כיצד Machine Learning מעצב מחדש את מערכות הלכידת פחמן

שינויי האקלים דורשים פעולה דחופה, וצמצום פליטות פחמן דו חמצני יושב במרכז המאמצים הגלובליים.טכנולוגיית פחמן ללכוד ואחסון (CCS) התפתחה ככלי קריטי, ומאפשרת לתעשיות למלכודת CO2 לפני שהיא מגיעה לאטמוספירה.אך מערכות CCS מסורתיות מתמודדות עם אתגרים: צריכת אנרגיה גבוהה, יעילות תפעולית, ועלויות גבוהות.

על ידי ניתוח נתוני חיישן בזמן אמת, חיזוי כשלים בציוד, ותהליכים כימיים קידוד, ML מספק רווחים למדידה יעילות לכידת והפחתה בעלויות.ההתקדמות הזו אינה תיאורטית - מוסדות מחקר מובילים וצמחים מסחריים כבר פריסת פתרונות מונעים על ידי ML עם תוצאות מרשימות.הבנת כיצד אלגוריתמים אלה פועלים והיכן הם מוסיפים ערך חיוני לכל מי שמעורב בדהמה תעשייתית או טכנולוגיה סביבתית.

הקרן: כיצד מכונות למידה פועלות בהגדרות תעשייתיות

למידת מכונה מתייחסת למודלים חישוביים שלמדת דפוסים מהנתונים מבלי להיות מתוכנתים במפורש לכל תרחיש. בהקשרים תעשייתיים, מודלים אלה נתונים היסטוריים ומציאותיים ביותר מחיישנים, בקרים וניתוחי מעבדה.הם מייצרים תחזיות או המלצות המפעילים יכולים לפעול.

עבור מערכות ללכוד פחמן, מודלים של ML בדרך כלל להתמודד עם שלוש משימות עיקריות:

  • (ב) ,0) אופטימיזציה של קונסולת 1 (הזהה את תנאי התפעול היעילים ביותר ללכידת CO2
  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) בקרת איכות (FLT:1) - הבטחת CO2 שנתפסה עומדת בסטנדרטים טוהרים לאחסון או ניצול

כל משימה דורשת גישה אלגוריתמית שונה.מודלים של רגרסיה, רשתות עצביות ושיטות הרכב כולם ממלאים תפקידים בהתאם למבנה הנתונים והפלט הדרושים.הגורם המשותף הקריטי הוא שמודלי ML משתפרים עם הזמן כפי שהם מקבלים יותר נתוני הדרכה, מה שהופך אותם יותר ויותר יקר כמו לכידת צמחים לצבור היסטוריה תפעולית.

מעקב בזמן אמת ואופטימיזציה דינמית

מתקני לכידת פחמן פועלים בתנאי שינוי מתמיד: שינויים בייצור גז, טמפרטורות מתפתלות, ומזהמים כימיים מדרגים.

אלגוריתמים של ML פותרים זאת על ידי עיבוד נתוני חיישן כל שנייה והתאמה של פרמטרים כגון טמפרטורה, לחץ, קצב זרימה מעצורים, וחידוש אנרגיה קלט.לדוגמה, מודל רשת עצבי עשוי לזהות כי ריכוז CO2 בגז השפעת ירד, המאפשר למערכת להפחית את זרימת הדם ולהציל אנרגיה ללא הקרבת ביצועים.

Solvent Management and Regeneration

אחד השלבים המשפיעים ביותר בלכידת לאחר הפסקת האש הוא חידוש מופרע - חימום הפתרון הכימי לשחרור דגמי CO2. ML יכול לחזות את טמפרטורת הדור האופטימלי המבוססת על מצב מעצורים ורכב גז, צריכת קיטור ב 10-20% במספר מחקרים של טייס.

חוקרים ב-FLT:0.IEA Greenhouse Gas R & Dib ProgramFLT ( 1:1) הראו כי בקרים ML מתאימים יכולים להפחית את עונש האנרגיה של CCS עד 15% בהשוואה לבקרים בעלי פרופורציה יחסית (PID) מתרגמים ישירות בעלויות התפעול נמוכות יותר ועלויות גבוהות יותר של CO2 לכל יחידת אנרגיה נצרכת.

מקורות Emissions משתנים

לא כל הפליטות התעשייתיות הן אותו הדבר.צמח מלט מייצר ייצור גז פלואי שונה מאשר תחנת כוח גז טבעי או מילימטר פלדה. ML מודלים ניתן לאמן נתונים מסוגים מרובים של מקור, ומאפשר מערכת לכידת יחיד להסתגל לשינויים ללא החלמה ידנית. גמישות זו חיונית כתעשיות להסתכל על מתקנים קיימים עם טכנולוגיית CCS.

תחזוקה חיזויית: מניעת כישלונות לפני שהם קורים

מערכות ללכוד פחמן כוללות משאבות, דחוסים, מחליפי חום ועמודות ספיגה - כל מה שקשור לשחיתות, קנה מידה ולבוש מכני.לא נחקר בירידה יכול לעלות למפעילים מאות אלפי דולרים ביום ולשחרר פליטות לא מכוסות לתוך האווירה.

תחזוקה חיזויית משתמשת ML כדי לנתח נתונים רטט, מגמות טמפרטורה, לחץ שונים, וניתוח כימי תוצאות כדי לזהות סימנים מוקדמים של התדרדרות.לדוגמה, אלגוריתם זיהוי אנומלי יכול לדגל עלייה הדרגתית של ירידה בלחץ על פני עמודה ספיגה, המציין כי זיהומים פותרים הם מפרשים את חומר האריזה.אמן יכול לאחר מכן לנקות את לוח הזמנים המתוכנן במקום להגיב לכשל פתאומי.

התפלגות עולם ב- Scale

במחלקת האנרגיה הלאומית לאנרגיה לאומית (FLT:0) U.S. Department of Energy National Energy Laboratory Laboratory Laboratoryment Laboratory of Energy Technology Laboratory, מעבדת טכנולוגיה הלאומית לאנרגיה הלאומית לאנרגיה לאומית לאנרגיה לאומית (National Energy Technology Laboratory) 1:1, החוקרים שילבו תחזוקה חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי מבוסס ML למערכת לכידת בקנה מידה פיילוט.

צמצום עלויות תחזוקה

מעבר לכשלים קטסטרופליים, תחזוקה חיזוי מורידה את הוצאות התחזוקה הכוללות במקום להחליף רכיבים בלוח זמנים קבוע – אשר לעתים קרובות מחליפים חלקים פונקציונליים מושלמים לחלוטין – מפעילי שירות יכולים לספק ציוד רק כאשר הנתונים מצביעים על כך שיש צורך בגישה מבוססת מצב זה יכול להפחית את עלויות התחזוקה של 25-40 אחוזים מעל חיי צמח לכידת, על פי ניתוח התעשייה מ-FLT:0.

שיפור הכימיה עם Machine Learning

ספיגה כימית נותרה הטכנולוגיה המתקדמת ביותר של לכידת פחמן, אך בחירת ומיזוג פותרים עדיין תהליך של ניסוי וטרור. ML שינויים כי על ידי מתן בדיקות מהירות של אלפי ניסוחים מעצורים בסליקו, זיהוי מועמדים המשלבים יכולת CO2 גבוהה עם אנרגיה התחדשות נמוכה.

פתרון גילוי ופורמולציה

במחקר ציוני דרך שפורסם ב-FLT:0) טבע תקשורת תקשורת חשמל 1 (Gall CommunicationsFIRLT:1), החוקרים השתמשו ברשתות גרפיות עצביות כדי לחזות את תכונות הקליטה של CO2 של מעל 10,000 תבלינים מבוססי-אמין.המודל זיהה 15 פורמולות שלא ידועות בעבר, אשר הצליחו לזרז את המדיום monoethanolamine (MEA) לפתור לפחות 30 אחוזים בקיבולת ויעילות אנרגיה.

גישה זו אינה מוגבלת ל- amines.מודלים של ML יכולים למסך נוזלים, מסגרות מתכת-אורגניות (MOFs), וחומרי membrane עבור יישומי לכידת אוויר ישירים.היכולת למועמדים לפני סינון חישובי לפני שעבודת הסינתזה היקרה מייצגת שינוי פרדיגמטי בחומרים מדעיים עבור לכידת פחמן.

פתרון הסתגלות במהלך המבצע

גם עם פותר אופטימלי, תנאים בתוך עמודה לוכדת משתנים עם הזמן. Solvent השפלה, הצטברות של זיהומים, ואת decomposition תרמי כל להשפיע על ביצועים. ML מודלים מאומן על ספקטרום ספקטרוסקופיה ונתונים pH יכול לזהות כאשר קבוצה פותרת הוא degrading וממליץ על התאמות - כגון הוספת ייצוב או צמצום הטמפרטורה - כדי להאריך את החיים שימושיים שלה.

ניסויים בניסויי טייס ב-FLT:0 (SINTEF) במכון המחקר של NIRLT:1 בנורווגיה הראו כי ניהול מחוסנים של ML-Moderd Defed Solnt הפחית את אחוזי ההידרדרות של amine ב- 35%, ובמקביל מוריד את עלויות ההחלפה המופרכות ואת ההשפעה הסביבתית של מוצרי פסולת מזוהמים.

שילוב של ML עם מערכת לכידת פחמן

למידת מכונה אינה רק כלי תפעולי – היא גם משנה כיצד מערכות ללכוד נועדו מלכתחילה.עיצוב תהליך מסורתי מבוסס על סימולציות יציבות וגורמי בטיחות כי ציוד בקנה מידה גדול כדי להבטיח ביצועים. ML מאפשר אופטימיזציה עיצוב מונע נתונים המשתמשת בנתונים צמחיים היסטוריים כדי ליצור מודלים מדויקים יותר של התנהגות מערכתית.

תאומים דיגיטליים ללכידת פחמן

תאומו דיגיטלי הוא העתק וירטואלי של מערכת פיזית המעדכנת בזמן אמת על בסיס נתוני חיישן.עבור צמחי לכידת פחמן, תאומים דיגיטליים מונעים על ידי ML מאפשרים למהנדסים לבחון שינויים כמעט לפני יישום ציוד חי.זה מקטין את הסיכון ומקצר את הזמן הנדרש כדי לכוון אסטרטגיות הפעלה חדשות.

תאומים דיגיטליים תומכים גם באימון המפעילים.במקום ללמוד על צמח חי שבו טעויות נושאות תוצאות אמיתיות, מפעילי יכולים לתרגל טיפול בתנאים קשים בסביבה מדומה, המתנהגת בדיוק כמו המערכת האמיתית.חברות כגון FLT:0 AspenTechFLT 1 (הראשונה ל- 1:1) מציעים פלטפורמות תאום דיגיטליות המיועדות במיוחד ללכידת פחמן יישומים, שילוב מודלים של ML מאומן על אלפי שעות של נתונים תפעוליים.

מפעל אופטית ליקוט ו Sizing

מודלים של ML יכולים לנתח גורמים ספציפיים לאתר - כולל נפח גז פלואי, איכות הרכב, דפוסי טמפרטורה הסביבה, ואת מחירי החשמל - כדי להמליץ על הגודל האופטימלי עבור כל רכיב.זה חשוב במיוחד עבור מערכות לכידת מודולריות, שבו יחידות מרובות זהות פרוסות במקביל. אלגוריתם עשוי לקבוע כי מתקן צריך 12 מודולים הקליטה אבל רק 10 יחידות חידוש, חיסכון הון ללא ביצוע הקרבה.

יתרונות כלכליים וסביבתיים בפרקטיקה

השילוב של אופטימיזציה המונעת על ידי ML, תחזוקה חיזוי וניהול סלנט מייצר תוצאות קו תחתון ניתן למדידה.מצים מוקדמים מדווחים על ירידה בעלויות של 15-30% בהשוואה למפעלים הבסיס הפועלים ללא בקרה על ML-enhanced. חסכון אלה מגיע מצריכת אנרגיה נמוכה יותר, שימוש כימי מופחת, פחות לא מכווץ זמן, ומאריך את חיי הציוד.

ביצועים סביבתיים משתפרים לצד הכלכלה.יעילות לכידת גבוהה יותר פירושה יותר CO2 שהוסר ליחידת האנרגיה הנצרכת, הורדת טביעת הרגל הכוללת של תהליך הלכידת עצמו.בנוסף, פחות פליטות כימיות מפני ירידה מפתורה להפחית את ההשפעות הסביבתיות המקומיות.עבור מפעילי המבקשים זיכויים פחמן או תאימות רגולטורית, שיפורים אלה לשפר ישירות את הערך של פעולות CCS שלהם.

תוצאות חיפוש: European Pilot Plant

מפעל טייס בהולנד המופעל על ידי קונסורציום של חברות אנרגיה בדק מערכת לכידת ML-optimized במשך 18 חודשים.בקר ML מותאם סימולציה לאחור בזמן אמת בהתבסס על מדידות ייצור גז פלואי. התוצאות הראו עלייה של 15% בשיעור CO2 הממוצע - מ-85 אחוזים עד 97 אחוזים - ובמקביל צמצום צריכת הקיטור ב-12%.

תגית: Canadian Oil Sands Application

באלברטה, קנדה, פעולת חול שמן שילבה תחזוקה חיזוי מבוססת ML למערכת הלכידת מבוססת-אמין, טיפול בפליטות מניקוי כוח הכבידה מבוסס קיטור (SAGD) מתקני.במשך שנתיים, ללא תכנון מופחת ב-60 אחוזים, ועלויות תחזוקה צנחו ב- 35%.הפרויקט הראה כי ML יכול לספק ערך אפילו בסביבה תעשייתית מאתגרת עם עומס חלקי גבוה ורכב גז משתנה.

אתגרים ומגבלות

למרות ההבטחה שלה, פריסת למידת מכונה במערכות ללכוד פחמן אינה ללא מכשולים.איכות הנתונים נותרה דאגה עיקרית.צמחים רבים לוכדים קיימים חסרים את תשתית החיישן הדרושה כדי ליצור את הנתונים המסווגים שמודלי ML דורשים.התנעה יכולה להיות יקרה, והנתונים ההיסטוריים עשויים לא ללכוד את המגוון המלא של תנאי הפעלה שהמודל ייפגש.

המחשה מודל היא בעיה נוספת.רשתות עצביות עמוקות – לעתים קרובות המדויקות ביותר עבור מודלים מורכבים של תהליכים – לפעול כקופסאות שחורות, מה שהופך אותו קשה למפעילים להבין מדוע נעשות המלצות מסוימות.Efforts לפתח AI (XAI) עבור יישומים תעשייתיים הם מתמשכים, אבל רוב מתקני לכידת פחמן עדיין לא מוכנים לבטוח לחלוטין החלטות אוטונומיות ממודלים.

אבטחת סייבר דורשת גם תשומת לב.בקר של ML שיש לו גישה ישירה לבקרת הצמח מייצג משטח התקפה פוטנציאלי. המפעילים חייבים ליישם מסגרות אבטחה חזקות כדי למנוע שחקנים זדוניים מניפולציה של קלטי מודל או פלטות.

לבסוף, פער המיומנויות לא ניתן להתעלם ממנו.התחמקות ושמירה על מערכות ML דורשות ממדענים ומהנדסי תוכנה שמבינים הן מכונות למידה והן תהליכים הנדסה. ארגונים שאינם יכולים למשוך או להכשיר כישרון כזה יאבקו לממש את היתרונות המלאים של טכנולוגיות אלה.

כיוונים עתידיים: היכן ML ו- Carbon Capture הם ראשיים

במבט קדימה, כמה התפתחויות יזרזו את שילוב למידת המכונה עם CCS. הצמיחה של חיישנים בעלות נמוכה, דיוק גבוה - כולל טוטלי דילול דיוודה לייזר ספיגה ספקטרוסקופיה וטמפרטורה מבוזרת סיבים אופטיים - יספקו זרמי נתונים עשירים יותר עבור מודלים של ML כדי לנצל.

מחשוב צוק יאפשר הפחתה ישירה של חומרה צמחית-קרקע, צמצום השקיפות ומאפשר החלטות שליטה בזמן אמת מבלי להסתמך על קישוריות בענן.זה חשוב במיוחד עבור מתקנים מרוחקים או offshore של פחמן לכידת שבו אמינות רשת עשויה להיות מוגבלת.

Reinforcement Learning (RL) – ענף של ML שבו אלגוריתמים לומדים פעולות אופטימליות באמצעות ניסוי וטעייה - מבטיח במיוחד עבור לכידת פחמן.בניגוד למידה מבוקרת, הדורשת דוגמאות מתויגות, RL יכול לגלות אסטרטגיות הפעלה חדשניות שמומחים אנושיים לעולם לא יחשבו. סימולציות מוקדמות מראות כי בקרים של RL יכולים להפחית את עונש האנרגיה של CCS על ידי 8-12% נוספים מעבר לאופטימיזציה של קונבנציונאליים.

למידה פדרated תאפשר למפעלי לכידת מרובים להכשיר מודלים ML משותפים ללא החלפת נתונים גולמיים.גישה זו מגנה על מידע תפעולי קנייני תוך שהיא עדיין נהנית מלמידה קולקטיבית. צמח מלט בהודו וצמח כוח בגרמניה יכול לשפר במשותף מודל ML משותף ללא פרטים על תהליך רגיש.

לכידת אוויר ישירה (DAC) - אשר מסירת CO2 ישירות מהאוויר במקום מזרמים תעשייתיים מרוכזים - גם ייהנו ממערכות ML. DAC להתמודד עם אתגרים הקשורים לריכוז CO2 נמוך, לחות פנויות, ומודלים כה בולטים. ML אופטימיזציה לתנאים אלה יכולים להפוך את DAC בקנה מידה גדול קיימא מוקדם יותר מאשר פרויקטים נוכחיים מציעים.

מפת דרכים לאופרות

עבור ארגונים שוקלים אינטגרציה ML לפעילות ללכוד פחמן שלהם, גישה בשלב זה בדרך כלל מניבה את התוצאות הטובות ביותר:

  1. (FLT:0)Audit קיימות תשתיות נתונים FLT:1, סיקור חיישן אסס, תדירות כניסה נתונים ואיכות נתונים היסטורית.זיהוי פערים כי יהיה צורך למלא לפני מודלים של ML ניתן לאמן ביעילות.
  2. (FLT:0)Start with Predictive MaintenanceFLT:1, מקרה שימוש זה דורש בדרך כלל את ההבנה של התהליך הקטן ומציע ניצחונות מהירים. Deploating רטט וחיישנים טמפרטורה על ציוד רוטט קריטי יכול להתחיל לייצר ערך בתוך שבועות.
  3. (FLT:0) אופטימיזציה של תהליך הפשטות בהדרגה בהדרגה 1FLT - התחל עם המלצות ייעוץ מודלים כי מפעילי יכולים לקבל או לדחות, בניית אמון לפני המעבר לשליטה סגורה על ביצועים מרכזיים כגון שיעור לכידת, צריכת אנרגיה ושימוש פותר.
  4. (FLT:0)Scale כדי לפתור ניהול ועיצוב LT:1) - ככל שהאמון מפעיל גדל, להרחיב את יישומי ML לכלול אופטימיזציה של פתרון, פיתוח תאומים דיגיטלי ותמיכה בעיצוב צמחי.
  5. (FLT:0Build Internal cantureFLT:1) - להשקיע הכשרה עבור מהנדסי תהליכים בבסיסי מדע נתונים, לשכור מדעני נתונים עם מודעות התחום בהנדסה כימית. שקול שותפויות עם אוניברסיטאות או ייעוץ מיוחד כדי להאיץ את הלמידה.

השורה התחתונה: ML Makes Carbon Catch More Viable

למידת מכונות אינה כדור כסף לשינוי האקלים, אבל היא מאפשרת רבת עוצמה לטכנולוגיה של לכידת פחמן.על ידי אופטימיזציה של פעולות בזמן אמת, לחזות כישלונות לפני שהן מתרחשות, והשגת גילוי של פותרים טובים יותר, ML מתייחסת לחסמים הליבה שיש להם פריסת CCS מוגבלת היסטורית: עלות גבוהה, יעילות נמוכה ומורכבות תפעולית.

כאשר איסוף נתונים משתפר ואלגוריתמים מתבגרים, הסינרגיה בין ML לפחמן תתחזק רק מתקני ייצור אלה, אשר משקיעים באינטגרציה זו היום לא רק לוכדים יותר CO2 בעלות נמוכה יותר – הם גם יניבו את האינטליגנציה התפעולית הנדרשת כדי להישאר תחרותיים כמו רגולציה פחמן הידוק והשווקים עבור פחמן CO2 שנתפס.

הדרך לפליטות אפס נטו עוברת דרך מתקנים תעשייתיים הנפלטים מיליארדי טונות של CO2 בכל שנה. למידת מכונה מעניקה למתקנים האלה דרך מעשית, מדרגית להפחית את טביעת הרגל שלהם תוך שמירה על יכולת כלכלית.עבור מפעילי, קובעי מדיניות, ומפתחי טכנולוגיה כאחד, המסר ברור: השילוב של בינה מלאכותית ולכידת פחמן הוא אחד הכלים המבטיחים ביותר עבור בניית עתיד תעשייתי בר קיימא.