Machine Learning zur Vorhersage von Aminemissionen

- EN- DE - FR- IT
Machine Learning zur Vorhersage von Aminemissionen

Wissenschaftler der EPFL und der Heriot-Watt-Universität haben eine Machine-Learning-Lösung entwickelt, um potenziell schädliche Aminemissionen, die von CO2-Abscheidungsanlagen erzeugt werden, genau vorherzusagen.

Ein Grund für die globale Erwärmung ist die große Menge an Kohlendioxid, die wir ausstoßen, hauptsächlich bei der Stromerzeugung und bei industriellen Prozessen wie der Herstellung von Stahl und Zement. Chemieingenieure und -ingenieurinnen beschäftigen sich schon seit einiger Zeit mit der Kohlenstoffabscheidung. Dabei wird Kohlendioxid abgetrennt und so gespeichert, dass es aus der Atmosphäre ferngehalten wird.

Dies geschieht in sogenannten Kohlenstoffabscheidungsanlagen, deren chemischer Prozess die Verwendung von Aminen beinhaltet. Dabei handelt es sich um Verbindungen, die bereits zur Abscheidung von Kohlendioxid in Erdgasverarbeitungs- und -raffinationsanlagen verwendet werden. Amine werden auch in einigen Arzneimitteln, in Epoxidharzen und in Farbstoffen verwendet.

Das Problem ist jedoch, dass Amine potenziell sowohl für die Umwelt als auch für die Gesundheit gefährlich sein können, weshalb ihre Auswirkungen begrenzt werden müssen. Dazu müssen die Aminemissionen eines Kraftwerks genau überwacht und vorhergesagt werden, was sich als schwierig erweist, da die Kraftwerke zur Kohlenstoffabscheidung komplex und unterschiedlich sind.

Ein Team von Wissenschaftlern hat eine Machine-Learning-Lösung entwickelt, um die Amin-Emissionen von CO2-Abscheidungsanlagen vorherzusagen, indem es die experimentellen Daten eines Stresstests in einem echten Kraftwerk mit Sitz in Deutschland verwendet. Die Arbeit wurde von den Teams von Berend Smit von der Fakultät für Grundlagenwissenschaften der EPFL und von Susana Garcia vom Research Centre for Carbon Solutions der Heriot-Watt-Universität in Schottland durchgeführt.

"Die Experimente wurden in NiederhauSSem durchgeführt, in einem der größten Kohlekraftwerke Deutschlands", sagt Berend Smit. "Und von diesem Kraftwerk aus wird Strom in eine Pilotanlage zur Kohlenstoffabscheidung geleitet, wo die Aminlösung der nächsten Generation seit über einem Jahr getestet wird. Aber eines der noch ungelösten Probleme ist, dass mit den Verbrennungsgasen Amine freigesetzt werden können, und diese Aminemissionen müssen kontrolliert werden."

Professorin Susana Garcia hat zusammen mit dem Eigentümer der Anlage, RWE, und in den Niederlanden einen Stresstest entwickelt, um die Aminemissionen unter verschiedenen Verarbeitungsbedingungen zu untersuchen. Professorin Susana Garcia beschreibt den Ablauf des Tests: "Wir haben eine Versuchskampagne aufgebaut, um zu verstehen, wie und wann die Aminemissionen entstehen würden. Einige unserer Experimente führten aber auch dazu, dass die Betreiber und Betreiberinnen des Kraftwerks eingreifen mussten, um sicherzustellen, dass das Kraftwerk sicher arbeitet."

Diese Eingriffe führten zu der Frage, wie die Daten zu interpretieren sind. Waren die Aminemissionen das Ergebnis des Stresstests selbst oder hatten die Eingriffe der Bedienerinnen und Bediener einen indirekten Einfluss auf die Emissionen - Diese Frage war umso komplexer, als unser Verständnis der Mechanismen, die zu Aminemissionen führen, insgesamt unzureichend ist. "Zusammenfassend lässt sich sagen, dass wir eine teure und erfolgreiche Kampagne durchgeführt haben, die gezeigt hat, dass Aminemissionen problematisch sein können, aber wir hatten keine Werkzeuge, um die Daten weiter zu analysieren", sagt Berend Smit.

Er fährt fort: "Als Susana Garcia mir davon erzählte, klang es in der Tat wie ein Problem, das nicht zu lösen war. Aber sie erwähnte auch, dass alles alle fünf Minuten gemessen wird, weshalb viele Daten gesammelt werden. Und, wenn es jemanden in meinem Team gibt, der unmögliche Probleme mit Daten lösen kann, dann ist es Kevin". Kevin Maik Jablonka, Doktorand, hat eine Machine-Learning-Lösung entwickelt, die das Rätsel der Aminemissionen in ein Mustererkennungsproblem verwandelt hat.

"Wir wollten wissen, wie die Emissionen aussehen würden, wenn wir den Stresstest nicht hätten, sondern nur die Eingriffe der Operateure und Operateurinnen", erklärt Berend Smit. Das ist ein ähnliches Problem wie das, dem wir im Finanzbereich begegnen können. Wenn Sie den Effekt von Änderungen im Steuergesetzbuch bewerten wollen, würden Sie den Effekt des Steuergesetzbuchs von den Eingriffen, die beispielsweise durch die Krise in der Ukraine verursacht wurden, abkoppeln wollen".

Im nächsten Schritt setzte Kevin Maik Jablonka ein leistungsstarkes Machine-Learning-System ein, um anhand der Kraftwerksdaten die künftigen Aminemissionen vorherzusagen. Er sagt: "Mithilfe dieses Modells konnten wir die durch die Eingriffe der Bediener und Bedienerinnen verursachten Emissionen vorhersagen und diese dann von den durch den Stresstest induzierten Emissionen abgrenzen. Darüber hinaus konnten wir das Modell nutzen, um alle möglichen Szenarien zur Reduzierung dieser Emissionen durchzuführen."

Dieses Ergebnis wurde als "überraschend" bezeichnet. Es stellte sich heraus, dass die Pilotanlage für ein reines Amin ausgelegt war, doch die Messexperimente wurden mit einer Mischung aus zwei Aminen durchgeführt: 2-Amino-2-methyl-1-propanol und Piperazin (CESAR1). Die Wissenschaftler fanden heraus, dass diese beiden Amine gegensätzlich reagieren: Die Verringerung der Emissionen des einen Amins erhöht die Emissionen des anderen.

"Ich bin sehr begeistert von den möglichen Auswirkungen dieser Arbeit. Es handelt sich um einen völlig neuen Ansatz, um einen komplexen chemischen Prozess zu betrachten", sagt Berend Smit. "Diese Art der Vorhersage ist mit herkömmlichen Ansätzen nicht möglich. Sie könnte daher die Art und Weise, wie wir chemische Anlagen betreiben, verändern."

Referenzen

Kevin Maik Jablonka, Charithea Charalambous, Eva Sanchez Fernandez, Georg Wiechers, Peter Moser, Juliana Monteiro, Berend Smit, Susana Garcia. Machine learning for industrial processes: Forecasting amine emissions from a carbon capture plant. Science Advances 04 January 2023. DOI: 10.1126/sciadv.adc9576.