使用机器学习预测胺排放

全球变暖的部分原因是我们释放的大量二氧化碳，主要来自发电和工业过程，例如炼钢和水泥。一段时间以来，化学工程师一直在探索碳捕获，这是一种可以分离二氧化碳并以使其远离大气的方式储存的过程。

这是在专门的碳捕获工厂中完成的，其化学过程涉及胺类化合物，这些化合物已用于从天然气加工和精炼厂捕获二氧化碳。胺也用于某些药物、环氧树脂和染料。

问题在于，胺类还可能对环境和健康造成潜在危害，因此必须减轻它们的影响。这需要准确监测和预测工厂的胺排放量，这已被证明并非易事，因为碳捕获工厂非常复杂且彼此不同。

一组科学家提出了一种机器学习解决方案，用于使用德国一家实际工厂压力测试的实验数据来预测碳捕获工厂的胺排放量。这项工作由 EPFL 基础科学学院的 Berend Smit 教授和苏格兰赫瑞瓦特大学碳解决方案研究中心的 Susana Garcia 教授领导。

“实验是在德国最大的燃煤电厂之一的 Niederhauẞen 进行的，”Berend Smit 说。“从这个发电厂，一股气流被送入碳捕集试验工厂，在那里对下一代胺溶液进行了一年多的测试。但突出的问题之一是胺类会随烟气排放，需要控制这些胺类排放。”

Susana Garcia 教授与工厂所有者RWE和荷兰的TNO一起开发了压力测试，以研究不同工艺条件下的胺排放。Garcia 教授描述了测试的进行情况：“我们开展了一项实验活动，以了解胺排放物的产生方式和时间。但我们的一些实验也引起了工厂操作员的干预，以确保工厂安全运行。”

这些干预导致了如何解释数据的问题。胺排放是压力测试本身的结果，还是运营商的干预间接影响了排放?由于我们普遍缺乏对胺排放背后机制的理解，这进一步复杂化。“简而言之，我们开展了一项耗资巨大且成功的活动，表明胺排放可能是一个问题，但没有进一步分析数据的工具，”Smit 说。

他继续说道：“当 Susana Garcia 向我提到这件事时，这听起来确实是一个无法解决的问题。但她也提到，他们每五分钟测量一次，收集很多数据。而且，如果我的团队中有人可以用数据解决不可能的问题，那就是凯文。” 博士生 Kevin Maik Jablonka 开发了一种机器学习方法，将胺排放难题转化为模式识别问题。

“我们想知道如果我们不进行压力测试而只进行操作员干预，排放量会是多少，”Smit 解释道。这与我们在金融领域可能遇到的问题类似;例如，如果你想评估税法变化的影响，你想将税法的影响与乌克兰危机造成的干预措施区分开来。”

在下一步中，Jablonka 使用强大的机器学习从工厂数据中预测未来的胺排放量。他说：“通过这个模型，我们可以预测运营商干预造成的排放，然后将它们与压力测试引起的排放分开。此外，我们可以使用该模型来运行各种减少这些排放的情景。”

这个结论被描述为“令人惊讶”。事实证明，试验工厂是为纯胺设计的，但测量实验是在两种胺的混合物上进行的：2-氨基-2-甲基-1-丙醇和哌嗪 (CESAR1)。科学家们发现，这两种胺实际上以相反的方式做出反应：减少一种胺的排放实际上增加了另一种的排放。

“我对这项工作的潜在影响非常热心;这是一种看待复杂化学过程的全新方式，”Smit 说。“这种预测不是任何传统方法都能做到的，因此它可能会改变我们运营化工厂的方式。”