Роль искусственного интеллекта в оптимизации процессов улавливания углерода

Введение: Конвергенция искусственного интеллекта и захвата углерода

Глобальный императив ограничения повышения температуры до 1,5°C выше доиндустриальных уровней, как указано в Специальном докладе МГЭИК о глобальном потеплении 1,5°C, ускорил поиск масштабируемых стратегий сокращения выбросов. Улавливание, использование и хранение углерода (CCUS) выступает в качестве критической технологии для смягчения выбросов из труднодоступных секторов, таких как цемент, сталь, химические вещества и обработка природного газа. Однако традиционные процессы улавливания углерода остаются энергоемкими и дорогостоящими, а операционная неэффективность препятствует широкому развертыванию. Искусственный интеллект (ИИ) появился в качестве преобразующей силы в этом ландшафте. Анализируя сложные данные датчиков, оптимизируя химические реакции и предсказывая поведение системы, ИИ позволяет объектам улавливания углерода снижать затраты, увеличивать скорости улавливания и уменьшать паразитарные энергетические нагрузки. В этой статье исследуется многогранная роль ИИ в оптимизации процессов улавливания углерода, подробно описывая текущие приложения, тематические исследования и будущие направления.

Основы технологии улавливания углерода

Чтобы понять, как ИИ оптимизирует улавливание углерода, необходимо сначала оценить базовую инженерию. Технологии улавливания углерода обычно классифицируются по точке, в которой CO _]2 отделен от других газов:

После сжигания улавливание : CO₂ удаляется из дымового газа после сжигания ископаемого топлива. Наиболее зрелый метод использует химическое поглощение растворителями на основе амина, такими как моноэтаноламин (МЭА).
До сжигания улавливается : Топливо частично окисляется для получения сингаза (CO и H₂), затем CO переносится на CO₂ и H₂ посредством реакции сдвига водяного газа. CO₂ отделяется перед сгоранием, получая топливо, богатое водородом.
Сгорание оксидного топлива : Топливо сжигается в чистом кислороде вместо воздуха, производя поток дымового газа, который в основном представляет собой CO₂ и водяной пар, который может быть отделен конденсацией.

Дополнительные подходы включают адсорбцию с использованием твердых сорбентов (например, цеолитов, металлоорганических каркасов), разделение мембран и зацикливание кальция. Каждый метод включает в себя сложную термодинамику, передачу массы и кинетику реакции. Рабочие параметры, такие как температура, давление, концентрация растворителя и скорости потока, должны постоянно корректироваться для поддержания оптимальной производительности. Традиционные системы управления полагаются на фиксированные заданные точки и ПИД-контроллеры (пропорционально-интегрально-производные) контроллеры, которые часто не могут адаптироваться к изменению состава сырья, условий окружающей среды или деградации оборудования. Именно здесь ИИ предлагает улучшение пошагового изменения.

Как искусственный интеллект преобразует улавливание углерода

Оптимизация процессов в реальном времени

Алгоритмы ИИ, особенно глубокое обучение усилению и многовариантные прогностические контроллеры, могут управлять одновременной оптимизацией десятков переменных процессов. В аминовом профиле температуры колонки после сгорания, например, профиль температуры абсорбирующей колонки, нагрузка на бережливый растворитель, обязанность реболлера и охлаждение конденсатора должны быть сбалансированы для максимизации удаления CO₂ при минимизации потребления энергии. Модели машинного обучения, обученные на исторических данных о установках, могут предсказать влияние изменений заданных точек на эффективность захвата и использование энергии. Затем они рекомендуют или непосредственно реализуют корректировки в субминутной временной шкале. Исследования, опубликованные в Прикладная энергия показали, что оптимизация на основе AI может снизить энергетический штраф за скруббинг амина на 10–20%, непосредственно снижая уравновешенную стоимость CO₂ избегали.

Кроме того, ИИ может обрабатывать управление потоком вперед, предвидя такие нарушения, как колебания потока дымовых газов или концентрации CO_]2. Интегрируя с датчиками, которые измеряют состав газа, температуру окружающей среды и влажность, модель ИИ корректирует параметры до падения эффективности. Этот проактивный подход резко контрастирует с обычным реактивным контролем и дает согласованные скорости захвата выше 95% даже в переменных условиях.

Прогнозное обслуживание и обнаружение аномалий

Улавливание углерода — это капиталоемкие установки, с основными компонентами, включая насосы, компрессоры, поглотители, стриптизерши и теплообменники. Незапланированное простои могут стоить миллионы в день в потерянной мощности захвата и потенциальных штрафах за превышение пределов выбросов. В основе прогнозного технического обслуживания на основе ИИ используются исторические данные датчиков для оценки оставшегося срока полезного использования оборудования. Например, вибрационный анализ компрессоров в сочетании с нейросетями автокодера может обнаружить ранние признаки износа подшипников, что позволяет плановое техническое обслуживание до катастрофического сбоя.

Обнаружение аномалий выходит за рамки вращающегося оборудования для условий обработки. Система ИИ может изучать нормальную рабочую оболочку блока захвата с использованием неконтролируемого обучения. Если модель обнаруживает отклонения в скорости деградации растворителя, падении давления на поглотителе или температурном профиле, она предупреждает операторов о потенциальных проблемах, таких как пенообразование, загрязнение или коррозия. Полевые испытания 2023 года на коммерческом объекте по захвату CO₂ в Норвегии продемонстрировали, что обнаружение аномалий на основе ИИ сократило незапланированные события обслуживания на 40% и продлило интервал между операциями по регенерированию амина & #8212; значительная финансовая и экологическая выгода.

ИИ в обнаружении материалов для сорбентов следующего поколения

Помимо оптимизации существующих систем, ИИ ускоряет поиск новых сорбентов и растворителей. Традиционные подходы к испытаниям и открытию требуют многих лет синтеза и тестирования. Генеративные модели ИИ, включая вариационные автокодеры и графовые нейронные сети, могут экранировать миллионы гипотетических материалов для таких свойств, как адсорбционная способность CO₂, селективность по сравнению с азотом, термостабильность и энергия регенерации. Заметным примером является применение DeepMind машинного обучения для обнаружения новых металлоорганических структур (MOF) для прямого захвата воздуха. Эти разработанные ИИ MOF показали до 30% более высокое поглощение CO₂, чем известные материалы в исследовании, опубликованном в ACS Central Science.

Аналогичным образом, модели ИИ предсказывают парожидкостное равновесие и кинетику реакции новых аминовых смесей без дорогостоящих экспериментов. Эта способность позволяет исследователям сосредоточить усилия по синтезу на наиболее перспективных кандидатах, резко сокращая цикл разработки с лет до месяцев.

Интеграция с возобновляемыми источниками энергии

Энергия, необходимая для улавливания углерода (особенно пошлина на реболлер для регенерации растворителя), часто извлекается из той же самой установки на ископаемом топливе, генерирующей выбросы, которые могут уменьшить чистый CO₂, избегание. ИИ может смягчить это динамически планируя операции захвата в соответствии с доступностью возобновляемых источников энергии. Например, установка улавливания в паре с ветряной электростанцией может моделировать прогнозы ветра, цены на энергию и спрос на улавливание. В периоды низкого ветра станция может уменьшить нагрузку на улавливание или использовать накопленную тепловую энергию; во время избыточного ветра она может работать на полной мощности. Оптимизация на основе ИИ этой гибридной системы, как было показано, увеличивает общую скорость избегания углерода по сравнению с всегда работающей, как сообщается в исследовании 2024 года Природная энергия .

Тематические исследования и реальные приложения

AI на объекте CCS пограничной плотины (Канада)

Один из первых в мире крупномасштабных проектов по улавливанию после сжигания, Boundary Dam Unit 3 в Саскачеване, интегрировал машинное обучение в свою деятельность. Завод улавливает около 1 млн тонн CO₂ в год из котла, работающего на угле. Инженеры завода развернули модель нейронной сети для прогнозирования оптимальной нагрузки на поглотитель, учитывающей качество угля на корме и влажность окружающей среды. Это снизило потребление пара для регенерации растворителя на 12%, что эквивалентно уменьшению вспомогательной нагрузки на 3 МВт. Модель еженедельно переобучается со свежими эксплуатационными данными, что позволяет непрерывно учиться по мере изменения подачи угля.

Прямая воздушная пленка с поддержкой ИИ в Climeworks

Climeworks, швейцарская компания по прямому захвату воздуха (DAC), управляет модульными блоками, которые захватывают CO₂ из окружающего воздуха с использованием процесса адсорбции с температурным качанием. Каждый модуль оснащен десятками датчиков, измеряющих температуру, влажность, скорость вращения вентилятора и CO₂ концентрации. Компания использует облачную платформу ИИ для организации коллективного поведения сотен модулей на своем заводе Orca в Исландии. Алгоритмы обучения с подкреплением решают, когда инициировать новый цикл адсорбции, корректируя погодные условия, которые влияют на способность захвата. Climeworks сообщает, что график, управляемый AI, увеличил годовой выход CO₂ на 25% по сравнению со статическим графиком, критическим фактором для того, чтобы сделать DAC экономически жизнеспособным.

ИИ в улавливании углерода для переработки природного газа (Petronas)

Petronas, малазийская нефтегазовая компания, разработала цифровой двойник на основе ИИ своего завода по удалению CO₂ в Бинтулу. Цифровой двойник интегрирует моделирование процесса с данными в реальном времени и использует модель глубокого обучения для прогнозирования производительности блоков разделения мембран. Когда модель обнаружила, что селективность мембраны дрейфовала из-за загрязнения, он вызвал последовательность очистки до того, как захваченная CO₂ чистота упала ниже требуемых 95%. Этот прогнозирующий подход снизил частоту автономной очистки на 30%, увеличив пропускную способность завода на 18 000 тонн CO₂ в год.

Преодоление проблем в захвате углерода с помощью ИИ

Качество и доступность данных

Производительность моделей ИИ напрямую зависит от качества и количества обучающих данных. Многие установки по улавливанию углерода не имеют комплексного охвата датчиками или имеют плохо маркированные данные из ручного отбора проб. Шумные или отсутствующие данные могут привести к ненадежным прогнозам. Методы обучения передаче, где модели предварительно обучены синтетическим данным из тренажеров процессов, а затем отточены с ограниченными реальными данными, демонстрируют многообещающие результаты. Кроме того, федеративные подходы к обучению позволяют нескольким заводам обмениваться идеями моделей, не раскрывая запатентованные эксплуатационные данные.

Обобщение моделей и надежность

Модель, обученная на данных с одного завода, может плохо работать на другом из-за различий в химии растворителей, конструкции оборудования или составе сырья. Разработка надежного ИИ, который обобщает на объектах, остается активной областью исследований. Физики-информированные нейронные сети (PINN), которые встраивают законы сохранения и термодинамические ограничения в архитектуру модели, с большей вероятностью будут правильно экстраполировать за пределы диапазона данных обучения.

Интеграция с системами управления Legacy

Многие существующие блоки улавливания углерода полагаются на многолетние распределенные системы управления (DCS), которые не предназначены для взаимодействия с двигателями рекомендаций ИИ. Модернизация требует тщательного планирования кибербезопасности и часто добавления шлюза для краевых вычислений. Однако новые установки включают аппаратное обеспечение, готовое к ИИ, с самого начала, со стандартными интерфейсами OPC-UA и облачным подключением.

Регуляторные и операционные риски

Регуляторные рамки для улавливания углерода все еще развиваются. Операторы могут нерешительно полностью доверять ИИ для автономного управления в критических системах безопасности. Общее смягчение заключается в реализации ИИ в качестве “co-пилота ” который предоставляет рекомендации операторам-людям, с опцией ручного переопределения. Со временем, по мере накопления данных о сборке и проверке доверия, операторы могут перейти к “lights-out ” автономной работе, особенно для рутинной оптимизации.

Будущие направления и путь вперед

Автономные углеродные захватные установки

Заглядывая в будущее, ожидается, что ИИ позволит полностью автономные системы улавливания углерода. Эти установки будут регулировать скорость улавливания и потребление энергии в режиме реального времени на основе цен на электроэнергию, затрат на выбросы и требований к хранению или использованию. Цифровые двойники будут моделировать & #8220; что-если & #8221; сценарии для обслуживания или изменений процесса, и ИИ будет выполнять оптимальные стратегии без вмешательства человека. Концепция & #8220; Fleet AI & #8221; (множество установок, координируемых центральным агентом оптимизации) также появляется, позволяя портфелю объектов улавливания сбалансировать региональные ограничения сети и коллективно достигать чистых отрицательных выбросов.

Искусственный интеллект для CO₂

Улавливание углерода — это только половина истории; ИИ также оптимизирует преобразование захваченного CO_]2 в ценные продукты. Например, при электрохимическом сокращении до монооксида углерода, формиата или метанола модели ИИ предсказывают идеальную каталитическо-клеточную композицию, потенциал клеток и поток электролитов для максимизации селективности продукта. Команда из Университета Торонто использовала байесовскую оптимизацию для обнаружения медно-серебряного сплава, который производит углеводороды C2+ (такие как этилен) с фарадаиновой эффективностью 68%, что является рекордом на момент публикации.

Усовершенствованный мониторинг геологического хранения

После того, как CO_]2 вводится в подземные резервуары, ИИ может обрабатывать сейсмические данные, показания давления и измерения спутниковых InSAR для мониторинга миграции шлейфа и обнаружения утечек. Модели глубокого обучения, обученные синтетическому моделированию резервуаров, могут идентифицировать микросейсмические события, указывающие на реактивацию разлома, обеспечивая раннее предупреждение операторам. Эта способность имеет решающее значение для общественного принятия и нормативного соответствия проектов долгосрочного хранения.

Заключение

Искусственный интеллект не является серебряной пулей для изменения климата, но он является незаменимым инструментом для повышения эффективности, доступности и масштабируемости процессов улавливания углерода. От управления процессами в реальном времени, которое сокращает энергетические штрафы, до прогностического обслуживания, которое сокращает время простоя, до генеративных моделей, которые ускоряют обнаружение превосходных сорбентов, ИИ уже обеспечивает измеримые улучшения по всей цепочке создания стоимости CCUS. По мере роста доступности данных и созревания алгоритмических методов интеграция ИИ в улавливание углерода будет углубляться, переходя от консультативных систем к полностью автономной работе. Путь к чистым нулевым выбросам требует каждой жизнеспособной технологии при ее лучшей производительности. Оптимизация улавливания углерода на основе ИИ является критическим фактором, который может помочь довести эту технологию до необходимого масштаба и стоимости достаточно быстро для достижения глобальных климатических целей.