Makine Öğrenmesi Karbon Yakalama Sistemleri Nasıl Yeniden Şekilleniyor

İklim değişikliği acil bir eylem talep ediyor ve karbondioksiti azaltmak (CO2) emisyonları küresel çabaların merkezinde oturuyor. Karbon yakalama ve depolama (CCS) teknolojisi, temel olarak CO2'yi atmosfere ulaşmadan önce ele almalarına izin veriyor. Ancak geleneksel CCS sistemleri zorluklarla karşı karşıya: yüksek enerji tüketimi, operasyonel yetersizlikler ve dik maliyetler.

Gerçek zamanlı sensör verilerini analiz ederek, ekipman başarısızlıklarını tahmin edin ve kimyasal süreçleri optimize ederek ML, verimlilik ve maliyet azaltımı konusunda ölçülebilir kazanımlar sağlar.Bu gelişmeler teorik değildir - önde gelen araştırma kurumları ve ticari bitkiler zaten bu algoritmaların nasıl çalıştığını ve endüstriyel dekarbonizasyon veya çevresel teknoloji ile ilgili herkesin değer kattığını anlamakla ilgili olarak ML-güdümlü çözümler dağıtmaktadır.

Vakıf: Endüstriyel Ayarlarda Makine Öğrenme Nasıl Çalışıyor

Makine öğrenimi, her senaryo için açık olarak programlanmış olmadan verilerin modellerini öğrenmek için ifade eder. Endüstriyel bağlamda, bu modeller sensörler, kontrolörler ve laboratuvar analizlerinden gelen tarihi ve gerçek zamanlı veriler. Daha sonra operatörlerin hareket edebileceği tahminler veya öneriler üretirler.

Karbon yakalama sistemleri için, ML modelleri genellikle üç temel görevi ele alır:

  • [FONT:0)Process optimizasyon[[DÜT:1) - CO2 yakalamanın en verimli çalışma koşullarını tanımlamak
  • [FONT:0) Tahmin edici bakım[Dönetici: 1 ) - bu işlemden önce bileşen aşınması veya başarısızlığı tahmin ediyor
  • [FONT:0)Kalite kontrolü[[DÜT:1) - yakalamalı CO2 depolama veya kullanım için saflık standartlarını karşılıyor

Her görev farklı bir algoritmak yaklaşım gerektirir. Reggresyon modelleri, sinir ağları ve tüm oyun rollerini gerekli verilere bağlı olarak birleştirir. kritik ortak faktör, ML modellerinin daha fazla eğitim verileri aldıkları gibi zamanla daha değerli hale getirdiğidir, onları yakalamak için bitkileri yakalamak için daha değerli hale getirmektir.

Gerçek Zaman İzleme ve Dinamik Optimizasyon

Karbon yakalama tesisleri sürekli değişen koşullar altında çalışır: flue gaz kompozisyonu değişiklikleri, ortam sıcaklıkları dalgalanmak ve kimyasal çözücüler bozuldu. Geleneksel kontrol sistemleri sabit küme noktaları veya basit geri bildirim döngülerine güvenmektedir, bu da zirve verimliliğini korumak için yeterince hızlı adapte olamaz.

ML algoritmaları bunu sensör verileri her saniye işleme ve sıcaklık, basınç, çözücü akış oranı ve yenilenme enerji girişi gibi parametreleri ayarlayarak çözebilir. Örneğin, bir sinir ağı modeli, flue gazındaki CO2 konsantrasyonunun, yakalama performansı olmadan enerjiyi azaltmasını ve kurtarmasını sağlar.

Yönetim ve Yeniden Üretim

Post-combustion yakalamadaki en enerji yoğun adımlardan biri, ele geçirilen CO2. ML modellerini serbest bırakmak için kimyasal çözümü ısıtmak, en iyi yenilenme ısısını, bazı pilot çalışmalarda yüzde 10-20 oranında tahmin edebilir.

Araştırmacılar CCD'de:0)IEA Sera Gaz R&D Programı), adaptive ML kontrolörlerinin, toplam orantılı olarak% 15'e kıyasla% 15'e kadar CCS enerji cezasını azaltabileceğini gösterdi.

Değişken Emisyon Kaynağı

Tüm endüstriyel emisyonlar aynı değildir. Bir çimento bitkisi, doğal gaz santrallerinden veya çelik değirmeninden farklı flore gazı kompozisyonu üretir. ML modelleri birden fazla kaynak türünden veri üzerinde eğitilebilir, manuel recalibrasyon olmadan beslemeleri değiştirmek için tek bir yakalama sistemi sağlar. Bu esneklik CCS teknolojisi ile mevcut tesislerin görünümünde önemlidir.

Öngörücü Bakım: Başarısızlıkları Olmadan Önce Önleme

Karbon yakalama sistemleri pompalar, kompresörler, ısı değiştiricileri ve absorpsiyon sütunları içerir - tüm korozyona, ölçeklendirmeye ve mekanik aşınmaya konu. beklenmedik bir süre günde yüzlerce dolar mal olabilir ve atmosfere kapalı emisyonlar serbest bırakabilir.

Tahmin edici bakım, vibrasyon verilerini analiz etmek için ML kullanır, sıcaklık eğilimleri, basınç farkları ve kimyasal analiz sonuçları erken bozulma belirtileri tanımlamak için sonuçları kullanır. Örneğin, anomaly algılama algoritması, bir absorpsiyon sütunu boyunca baskıda kademeli bir artış gösterebilir, bu da o çözücülerin malzemelerini kötüye yönlendirdiğini gösterir.

Real-World Deployment at Scale

Enerji Ulusal Enerji Teknolojisi Laboratuvarı [Dönetici:0)U.S. Enerji Ulusal Enerji Teknolojisi Laboratuvarı [Dönetici: 0,0)) tarafından belirlenen bir pilot ölçekli yakalama sistemine entegre edilmiş araştırmacılar, pompa mühürleme hataları tahmin edilen yüzde 90'dan fazla bir süre içinde elde edilen model, doğru bir eylemde başarısız olmaktadır. Benzer yaklaşımlar Norveç, Kanada ve ABD'de ticari tesislerde kabul edilir.

Bakım Maliyetlerini Yeniden Üretmek

Felaketten kaçınmanın ötesinde, tahmin edici bakım genel bakım harcamalarını azaltır. Sabit bir programdaki bileşenleri yerine - genellikle mükemmel işlevsel parçalar yerine - operatörler sadece veri gerekli olduğunda hizmet ekipmanlarını kullanabilir.Bu koşul tabanlı yaklaşım, bir yakalama tesisinin ömrünün yüzde 25-40'ı azaltabilir, endüstri analizine göre [FONTS Enstitüsü).

Makine Öğrenme ile Yakalama Kimyasını Geliştirmek

Kimyasal absorpsiyon en olgun karbon yakalama teknolojisidir, ancak çözücüleri seçmek ve karıştırmak hala büyük ölçüde bir deneme-ve-terör sürecidir. ML, düşük yeni enerji ile yüksek CO2 kapasiteyi birleştiren binlerce çözücü formülasyonunu hızlı bir şekilde kullanarak, düşük yenileme enerjisi ile birleştiren adaylar tespit eder.

Mimari ve Formülasyon

Bir dönüm noktasında yayınlanan bir dönüm noktası:0) Doğası İletişim) , araştırmacılar, 10.000'den fazla amine dayalı çözücü özelliklerini tahmin etmek için grafik sinir ağları kullandılar.

Bu yaklaşım amines. ML modelleri, iyonik sıvıları, metal-organik çerçeveleri (MOF) ve doğrudan hava yakalama uygulamaları için membran malzemelerinin hesaplanmasıyla sınırlı değildir. pahalı sentez çalışmasına başlamadan önce tahmin edilen adaylar, karbon yakalaması için malzemeler bilimi ile ilgili bir paradigma değişikliği temsil eder.

Operasyon sırasında Adaptif Bir Şekilde

En iyi bir çözücü ile bile, bir yakalama sütunu içindeki koşullar zamanla değişir.Firma bozulma, yetersizliklerin birikimi ve tüm performansları etkileyen ısıtımı.Inline spectroskop ve pH verileri, bir çözücü kümesinin bozulduğu ve düzeltmeleri tavsiye ettiği zaman tespit edebilir - sıcaklık artışı gibi - faydalı ömrünü uzatmak için.

Norveç'te pilot denemeler, yüksek çözünürlükte maliyetleri ve çevresel etkilerini yüzde 35 azalttı.

ML ile Carbon captured System Design

Makine öğrenimi sadece operasyonel bir araç değildir - aynı zamanda ilk etapta sistemleri nasıl tasarlanır. Geleneksel süreç tasarımı, performans garanti etmek için sabit devlet simülasyonları ve güvenlik faktörlerine dayanır. ML, veri odaklı tasarım optimizasyonunu sağlar, tarihsel bitki verilerini daha doğru sistem davranışını oluşturmak için kullanır.

Karbon Yakası için Dijital Twins

Dijital ikiz, sensör verilerine dayanan gerçek zamanlı olarak güncelleme yapan fiziksel bir sistemin sanal bir kopyasıdır. Karbon yakalama tesisleri için ML-güdümlü dijital ikizler, mühendislerin onları canlı ekipman üzerinde uygulamadan önce işlem modifikasyonlarını test etmelerine izin verir. Bu, risk ve kısa süre boyunca yeni işletim stratejileri ayarlaması için gereken süreyi azaltır.

Dijital ikizler aynı zamanda operatör eğitimi de destekliyor. Gerçek sonuçları taşıyan canlı bir bitki üzerinde öğrenmek yerine, operatörlerin gerçek sistem gibi davranan binlerce operasyonel verileri içeren yanlış koşullarla uğraşabiliyor.AspenTech)AspenTech gibi şirketler, özellikle karbon yakalama uygulamaları için tasarlanmış dijital ikiz platformlar sunuyor.

Optimal Plant Layout ve Sizing

ML modelleri, siteye özgü faktörleri analiz edebilir - flore gazı hacmi, kompozisyon değişkenliği, ortam sıcaklık modelleri ve elektrik fiyatları - her bileşen için en uygun boyut tavsiye etmek için. Bu, modüler yakalama sistemleri için özellikle değerlidir, birden aynı birimlerin 12 tane absorpsiyon modüle ihtiyacı olduğunu belirleyebilir, ancak sadece 10 yenilenme ünitesini tasarruf eder, performanstan ödün vermeden sermaye harcamalarını sağlar.

Uygulamada Ekonomik ve Çevresel Faydaları

ML-güdümlü optimizasyon, tahmin edici bakım ve çözücü yönetim kombinasyonu ölçülebilir alt-line sonuçlar verir. Erken kabul edilenler raporu, ML-enhanced kontrolleri olmadan çalışan 15-30'un maliyeti azaltımıyla karşılaştırıldığında.Bu tasarruflar düşük enerji tüketiminden gelir, kimyasal kullanımdan, daha az serbest ekipman ömründen azaltır.

Çevresel performans ekonomi ile birlikte geliştirir. Yüksek yakalama verimliliği, tüketilen enerji birimine daha fazla CO2 kaldırıldı, yakalama sürecinin genel karbon ayak izinini azaltır. Ek olarak, katı bozulmadan daha az kimyasal emisyonlar yerel çevresel etkiler azaltır. operatörler için karbon kredi veya düzenleyici uyum arayışı, bu gelişmeler doğrudan CCS operasyonlarının değerini artırır.

Vaka Çalışması: Avrupa Pilot Bitki Sonuçları

Hollanda'da bir enerji şirketinin bir konsorsiyumu tarafından işletilen bir pilot bitki, 18 ay boyunca ML optimize edilmiş bir yakalama sistemi test etti. ML kontrolörlü yeniden yapılandırma parametrelerini, grip gaz kompozisyon ölçümlerine dayanarak gerçek zamanlı olarak test etti. Sonuçlar ortalama CO2 yakalama oranında yüzde 15 artış gösterdi -% 85'ten yüzde 12'ye kadar - aynı anda restore edilmiş buhar tüketimini yüzde 12 azalttı. Tesis şimdi Kuzey Denizi bölgesinde planlanan ticari ölçekli projeler için bir referans tasarımı olarak hizmet vermektedir.

Vaka Çalışması: Kanada Petrol Sands Uygulama

Alberta, Kanada, bir petrol kumları operasyonu entegre ML- bazlı tahmin edilebilir bakım, buhar destekli yerçekimi drenaj (SAGD) tesislerinden emisyonları ele geçirebilecek şekilde, planlanmamış kesinti süresi yüzde 60 oranında azaldı ve bakım maliyetleri yüzde 35 azaldı.

Meydanlar ve Sınırlar

Sözcülüğe rağmen, karbon yakalama sistemlerinde makine öğrenimi engelsiz değildir. Data kalitesi birincil bir endişe kalır.Mevcut yakalama tesisleri yüksek çözünürlüklü oluşturmak için gerekli olan sensör altyapısından yoksundur, ML modellerinin gerektirdiği etiketli veriler pahalı olabilir ve tarihsel veriler, modelin karşılaşacağı tüm çalışma koşullarını yakalayamaz.

Model yorumlaması başka bir konudur. Deep sinir ağları - çoğu zaman karmaşık işlem modellemesi için en doğru - operatörler için özel bir önerinin neden yapıldığını anlamak için zorlaşıyor. Endüstriyel uygulamalar için Efforts devam ediyor, ancak çoğu karbon yakalama tesisi henüz opak modellerinden tamamen bağımsız olarak kararlara güvenmeye hazır değil.

Cybersecurity ayrıca dikkat gerektirir. Bitki kontrollerine doğrudan erişim sağlayan bir ML kontrolörü potansiyel bir saldırı yüzeyi temsil eder. Operatörler kötü niyetli aktörlerin model girişlerini veya çıktılarını manipüle etmesini engellemek için sağlam güvenlik çerçevelerini uygulamalıdır.

Son olarak, yeteneklerin boşluk göz ardı edilemez.İşletme ve ML sistemlerinin sürdürülmesi, her iki makineyi öğrenme ve süreci mühendisliğini anlayan veri bilim insanları ve yazılım mühendisleri gerektirir. Bu tür yetenekleri çekme veya trenle mücadele etmek bu teknolojilerin tam faydalarını anlamak için mücadele edecektir.

Future: ML ve Karbon Yakası Nerede Başlanır

İleriye bakıldığında, birkaç gelişme CCS ile makine öğreniminin entegrasyonunu hızlandıracak. Düşük maliyetli, yüksek hacimli diyot lazer absürtoskopi ve dağıtılmış fiber optik sıcaklık algılaması dahil olmak üzere, ML modellerinin sömürülmesi için zengin veri akışları sağlayacaktır.

Edge Computing, ML inference'in doğrudan bitki-floor donanımını, gecikme süresini azaltıp bulut bağlantılarına güvenmeksizin gerçek zamanlı kontrol kararlarına izin verecek. Bu, özellikle ağ güvenilirliğinin sınırlı olabileceği uzak veya açık karbon yakalama tesisatları için önemlidir.

Dondurucu öğrenme (RL) – algoritmaların deneme ve hata yoluyla en iyi eylemleri öğrendiği bir kod – özellikle karbon yakalama konusunda umut vericidir.Demir örnekleri gerektiren denetimli öğrenme aksine, RL, insan uzmanlarının asla düşünmediği yeni işletim stratejileri keşfedebilir. Erken simülasyonlar, RL kontrolörlerin CCS'nin enerji cezasını % 8-12'i daha da azaltabileceğini önerir.

Federated learning, birçok yakalama tesisinin, ham verileri değiştirmeden paylaşılan ML modellerini işbirliğine izin verecek. Bu yaklaşım, yasal olarak operasyonel bilgileri korurken, Hindistan'daki bir çimento bitkisi ve Almanya'daki bir güç bitkisi hassas süreç ayrıntıları olmadan ortak bir ML modelini geliştirebilecektir.

Doğrudan hava yakalama (DAC) - bu koşullar için CO2'yi doğrudan konsantre endüstriyel akışlardan ziyade, çevresel havadan kaldırmaktadır - aynı zamanda ML. DAC sistemlerinden düşük CO2 konsantrasyonu, nem variability ve şeytanlaştırma yöntemlerine ilişkin zorluklarla karşı karşıya kalacaktır. ML modelleri, mevcut projeksiyonlardan daha erken uygulanabilir.

Operatörler için Uygulama Yolump

ML entegrasyonunu karbon yakalama operasyonlarına göz önünde bulundurarak, bir fazlı yaklaşım genellikle en iyi sonuçları verir:

  1. [[0) Mevcut veri altyapısına sahip olmayan ([Dönetici: 1) - Assess sensör kapsamı, veri girişi frekansı ve tarihsel veri kalitesi. ML modellerinin etkili bir şekilde eğitilmesi gereken boşlukları tanımlayın.
  2. [FONT:0) Tahmin edici bakım ile başlayın[Dönetici: 1) Bu kullanım durumu genellikle en az proses anlayışı gerektirir ve hızlı kazanır. kritik dönen ekipmandaki titreşim ve sıcaklık sensörleri haftalar içinde değer üretmeye başlayabilir.
  3. [FONTNT=0]Implement process optimizasyonu yavaş yavaş yavaş - Operatörlerin sınırlı sayıda kontrole gitmeden önce kabul edebileceği veya reddedebileceği model danışmanlık önerilerine başlayın. Anahtar performans göstergeleri izleyin, yakalama oranı, enerji tüketimi ve çözücü kullanımı gibi.
  4. [FONT:0]Scale to Diesel management and design) - Operatör güven büyüdükçe, formülasyon optimizasyonu, dijital ikiz gelişimi ve bitki tasarımı desteği içerecek ML uygulamaları genişletin.
  5. [FONT:0) İç kapasitenin oluşturulması[Dönetici: 1) Veri bilim temellerinde süreç mühendisleri için eğitimde yatırım yapmak ve kimya mühendisliği alanında bilgi bilim insanlarıyla ilgili bilgi bilim insanları işe almak. Üniversitelerle ortaklıkları düşünün veya öğrenmeleri hızlandırmaları için özel danışmanlık yapın.

Alt Hattı: ML Karbon Daha Fazla Yakaladı

Makine öğrenimi iklim değişikliği için gümüş bir mermi değil, ancak karbon yakalama teknolojisi için güçlü bir olasılıktır. Gerçek zamanlı olarak operasyonları optimize ederek, daha iyi çözücülerin keşfini tahmin edin ve daha iyi çözücülerin keşfini hızlandırın, MLS dağıtımını tarihsel olarak sınırlı olan temel engellere değinir: yüksek maliyet, düşük verimlilik ve operasyonel karmaşıklığı.

Veri toplaması olgunlaşır ve algoritmaları geliştirirken, ML ve karbon yakalama arasındaki sinerji sadece daha güçlü büyüyecek. Bugün bu entegrasyona yatırım yapan tesisler sadece daha düşük maliyetle CO2 yakalamayacaktır - aynı zamanda operasyonel zekanın yakalanması için gerekli olan karbon düzenlemeleri daha da büyük ve piyasalar elde etmek zorunda kalacaklar.

Net-zero emisyonlarının yolu her yıl milyarlarca ton CO2 alan endüstriyel tesislerle çalışır. Makine öğrenimi, ekonomik viability devam ederken ayak izlerini azaltmak için pratik, ölçeklenebilir bir yol sunar.