Introduzione: La convergenza dell'intelligenza artificiale e della capacità di carbonio

L'imperativo globale di limitare l'aumento della temperatura a 1,5° C sopra i livelli pre-industriali, come descritto nel IPCC Rapporto speciale su riscaldamento globale di 1.5° C], ha accelerato la ricerca di strategie di riduzione delle emissioni scalabili.

I principi della tecnologia di cattura del carbonio

Per capire come l'AI ottimizza la cattura del carbonio, bisogna prima apprezzare l'ingegneria sottostante. Le tecnologie di cattura del carbonio sono tipicamente classificate dal punto in cui CO2] è separato da altri gas:

  • La cattura della combustione[]: CO[2[]]] viene rimosso dal gas di combustione dopo la combustione dei combustibili fossili. Il metodo più maturo utilizza l'assorbimento chimico con solventi a base di amine come la monoetanolammina (MEA).
  • Pre-combustion capture[]: Il carburante è parzialmente ossidato per produrre sinergie (CO e H2]), quindi il CO viene spostato verso la CO2] e H2]2]2[Frich]
  • Combustione da ossigeno [[]: Il combustibile viene bruciato in ossigeno puro invece dell'aria, producendo un flusso di gas di combustione che è principalmente CO2] e vapore acqueo, che può essere separato dalla condensazione.

Gli approcci aggiuntivi includono l'assorbimento con sorbenti solidi (ad esempio zeoliti, quadri di struttura metallica), la separazione delle membrane e la captazione del calcio. Ogni tecnica comporta una termodinamica complessa, il trasferimento di massa e la cinetica di reazione.

Come l'intelligenza artificiale trasforma la cattura del carbonio

Ottimizzazione del processo in tempo reale

Gli algoritmi AI, in particolare l'apprendimento profondo e i controllori predittivi multivariabili, possono gestire l'ottimizzazione simultanea di decine di variabili di processo. In amine-based post-combustion cattura, per esempio, il profilo di temperatura della colonna assorbente, il carico magro solvente, il dovere di rimboschimento e il raffreddamento del condensatore devono essere bilanciati per massimizzare l'efficienza di CO2[FLT: 1)

Inoltre, l'AI può gestire il controllo dei feedforward, anticipando i disturbi come le fluttuazioni del flusso di gas flue o la concentrazione di CO[2]. Integrando con sensori che misurano la composizione del gas, la temperatura ambiente e l'umidità, il modello AI regola i parametri prima che si verifichi una caduta dell'efficienza.

Predictive Manutenzione e Rilevazione Anomalia

Gli impianti di cattura del carbonio sono molto intensivi, con componenti importanti, tra cui pompe, compressori, assorbitori, spogliarelliste e scambiatori di calore. I tempi di fermo non pianificati possono costare milioni al giorno in capacità di cattura perduta e potenziali penalità per superare i limiti di emissione.

Un sistema AI può imparare la normale busta di un'unità di cattura utilizzando l'apprendimento non supervisionato. Se il modello rileva deviazioni nel tasso di degradazione del solvente, la caduta della pressione attraverso l'assorbente, o il profilo della temperatura, avvisa gli operatori a potenziali problemi come la schiumatura, il fouling, o la corrosione.

AI in materiali Discovery per i sorbetti di prossima generazione

Oltre a ottimizzare i sistemi esistenti, l'AI sta accelerando la ricerca di nuovi sorbenti e solventi. Gli approcci tradizionali di prova e di scoperta richiedono anni di sintesi e test.

Analogamente, i modelli AI prevedono l'equilibrio del vapore-liquido e la cinetica di reazione di nuove miscele di ammina senza costosi esperimenti. Questa capacità consente ai ricercatori di focalizzare gli sforzi di sintesi sui candidati più promettenti, riducendo drasticamente il ciclo di sviluppo da anni a mesi.

Integrazione con fonti energetiche rinnovabili

L'energia necessaria per la cattura del carbonio (in particolare il dovere di rimboschimento per la rigenerazione dei solventi) è spesso derivata dallo stesso impianto di produzione di combustibili fossili che genera le emissioni, che può ridurre il CO]2]] evitare di essere assorbito dall'energia elettrica.

Studi sui casi e applicazioni reali

AI presso la diga di frontiera CCS Facility (Canada)

Uno dei primi progetti di cattura post-combustion su larga scala al mondo, l'unità di diga boundary 3 a Saskatchewan, ha integrato l'apprendimento della macchina nelle sue operazioni. L'impianto cattura circa 1 milione di tonnellate di CO]2] all'anno da una caldaia a carbone-fuoco.

AI-Enabled Direct Air Capture a Climeworks

Climeworks, l'azienda svizzera di cattura dell'aria diretta (DAC), gestisce unità modulari che catturano CO2] dall'aria ambiente utilizzando un processo di assorbimento della temperatura. Ogni modulo è dotato di decine di sensori che misurano la temperatura, l'umidità, la velocità del ventilatore e la CO2 concentrazione.

AI in Carbon Capture per la lavorazione del gas naturale (Petronas)

Petronas, la compagnia petrolifera e del gas malese, ha sviluppato un gemello digitale basato su AI del suo CO2] impianto di rimozione in Bintulu. Il gemello digitale integra la simulazione di processo con dati in tempo reale e utilizza un modello di apprendimento profondo per prevedere le prestazioni delle unità di separazione della membrana.

Superare le sfide nella cattura di carbonio AI-Driven

Qualità e disponibilità dei dati

Molti impianti di cattura del carbonio non hanno una copertura completa del sensore o hanno dati scarsamente etichettati dal campionamento manuale. I dati rumorosi o mancanti possono portare a previsioni inaffidabili. Le tecniche di apprendimento del trasferimento, dove i modelli sono pre-trained su dati sintetici da simulatori di processo e quindi fine-tuned con dati reali limitati, stanno mostrando promessa. Inoltre, gli approcci di apprendimento federati permettono a più impianti di condividere i modelli proprietari.

Generalizzazione del modello e robustezza

Un modello formato su dati di un impianto può svolgere scarsamente all'altro a causa delle differenze nella chimica dei solventi, nel design delle apparecchiature o nella composizione delle scorte. Sviluppare una solida AI che generalizza tra le strutture rimane un'area di ricerca attiva. Le reti neurali informatiche (PINN), che incorporano le leggi di conservazione e i vincoli termodinamici nell'architettura del modello, sono più probabili estrapolare correttamente oltre la gamma di dati di formazione.

Integrazione con i sistemi di controllo Legacy

Molte unità di cattura del carbonio esistenti si affidano a sistemi di controllo distribuiti pluridecennali (DCS) che non sono progettati per interfacciarsi con i motori di raccomandazione AI. Retrofitting richiede un'attenta pianificazione della sicurezza informatica e spesso l'aggiunta di un gateway di calcolo dei bordi. Tuttavia, le nuove installazioni incorporano hardware pronto per l'intelligenza artificiale fin dall'inizio, con interfacce standard OPC-UA e connettività cloud.

Rischio regolatore e operativo

Gli operatori possono essere esitanti a fidarsi pienamente dell'IA per il controllo autonomo nei sistemi di sicurezza critica. Una mitigazione comune è quella di implementare l'AI come un “co-pilot” che fornisce raccomandazioni agli operatori umani, con un'opzione di sovrascrittura manuale. Nel tempo, come si accumulano dati di trust e di validazione, gli operatori possono passare a “lights-out”

Le direzioni future e il percorso in testa

Impianti di cattura del carbonio autonome

In prospettiva, l'AI&82­1 dovrebbe consentire ai sistemi di cattura del carbonio completamente autonomi, che si adattano al tasso di cattura e al consumo energetico in tempo reale, in base ai prezzi dell'elettricità, ai costi di indennità di emissione e alle richieste di stoccaggio o di utilizzo a valle.

AI per CO2 Utilizzo

La cattura del carbonio è solo la metà della storia; l'AI ottimizza anche la conversione del CO[2 in prodotti di valore. Ad esempio, nella riduzione elettrochimica al monossido di carbonio, formate, o metanolo, i modelli AI prevedono la composizione catalizzatore ideale, il potenziale cellulare e il flusso di efficienza elettrolitica per massimizzare la selettività del prodotto.

Monitoraggio avanzato dell'intelligenza artificiale dello stoccaggio geologico

Una volta che CO2]] viene iniettato in serbatoi sotterranei, AI può elaborare dati sismici, letture di pressione e misurazioni satellitari InSAR per monitorare la migrazione e rilevare perdite.

Conclusioni

L'intelligenza artificiale non è una pallottola d'argento per il cambiamento climatico, ma è uno strumento indispensabile per rendere i processi di cattura del carbonio più efficienti, convenienti e scalabili. Dal controllo del processo in tempo reale che taglia le sanzioni energetiche, alla manutenzione predittiva che abbatte i tempi, ai modelli generativi che accelerano la scoperta di sorbenti superiori, l'AI sta già offrendo miglioramenti misurabili attraverso la catena del valore CCUS.