Introduction: Convergence de l'intelligence artificielle et capture de carbone

L'impératif mondial de limiter la température à 1,5°C au-dessus des niveaux préindustriels, tel que décrit dans le Rapport spécial du GIEC sur le réchauffement global de 1,5°C, a accéléré la recherche de stratégies de réduction des émissions évolutives. Le captage, l'utilisation et le stockage du carbone (CCUS) constituent une technologie essentielle pour atténuer les émissions des secteurs difficiles à éliminer comme le ciment, l'acier, les produits chimiques et le traitement du gaz naturel.

Les fondamentaux de la technologie de captage du carbone

Pour comprendre comment l'IA optimise le captage du carbone, il faut d'abord apprécier l'ingénierie sous-jacente. Les technologies de captage du carbone sont généralement classées par le point où le CO[2 est séparé des autres gaz:

  • La capture après combustion[: Le CO2 est éliminé des gaz de combustion après combustion des combustibles fossiles. La méthode la plus mature utilise l'absorption chimique avec des solvants à base d'amines comme la monoéthanolamine (MEA).
  • Capture de précombustion[: Le combustible est partiellement oxydé pour produire des gaz syniques (CO et H2, , puis le CO est déplacé vers le CO[2 et H2 par la réaction de déplacement du gaz par l'eau.
  • Filmure d'oxycombustion[: Le combustible est brûlé dans de l'oxygène pur au lieu de l'air, produisant un flux de gaz de combustion qui est principalement du CO2 et de la vapeur d'eau, qui peut être séparé par condensation.

Chaque technique comporte une thermodynamique complexe, un transfert de masse et une cinétique de réaction.Les paramètres de fonctionnement tels que la température, la pression, la concentration de solvant et les débits doivent être ajustés en permanence pour maintenir une performance optimale.Les systèmes de contrôle traditionnels reposent sur des points de consigne fixes et des régulateurs PID (proportionnels-intégraux-dérivatifs), qui sont souvent incapables de s'adapter à l'évolution de la composition des matières premières, des conditions ambiantes ou de la dégradation des équipements.

Comment l'intelligence artificielle transforme la capture de carbone

Optimisation du processus en temps réel

Dans la capture post-combustion basée sur l'amine, par exemple, le profil de température de la colonne absorbante, la charge de solvant maigre, le travail de réchauffage et le refroidissement du condenseur doivent être équilibrés pour maximiser l'élimination du CO[2 tout en minimisant la consommation d'énergie. Les modèles d'apprentissage automatique formés sur des données historiques des usines peuvent prédire l'effet des changements de point de consigne sur l'efficacité de capture et l'utilisation de l'énergie. Ils recommandent ensuite ou mettent directement en œuvre des ajustements sur une échelle de temps de sous-minute.

En s'intégrant à des capteurs mesurant la composition du gaz, la température ambiante et l'humidité, le modèle AI ajuste les paramètres avant qu'une baisse de rendement ne se produise. Cette approche proactive contraste fortement avec le contrôle réactif conventionnel et donne des taux de capture uniformes supérieurs à 95 %, même dans des conditions variables.

Entretien prédictif et détection des anomalies

Les installations de captage du carbone sont à forte intensité de capital, avec des composants majeurs, y compris les pompes, les compresseurs, les absorbeurs, les décapants et les échangeurs de chaleur. Les temps d'arrêt imprévus peuvent coûter des millions de dollars par jour en capacité de captage perdue et des pénalités potentielles pour dépasser les limites d'émission.

Si le modèle détecte des écarts dans le taux de dégradation des solvants, la chute de pression à travers l'absorbeur ou le profil de température, il avertit les opérateurs de problèmes potentiels tels que la mousse, l'encrassement ou la corrosion. Un essai sur le terrain 2023 réalisé dans un établissement de captage commercial [2 en Norvège a démontré que la détection d'anomalies par l'IA a réduit les événements d'entretien imprévus de 40 % et a prolongé l'intervalle entre les opérations de récupération d'amines et le #8212;un avantage financier et environnemental important.

L'IA dans les matériaux Découverte pour les Sorbants de la prochaine génération

Au-delà de l'optimisation des systèmes existants, l'IA accélère la recherche de nouveaux sorbants et solvants. Les approches traditionnelles d'essai et de découverte nécessitent des années de synthèse et d'essai.Les modèles d'IA, y compris les autoencodeurs variables et les réseaux neuronaux graphes, peuvent sélectionner des millions de matériaux hypothétiques pour des propriétés telles que CO2 capacité d'adsorption, sélectivité sur l'azote, stabilité thermique et énergie de régénération. Un exemple notable est l'application de DeepMind à l'apprentissage des machines pour découvrir de nouveaux cadres métal-organiques (MOF) pour la capture directe d'air. Ces MOF conçus par l'IA ont montré jusqu'à 30% plus de CO2 absorption que les matériaux connus dans une étude publiée dans ACS Central Science[].

De même, les modèles d'IA prédisent l'équilibre vapeur-liquide et la cinétique de réaction des nouveaux mélanges d'amines sans expériences coûteuses.Cette capacité permet aux chercheurs de concentrer leurs efforts de synthèse sur les candidats les plus prometteurs, réduisant considérablement le cycle de développement d'années en mois.

Intégration avec les sources d'énergie renouvelables

L'énergie nécessaire au captage du carbone (surtout la charge de réchauffage pour la régénération des solvants) est souvent tirée de la même usine de combustibles fossiles produisant les émissions, qui peut réduire l'évitement net de CO[2. L'IA peut atténuer cette situation en planifiant dynamiquement les opérations de captage pour s'aligner sur la disponibilité d'énergie renouvelable. Par exemple, une usine de captage jumelée à un parc éolien peut modéliser les prévisions du vent, les prix de l'énergie et la demande de captage.

Études de cas et applications du monde réel

AI à l'installation de la SCC du barrage de la frontière (Canada)

L'un des premiers projets de captage post-combustion à grande échelle au monde, l'unité de barrage Boundary 3 de la Saskatchewan, a intégré l'apprentissage automatique dans ses activités. L'usine capte environ 1 million de tonnes de CO[2 par année à partir d'une chaudière alimentée au charbon. Les ingénieurs ont déployé un modèle de réseau neuronal pour prédire la charge optimale de solvant maigre pour l'absorbeur, ce qui explique la qualité du charbon d'alimentation et l'humidité ambiante.

Capture d'air directe avec IA à Climeworks

Climeworks, la société suisse de capture directe d'air (DAC), exploite des unités modulaires qui captent le CO2 de l'air ambiant en utilisant un processus d'adsorption à la température. Chaque module est équipé de dizaines de capteurs mesurant la température, l'humidité, la vitesse du ventilateur et la concentration de CO[2. La société utilise une plateforme d'IA basée sur le nuage pour orchestrer le comportement collectif de centaines de modules à son usine d'Orca en Islande.

AI dans la capture de carbone pour le traitement du gaz naturel (Pétronas)

Petronas, la société pétrolière et gazière malaisienne, a développé un jumeau numérique basé sur l'IA de son usine d'élimination du CO[2 à Bintulu. Le jumeau numérique intègre la simulation de processus avec des données en temps réel et utilise un modèle d'apprentissage profond pour prédire la performance des unités de séparation des membranes. Lorsque le modèle a détecté que la sélectivité membranaire avait dérivé en raison d'une encrassement, il a déclenché une séquence de nettoyage avant que le CO2 ne tombe sous les 95 % requis.

Surmonter les défis de la capture de carbone sous l'IA

Qualité et disponibilité des données

Les données sur les concentrations de carbone sont mal marquées ou mal marquées. Les données sur les concentrations de carbone sont mal connues ou manquantes, ce qui peut conduire à des prédictions peu fiables. Les techniques d'apprentissage du transfert, où les modèles sont pré-formés sur des données synthétiques provenant de simulateurs de processus et sont ensuite affinés avec des données réelles limitées, sont prometteuses.

Généralisation et robustesse du modèle

Un modèle formé sur les données d'une usine peut se révéler inefficace à une autre en raison de différences dans la chimie des solvants, la conception des équipements ou la composition des matières premières. Le développement d'une AI robuste qui généralise les installations reste un domaine de recherche actif.

Intégration avec les systèmes de contrôle hérités

De nombreuses unités de captage du carbone existantes dépendent de systèmes de contrôle distribués (DCS) vieux de plusieurs décennies qui ne sont pas conçus pour s'interfacer avec les moteurs de recommandation AI. La remise en état nécessite une planification de cybersécurité minutieuse et souvent l'ajout d'une passerelle de calcul de bord.

Risques réglementaires et opérationnels

Les cadres réglementaires pour le captage du carbone sont toujours en évolution. Les opérateurs peuvent hésiter à faire entièrement confiance à l'IA pour un contrôle autonome dans les systèmes de sécurité critiques. Une atténuation commune consiste à mettre en œuvre l'IA sous la forme d'un “copilote” qui fournit des recommandations aux opérateurs humains, avec une option de dépassement manuel.

Orientations futures et voie à suivre

Installations autonomes de captage du carbone

En ce qui concerne l'avenir, l'IA devrait permettre des systèmes de captage du carbone entièrement autonomes.Ces usines ajusteront le taux de captage et la consommation d'énergie en temps réel en fonction des prix de l'électricité, des coûts de quotas d'émission et des demandes de stockage ou d'utilisation en aval.Les jumeaux numériques simuleront “ what-if” des scénarios pour la maintenance ou les changements de processus, et l'IA exécutera des stratégies optimales sans intervention humaine.

IE pour le CO2 Utilisation

La capture de carbone n'est que la moitié de l'histoire; l'IA optimise également la conversion du CO[2 capturé en produits précieux.Par exemple, dans la réduction électrochimique du monoxyde de carbone, du formate ou du méthanol, les modèles d'IA prédisent la composition idéale du catalyseur, le potentiel cellulaire et le flux d'électrolyte pour maximiser la sélectivité des produits.

Amélioration de la surveillance du stockage géologique

Une fois que le CO2[ est injecté dans des réservoirs souterrains, l'IA peut traiter des données sismiques, des relevés de pression et des mesures InSAR par satellite pour surveiller la migration du panache et détecter les fuites.

Conclusion

L'intelligence artificielle n'est pas une puce d'argent pour le changement climatique, mais c'est un outil indispensable pour rendre les processus de captage du carbone plus efficaces, abordables et évolutives.De la maîtrise en temps réel des processus qui réduit les pénalités énergétiques, à la maintenance prédictive qui ralentit les temps d'arrêt, aux modèles générateurs qui accélèrent la découverte de sorbants supérieurs, l'IA fournit déjà des améliorations mesurables dans la chaîne de valeur CCUS. À mesure que la disponibilité des données s'accroît et que les méthodes algorithmiques se développent, l'intégration de l'IA dans le captage du carbone s'approfondira, passant des systèmes de conseil à un fonctionnement pleinement autonome.