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了大量的二氧化碳，主要来自发电和工业过程，如制造钢铁和水泥。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完成的，其化学过程涉及胺，这些化合物已经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。

问题在于胺可能对环境有潜在危害，也可能对健康造成危害，因此必须减轻其影响。这需要准确监测和预测工厂的胺排放，这已被证明并非易事，因为碳捕获工厂很复杂并且彼此不同。

一组科学家提出了一种机器学习解决方案，利用德国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。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。

“这些实验是在德国最大的燃煤电厂之一的尼德豪森完成的，”Berend Smit说。“从这个发电厂，滑流被送入碳捕获试验工厂，在那里下一代胺溶液已经过一年多的测试。但其中一个突出的问题是，胺可以用烟气排放，这些胺的排放需要得到控制。

Susana Garcia教授与工厂所有者RWE和荷兰TNO一起开发了一种压力测试，以研究不同工艺条件下的胺排放。加西亚教授描述了测试的进行情况：“我们开发了一项实验活动，以了解如何以及何时产生胺排放。但是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。

这些干预措施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？由于我们对胺排放背后的机制普遍缺乏了解，情况进一步复杂化。“简而言之，我们有一个昂贵而成功的活动，表明胺排放可能是一个问题，但没有工具进一步分析数据，”Smit说。

他继续说：“当苏珊娜·加西亚向我提到这一点时，这听起来确实是一个不可能解决的问题。但她也提到，他们每五分钟测量一次所有东西，收集许多数据。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随后开发了一种机器学习方法，将胺排放难题变成了模式识别问题。

“我们想知道如果我们没有压力测试，而只有运营商的干预措施，排放量会是多少，”Smit 解释道。这是一个类似于我们在金融领域可能遇到的问题;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分开。

下一步，Jablonka使用强大的机器学习技术从工厂数据中预测未来的胺排放。他说：“通过这个模型，我们可以预测操作员干预造成的排放，然后将其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场景。

结论被描述为“令人惊讶”。事实证明，该试验装置是为纯胺设计的，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：减少一种的排放实际上会增加另一种的排放。

“我对这项工作的潜在影响充满热情;这是一种看待复杂化学过程的全新方式，“Smit说。“这种类型的预测不是任何传统方法都可以做到的，因此它可能会改变我们运营化工厂的方式。