRM)作为一种替代方法,可以减少这些缺点,因为它将甲烷和二氧化碳这两种强效温室气体转化为氢。然而,氢产率受到逆水煤气变换(RWGS)反应和碳沉积(结焦)导致的催化剂失活的限制[17]。
为了克服SMR和DRM的局限性并支持向碳中和的转型,最近人们开始关注结合这两种方法的混合重整工艺——即结合蒸汽和干法重整甲烷(CSDRM)或双重整(bi-reforming)。CSDRM能够在生产氢的同时利用二氧化碳,从而降低二氧化碳排放。此外,进料中蒸汽的存在提高了氢产率并抑制了结焦现象,从而减轻了催化剂失活问题。虽然CSDRM通常用于合成气生产,但通过调整进料组成可以灵活控制产物中的H2/CO比例,无需额外的水煤气变换(WGS)反应。因此,CSDRM作为下一代清洁氢生产途径具有巨大潜力。
近期研究探讨了CSDRM的催化性能、反应机理和工艺可行性。Kumar等人指出,在CSDRM过程中向进料中加入水有助于氧化并去除催化剂表面的碳物种,从而抑制结焦[18]。Kourou等人对自动热重整(ATR)、电解、电驱动的水煤气变换(E-RWGS)和CSDRM等合成气生产途径进行了技术经济比较,发现CSDRM的生产成本和二氧化碳排放量与ATR相当[19]。Jang等人通过实验观察和热力学模拟数据确定了合成气生产的最佳CSDRM条件,包括温度和压力[20]。Acquarola等人使用双重整产生的合成气模拟了甲醇合成过程,确定了最佳操作条件并提出了低碳工艺模型[21]。Balasubramanian等人对利用二氧化碳的重整反应进行了建模和优化,证明CSDRM等联合重整工艺优于单一重整方法[22]。Parente等人对比了使用沼气的膜反应器和传统反应器进行CSDRM的热力学性能,重点关注高纯度氢或合成气的生产[23]。Moura等人分析了用双重整替代氨和尿素生产中的合成气生产阶段的二氧化碳减排潜力,结果显示,对于每天生产2000吨尿素的工厂,大约可以减少745吨二氧化碳排放,且经济指标优于传统工艺[24]。Minette等人对低压CSDRM的反应器性能进行了多尺度建模,发现结合美国一家专注于氢生产反应器技术的公司开发的ZoneFlow?模型和传统填充床结构的混合反应器在压降、温度分布和甲烷转化率方面表现相似或更好[25]。Park等人证明,基于球形纳米二氧化硅的镍基催化剂在CSDRM条件下表现出高甲烷和二氧化碳转化率、稳定的H2/CO比例以及优异的抗结焦性能[26]。
尽管已有许多关于CSDRM的研究,但大多数研究集中在用于Fischer-Tropsch、甲醇或氨合成等下游过程的合成气生产上,而非氢生产本身[27]。此外,大多数研究仅限于实验室规模实验,未充分考虑反应和分离系统的集成以及大规模操作的技术经济影响,包括资本支出(CAPEX)、运营支出(OPEX)和副产品价值等因素。经济和环境维度也较少被综合评估。因此,迫切需要开展全面的研究,以在现实工业条件下同时考虑技术经济性能和环境可持续性来评估基于CSDRM的氢生产。此类分析对于识别经济和环境性能之间的权衡以及在现实世界约束和不确定性下确定最佳操作条件至关重要。
基于这些考虑,本研究旨在实现以下目标:
• 使用Aspen Plus?开发CSDRM氢生产过程模型,并分析在不同反应条件(温度、压力和进料组成)下经济和环境性能之间的权衡。
• 使用非支配排序遗传算法II(NSGA-II)进行多目标优化,并将Aspen Plus?与Python集成,探索经济和环境目标之间的帕累托前沿。
• 确定基于CSDRM的氢生产系统的最佳操作条件,考虑现实工业变量和操作不确定性。
• 进行敏感性分析,以识别影响工艺性能的关键技术经济参数,包括资本支出(CAPEX)、运营支出(OPEX,如电网类型和天然气价格)和碳税。
**过程描述**
本研究探讨的过程通过CSDRM生产氢气作为主要产品,一氧化碳(CO)作为副产品。整个工艺流程(图1)包括三个主要阶段:(A) 氢生产,(B) 氢和CO分离,(C) 天然气燃烧。在阶段A中,甲烷与二氧化碳和水混合,在基准条件下被压缩并加热至7巴和500°C。处理后的混合气体进入CSDRM反应器(R-1),其中发生CSDRM反应(3CH4 + 2H2O + CO2)。
**过程模拟**
基于CSDRM的氢生产过程使用Aspen Plus? v11软件进行建模。在指定的操作条件下,利用Aspen Plus?内置的物理性质数据库建立了质量和能量平衡。Peng–Robinson Boston–Mathias(PR-BM)状态方程用于热力学计算。PR-BM模型在Aspen Plus?的CSDRM过程模拟中广泛应用,因其能够可靠地预测相行为和平衡状态。
**情景和数据输入**
在进行多目标优化之前,将先前实验研究中报告的CSDRM操作条件[20,47,48]纳入Aspen Plus?过程模型,以计算代表经济和环境性能的目标函数值。这些结果用于定量评估多目标优化带来的改进。CSDRM是一个复杂的反应系统,其中多个反应同时发生。
**结论**
基于CSDRM的氢生产过程使用Aspen Plus?进行了建模,并建立了Aspen Plus–Python多目标优化框架。基于该框架,使用NSGA-II算法进行了多目标优化,以同时最小化LCOH和总二氧化碳排放量。确定了最佳操作条件,并系统分析了工艺变量、经济指标和环境性能之间的相关性。
**作者贡献声明**
杨旭瑞(Young Wook Ryu):撰写——初稿、可视化、软件、方法论、数据整理、概念化。
尹瑟尔花(Seolhwa Yun):撰写——初稿、可视化、软件、方法论、概念化。
金尚赫(Sang-Hyeok Kim):验证。
尹松熙(Soung Hee Yun):验证。
金哈娜(Hana Kim):验证。
张正达(Jong Tak Jang):撰写——审稿与编辑、监督、方法论、资金获取、正式分析、概念化。
朴俊浩(Joungho Park):撰写——审稿与编辑、监督、方法论、资金获取。
**利益冲突声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
**致谢**
本研究得到了韩国科学技术信息通信部(MSIT)资助的“利用副产品气体和二氧化碳的合成气和烯烃生产示范技术开发”项目(项目编号RS-2022-NR068678)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号