Advancing Fouling Prediction and Mitigation Strategies in Al Zour Refinery (ZOR) Preheat Exchangers: Leveraging Empirical Evidence and Artificial Intelligence

الترسبات تظل تحدياً مستمراً في التشغيل الفعال لمبادلات الحرارة المسبقة داخل المصافي، مما يؤثر على استهلاك الطاقة وتكاليف الصيانة والأداء التشغيلي العام. لذلك، يقدم معالجة هذه التحديات فرصاً كبيرة في تحسين توفير الطاقة وتقليل انبعاثات ثاني أكسيد الكربون. على الرغم من التطور الكمي والنوعي للمعادلات التي تتنبأ بتكوين الترسبات الهيدروكربونية في مبادلات حرارة السخونة المسبقة، لم يتم إجراء مقارنة شاملة بين المعادلات الحالية. لذلك، لم يتم التحقيق عميقًا في نقاط قوتها وضعفها. تسعى هذه الدراسة إلى معالجة هذه الفجوة من خلال إجراء تقييم شامل للمعادلات الحالية للتنبؤ بالترسبات في مبادلات الحرارة المسبقة. من خلال استعراض ومقارنة نظامية لمختلف المعادلات شبه التجريبية، تهدف الدراسة إلى تحديد نقاط قوة وضعف كل نموذج. باستخدام البيانات التجريبية من مصفاة الزور في الكويت، ستقوم الدراسة بالتحقق من دقة التنبؤ لهذه المعادلات تحت ظروف التشغيل الحقيقية. بناءً على هذا التحليل المقارن، ستستفيد الدراسة من منهجيات الذكاء الاصطناعي المتقدمة، بما في ذلك خوارزميات تعلم الآلة والشبكات العصبية، لتطوير نماذج تنبؤية محسنة لسلوك الترسبات في مبادلات الحرارة المسبقة. من خلال دمج الإبصارات من التقييم التجريبي والتحليل الذي يدفعه الذكاء الاصطناعي، تهدف الدراسة إلى تقديم توقعات دقيقة لبداية وتقدم الترسبات، مما يسهل جدولة الصيانة التفاعلية وتحسين استراتيجيات التنظيف. علاوةً على ذلك، ستقوم الدراسة باستكشاف تقنيات مبتكرة للتخفيف من الترسبات، بما في ذلك تحسين طلاء السطح وبروتوكولات التنظيف الجديدة والممارسات التشغيلية المحسنة. من خلال دمج المعرفة التجريبية مع التحليل التنبؤي الذي يدفعه الذكاء الاصطناعي، تسعى الدراسة إلى تطوير استراتيجيات مخصصة للتخفيف من الترسبات تعالج التحديات الخاصة التي تواجهها مصفاة الزور ومرافق مماثلة في قطاع الطاقة. بشكل عام، تساهم هذه الدراسة في تقدم فهم وتنبؤ الترسبات في مبادلات الحرارة المسبقة في مصافي التكرير من خلال إجراء تقييم شامل للمعادلات الحالية واستغلال تقنيات الذكاء الاصطناعي المتقدمة. تمتلك الطرق المقترحة القدرة على تحسين الأدا

Abstract: Fouling remains a persistent challenge in the efficient operation of preheat exchangers within refineries, impacting energy consumption, maintenance costs, and overall operational performance. Therefore, addressing these challenges presents substantial opportunities in optimizing energy savings and minimizing CO2 emissions. Despite the quantitative and qualitative development of equations predicting the formation of hydrocarbon deposits in preheat heat exchangers, a comprehensive comparison between the existing equations has not been made. Therefore, their strengths and weaknesses have not been deeply investigated. This study seeks to address this gap by conducting a comprehensive evaluation of existing equations for predicting fouling in preheat exchangers. Through a systematic review and comparison of various semi-empirical threshold equations, the research aims to identify the strengths and weaknesses of each model. Utilizing empirical data from the Al Zour Refinery in Kuwait, the study will validate the predictive accuracy of these equations under real-world operating conditions. Building on this comparative analysis, the study will leverage advanced Artificial Intelligence (AI) methodologies, including machine learning algorithms and neural networks, to develop enhanced predictive models for fouling behavior in preheat exchangers. By incorporating insights from the empirical evaluation and AI-driven analytics, the research aims to provide accurate predictions of fouling onset and progression, facilitating proactive maintenance scheduling and optimization of cleaning strategies. Furthermore, the study will explore innovative fouling mitigation techniques, including enhanced surface coatings, novel cleaning protocols, and optimized operational practices. By integrating empirical knowledge with AI-driven pr