90 后学霸博士 8 年进击战：用机器学习为化工研究叠 BUFF

news2024/11/20 4:50:32

本文首发自微信公众号：HyperAI超神经

内容一览：ScienceAI 作为近两年的技术热点，引起了业界广泛关注和讨论。本文将围绕 ScienceAdvances 的一篇论文，介绍如何利用机器学习，对燃煤电厂的胺排放量进行预测。

关键词：AI for Science 化学工程胺排放

国际能源署公布的报告显示，2021 年全球能源相关的CO2 排放量较 2020 年增长 6%，达到 363 亿吨，创历史新高。

其中 CO2 排放量增幅最大的是发电和供热行业，增幅超过 9 亿吨，占全球 CO2 排放量增幅的 46%。控制并减少发电及供热行业 CO2 排放量刻不容缓。

2021 年各行业 CO2 排放量的年度变化

蓝色表示年度变化，红点表示净变化

查看 2021 全球 CO2 排放完整报告

碳捕捉：减少温室气体排放、实现变废为宝

在《中国电力行业碳达峰、碳中和的发展路径研究》中，行业专家给出了降低电力行业 CO2 排放量的三种改变措施：

1、大力发展风电、水电、核电等低碳电源，抛弃煤电、油电等高碳电源

2、对于燃煤电厂，用天然气、秸秆、生物质等低碳燃料，代替煤炭进行发电

3、利用碳捕捉技术，对燃煤电厂排放的 CO2 进行捕捉利用

其中，碳捕捉因为改造幅度小、想象空间大、具备变废为宝的能力，备受商业公司、能源公司以及电力行业科研院所的关注。

电厂中的碳捕捉设备

碳捕捉是指利用 CO2 和胺类物质发生反应，捕捉电厂释放到大气中的 CO2 并进行压缩，封存至枯竭的油田、天然气领域，或其他安全的地下场所，供后续石油开采、冶炼、汽车等产业利用。

然而，CO2 在与胺类物质发生反应的过程中，也会产生危害公共健康和生态系统的胺排放，有效监控并预测不同电厂的胺排放，成为碳捕捉的一大难点。

近日，由洛桑联邦理工学院和赫瑞瓦特大学组成的研究小组，开发出了一种机器学习方法，可依据电厂过往数据，更准确地预测碳捕捉过程中胺类有害气体的排放量。目前该论文已发表在 ScienceAdvances 上。

完整论文

论文详解：用机器学习技术解决化学问题

1、先导工场试验

碳捕捉工场非常复杂，因为过程模型 (process model) 通常侧重于捕捉 steady-state 运行。然而，当前和未来发电厂的设计和运行，需要考虑到可再生能源发电份额的增加，这种增加是间歇性的、不规律的，因此还需要考虑到 steady-state 之外运行的动态和多变量行为。

为了模拟未来电厂运行的间歇性，科研人员对德国 Niederaußem 发电厂先导工场 (pilot plant) 的捕获装置，进行了一系列压力测试，试图发现电厂间歇性运行与胺排放量的关系。

Niederaußem 燃烧后碳捕捉先导工场的简化流程示意图

实验虽然积累了大量捕捉工场行为的数据，但无法利用这些数据定性预测未来的胺排放，因为除压力测试外，实验过程中还存在另一变量--电厂专业人员的干预，以确保实验期间工场的安全运行。

2、获取数据集

先导工场实验中，科研人员每 5 分钟进行一次数据采集，积累了庞大的数据量，如何把这些数据转化成可供机器学习模型使用的数据集，成为研究重点。

科研人员的方法是把 time-dependent 过程及排放数据，表示成图像（数据矩阵），基于此创建预测模型，然后借助机器学习技术进行模式识别，预测胺排放。

在这种表示法中，工场在给定时间 t 定义了一个 state 特征向量 x(t)，其中 p 元素表示过程变量（如烟气温度和水洗温度)。

取 t 个时间戳的工场 state 向量，得到一个 t × p 的矩阵。这个矩阵可以被看作是一个「图像」，与未来的排放曲线 y(t) 相连。

数据表示示意图

本实验中用到的数据可以看作一张「图像」，其中：

宽度=输入序列 (T) 的长度

高度=参数数量 p

颜色=参数 xj 在某个时间 ti 的值

接下来，将工场历史图像中的 pattern，与特定的未来排放进行联系。为此，科研人员采用了梯度增强的决策树模型，将描述不同参数和排放量的行 (row) 合并为一个长向量。用分位数损失 (quantile loss) 训练模型，以获得不确定性评估 (uncertainty estimate)。

评估不确定性时，科研人员采用了支持蒙特卡洛 dropout 的时间卷积神经网络 (temporal convolutional neural network) ，并在 note S8 中展示用这个模型获得的结果。

有了这个数据集，就可以借助数据科学方法，开发一个机器学习模型进行数据分析。