Использование машинного обучения для прогнозирования выбросов аминов

 

Глобальное потепление частично связано с огромным количеством углекислого газа, который мы выбрасываем в атмосферу, в основном в результате выработки электроэнергии и промышленных процессов, таких как производство стали и цемента. Уже некоторое время инженеры-химики изучают улавливание углерода - процесс, который позволяет отделять углекислый газ и хранить его таким образом, чтобы он не попадал в атмосферу.

Для этого используются специальные установки по улавливанию углерода, химический процесс которых включает амины - соединения, которые уже используются для улавливания углекислого газа на заводах по переработке и очистке природного газа. Амины также используются в некоторых фармацевтических препаратах, эпоксидных смолах и красителях.

 

Проблема заключается в том, что амины могут быть потенциально вредными для окружающей среды, а также представлять опасность для здоровья, что делает необходимым смягчение их воздействия. Для этого необходим точный мониторинг и прогнозирование выбросов аминов на заводе, что оказалось нелегкой задачей, поскольку углеродоулавливающие установки сложны и отличаются друг от друга.

Группа ученых предложила решение на основе машинного обучения для прогнозирования выбросов аминов на установках по улавливанию углерода, используя экспериментальные данные стресс-теста на действующей установке в Германии. Работа проводилась под руководством групп профессора Беренда Смита из Школы фундаментальных наук EPFL и профессора Сусаны Гарсия из Исследовательского центра углеродных решений Университета Гериот-Ватт в Шотландии.

"Эксперименты проводились в Нидерхауссене, на одной из крупнейших угольных электростанций в Германии", - говорит Беренд Смит. "С этой электростанции слипстрим направляется в экспериментальную установку по улавливанию углерода, где уже более года испытывается раствор амина нового поколения. Но один из нерешенных вопросов заключается в том, что амины могут выделяться с дымовым газом, и эти выбросы аминов необходимо контролировать".

Профессор Сусана Гарсия совместно с владельцем завода, компанией RWE, и TNO в Нидерландах разработала стресс-тест для изучения выбросов аминов при различных технологических условиях. Профессор Гарсия рассказывает, как проходило испытание: "Мы разработали экспериментальную кампанию, чтобы понять, как и когда будут происходить выбросы амина. Но некоторые из наших экспериментов также вызвали вмешательство операторов завода для обеспечения безопасной работы завода".

Эти вмешательства привели к вопросу о том, как интерпретировать данные. Являются ли выбросы амина результатом самого стресс-теста, или вмешательство операторов косвенно повлияло на выбросы? Все осложнялось еще и тем, что мы в целом не понимали механизмов, лежащих в основе выбросов аминов. "Короче говоря, у нас была дорогостоящая и успешная кампания, которая показала, что выбросы амина могут быть проблемой, но не было инструментов для дальнейшего анализа данных", - говорит Смит.

Он продолжает: "Когда Сусана Гарсия сказала мне об этом, это действительно звучало как проблема, которую невозможно решить. Но она также упомянула, что они измеряют все каждые пять минут, собирая множество данных. И если в моей группе и есть кто-то, кто может решать невозможные проблемы с помощью данных, то это Кевин".

Кевин Майк Яблонка, аспирант, разработал подход машинного обучения, который превратил загадку выбросов аминов в проблему распознавания образов.

"Мы хотели узнать, какими были бы выбросы, если бы у нас не было стресс-теста, а были только вмешательства операторов, - объясняет Смит. Это схожая проблема, которую мы можем иметь в финансовой сфере; например, если вы хотите оценить эффект от изменений в налоговом кодексе, вы хотели бы отделить эффект налогового кодекса от, скажем, интервенций, вызванных кризисом в Украине".

На следующем этапе Яблонка использовал мощное машинное обучение для прогнозирования будущих выбросов амина на основе данных завода. Он говорит: "С помощью этой модели мы смогли предсказать выбросы, вызванные вмешательством операторов, а затем отделить их от выбросов, вызванных стресс-тестом. Кроме того, мы могли бы использовать модель для выполнения всевозможных сценариев по снижению этих выбросов".

Вывод был описан как "удивительный". Как оказалось, пилотная установка была рассчитана на чистый амин, но измерительные эксперименты проводились на смеси двух аминов: 2-амино-2-метил-1-пропанола и пиперазина (CESAR1). Ученые обнаружили, что эти два амина реагируют противоположным образом: Уменьшение выбросов одного из них фактически увеличивает выбросы другого.

"Я очень воодушевлен потенциальным влиянием этой работы; это совершенно новый взгляд на сложный химический процесс", - говорит Смит. "Такой тип прогнозирования невозможно осуществить с помощью традиционных подходов, поэтому он может изменить способ эксплуатации химических заводов".

Категория: Наука и Техника | Добавил: fantast (05.01.2023)
Просмотров: 23 | Рейтинг: 0.0/0