Mapping subcooling effects on LNG production and optimization of operating set points

In a context of increasing pressure on energy costs and on the operational continuity of LNG plants, systematically leveraging data and simulations to select robust set-points has become essential. This thesis proposes a workflow that places subcooling at the core as an operational lever for LNG production, combining an operational mapping analysis with a surrogate model (ANN) coupled with genetic algorithm (GA) optimization. The work was carried out within Eni’s Production Division, with support from the LNGOP group. The objective is to study the effect of subcooling and the variables that influence it on LNG production, so as to provide criteria for maximizing production while respecting process constraints, in particular boil-off gas (BOG) generation. In the first part, starting from process simulations and operational data, production–power maps were constructed to quantify the influence of subcooling amplitude and related operating variables (e.g. suction pressure) over the relevant domain. In the second part, the same quantities (production, SEC, BOG) were approximated with a neural network validated on a test set restricted to the operating domain. The surrogate was then coupled with a GA to search for optimal solutions subject to plant and operational constraints (e.g., maximum pressures, shaft speed/RPM, driver power, and a target BOG window) and to generate setpoint recommendations for pressure levels, feed-gas flow, and MR composition. The results offer actionable guidance for plant management. Operational maps highlight how subcooling shapes production, while a surrogate–GA tool proposes feasible setpoints under process constraints. In our case, this delivers measurable gains: LNG throughput rises by about +4.4 m3/h at fixed power, or SEC decreases by 2.5–3%, with BOG maintained within its target window.

In un contesto di crescente pressione sui costi energetici e sulla continuità operativa degli impianti LNG, sfruttare in modo sistematico dati e simulazioni per definire setpoint robusti è diventato essenziale. Questa tesi propone un workflow che pone il subcooling al centro come leva operativa per la produzione di LNG, combinando un’analisi di mappatura operativa con un modello surrogato (ANN) accoppiato a un’ottimizzazione con algoritmo genetico (GA). Il lavoro è stato svolto all’interno della Famiglia di Produzione di Eni, con il supporto del gruppo LNGOP. L’obiettivo è studiare l’effetto del subcooling e delle variabili che lo influenzano sulla produzione di LNG, fornendo criteri per massimizzarla nel rispetto dei vincoli di processo, in particolare la generazione di boil-off gas (BOG). Nella prima parte, a partire da simulazioni di processo e dati operativi, sono state costruite mappe produzione–potenza per quantificare l’influenza dell’ampiezza del subcooling e di variabili correlate (ad es. pressione di aspirazione) sul dominio rilevante. Nella seconda parte, le stesse grandezze (produzione, SEC, BOG) sono state approssimate con una rete neurale validata su un test set limitato al dominio operativo; il modello surrogato è stato quindi accoppiato a un GA per ricercare soluzioni ottime soggette a vincoli impiantistici e operativi (ad es. pressioni massime, giri/RPM, potenza disponibile e finestra di BOG) e per generare raccomandazioni di setpoint in termini di livelli di pressione, portata di feed-gas e composizione dell’ MR. I risultati offrono indicazioni operative concrete: le mappe mettono in evidenza come il subcooling plasmi la produzione, mentre lo strumento surrogate–GA propone setpoint fattibili nel rispetto dei vincoli di processo. Nel caso in esame, ciò si traduce in benefici misurabili: a potenza fissata, la portata di LNG aumenta di circa +4.4 m3/h oppure, in alternativa, il SEC si riduce del 2.5–3%, mantenendo il BOG entro la finestra target.