Використання машинного навчання для прогнозування викидів амінів
Одна з причин глобального потепління полягає у величезній кількості викидів вуглекислого газу. Ці викиди породжуються головним чином у процесі генерації електроенергії та промислових виробництв, таких як виготовлення сталі та цементу. Наразі інженери-хіміки вивчають процес уловлювання вуглецю, який може відокремлювати вуглекислий газ і зберігати його таким чином, щоб він не потрапляв в атмосферу.
Концепція уловлювання вуглецю – ефективний спосіб зниження викидів парникових газів. Спеціальні заводи з уловлювання вуглецю працюють на основі амінової технології, використовуючи аміни – хімічні сполуки, які можуть розчиняти вуглекислий газ. Також аміни застосовуються в багатьох галузях, таких як фармацевтика, виробництво епоксидних смол та барвників.
Проблема полягає в тому, що аміни можуть бути потенційно небезпечними для навколишнього середовища, а також завдавати шкоди здоров'ю, тому дуже важливо пом'якшити їхню дію. При використанні амінів в установках з уловлювання вуглецю також необхідно контролювати викиди, що є складним завданням через технологічну різницю між установками.
Команда вчених зі Школи фундаментальних наук EPFL та Дослідницького центру вуглецевих рішень Університету Херіот-Ватт розробила рішення, що використовує машинне навчання для прогнозування викидів амінів на установках з уловлювання вуглецю. Рішення пройшло експериментальні випробування на реальному заводі в Німеччині під керівництвом групи професора Беренда Сміта зі Школи фундаментальних наук EPFL та професора Сусани Гарсія з Дослідницького центру вуглецевих рішень Університету Херіот-Ватт у Шотландії.
Дослідження проводилися на найбільшій вугільній електростанції у Німеччині, де на пілотній установці вже більше року тестується розчин аміну наступного покоління. Однак проблемою залишається той факт, що аміни можуть виділятися з димовими газами, і викиди амінів мають бути контрольовані.
Професор Сусан Гарсія разом із власником заводу, RWE та TNO в Нідерландах, розробила стрес-тест для вивчення викидів амінів за різних технологічних умов. Професор Гарсія описує, як відбувалося випробування: «Ми розробили експериментальну кампанію, щоб зрозуміти, як і коли генеруватимуться викиди амінів. Але деякі наші експерименти також потребували втручання операторів заводу, щоб забезпечити його безпечну роботу».
Ці втручання призвели до питання, як інтерпретувати дані. Чи є викиди амінів результатом самих стрес-тестів чи втручання операторів опосередковано вплинуло викиди? Це було ще більше ускладнено загальним нерозумінням вчених механізмів, що лежать в основі викидів амінів.
«Якщо коротко, у нас була дорога та успішна кампанія, яка показала, що проблемою є викиди амінів, але на момент проведення дослідження не було інструментів для подальшого аналізу даних,» – повідомляє Сміт.
Це насправді виглядало як проблема, яку не розв'язати. Усі вимірювання проводилися кожні п'ять хвилин і збирали багато даних. І тоді Кевін Майк Яблонка вирішив використати машинне навчання для розпізнавання образів, щоб прогнозувати майбутні викиди амінів на основі заводських даних. Завдяки використанню нової моделі прогнозування викидів амінів, дослідникам вдалося відокремити викиди, викликані втручанням операторів, від викидів, спричинених стрес-тестом.
Модель показала, що деякі втручання мають протилежний вплив на викиди компонентів розчинника. Таким чином, стратегії пом'якшення наслідків, необхідні для установок уловлювання, що працюють на однокомпонентному розчиннику (наприклад, моноетаноламін), необхідно переглянути, якщо вони працюють з використанням суміші амінів.
«Я з великим ентузіазмом ставлюся до потенційного впливу цієї роботи; це абсолютно новий погляд на складний хімічний процес», – каже Сміт. «Цей тип прогнозування не можна зробити за допомогою якогось із традиційних підходів, тому він може змінити принципи роботи на хімічних підприємствах».