مثال تطبيقي للتعلم الآلي في الكيمياء: أمضى أحد الباحثين بعد التسعينيات ثماني سنوات في طريقه ليصبح طالب دكتوراه، مستخدمًا التعلم الآلي لتعزيز أبحاث الهندسة الكيميائية

تم نشر هذه المقالة لأول مرة على الحساب الرسمي: HyperAI المحتويات في لمحة:باعتبارها تقنية رائجة في العامين الماضيين، جذبت ScienceAI اهتمامًا ومناقشة واسعة النطاق في الصناعة. ستركز هذه المقالة على ورقة بحثية من ScienceAdvances وتقدم كيفية استخدام التعلم الآلي للتنبؤ بانبعاثات الأمين من محطات الطاقة التي تعمل بالفحم. الكلمات المفتاحية:الذكاء الاصطناعي للعلوم والهندسة الكيميائية وانبعاثات الأمينات

وأظهر تقرير صادر عن وكالة الطاقة الدولية أن انبعاثات ثاني أكسيد الكربون العالمية المرتبطة بالطاقة في عام 2021 زادت بمقدار 6% عن عام 2020، لتصل إلى 36.3 مليار طن، وهو مستوى قياسي.

وشهدت صناعات توليد الطاقة والتدفئة أكبر زيادة في انبعاثات ثاني أكسيد الكربون.وتجاوزت الزيادة 900 مليون طن، وهو ما يمثل 46% من الزيادة العالمية في انبعاثات ثاني أكسيد الكربون. إن التحكم في انبعاثات ثاني أكسيد الكربون وخفضها في صناعات توليد الطاقة والتدفئة أمر ملح.

اطلع على التقرير الكامل حول انبعاثات ثاني أكسيد الكربون العالمية في عام 2021

احتجاز الكربون: تقليل انبعاثات الغازات المسببة للاحتباس الحراري وتحويل النفايات إلى كنز

في "البحث حول مسار تطوير ذروة الكربون والحياد الكربوني في صناعة الطاقة في الصين"،وقد اقترح خبراء الصناعة ثلاثة تغييرات لتقليل انبعاثات ثاني أكسيد الكربون في صناعة الطاقة:

1.تطوير مصادر الطاقة منخفضة الكربون بقوة مثل طاقة الرياح والطاقة الكهرومائية والطاقة النووية، والتخلي عن مصادر الطاقة عالية الكربون مثل طاقة الفحم والطاقة النفطية

2.بالنسبة لمحطات الطاقة التي تعمل بالفحم، استخدم الوقود منخفض الكربون مثل الغاز الطبيعي والقش والكتلة الحيوية لتحل محل الفحم لتوليد الطاقة

3.استخدام تقنية احتجاز الكربون لالتقاط واستخدام ثاني أكسيد الكربون المنبعث من محطات الطاقة التي تعمل بالفحم

في،إن التقاط الكربون لديه القدرة على تحويل النفايات إلى كنز، وذلك بسبب نطاق تحويله الصغير، ومساحة خياله الكبيرة،وقد حظيت باهتمام كبير من قبل الشركات التجارية وشركات الطاقة ومعاهد البحث العلمي في صناعة الطاقة.

يشير احتجاز الكربون إلى التفاعل بين ثاني أكسيد الكربون والمواد الأمينية.التقاط ثاني أكسيد الكربون المنبعث في الغلاف الجوي من محطات الطاقة، وضغطه، وإغلاقه في حقول النفط المستنفدة، أو حقول الغاز الطبيعي، أو غيرها من المواقع الآمنة تحت الأرض لاستخدامه لاحقًا في استخراج النفط، والصهر، وصناعة السيارات وغيرها من الصناعات.

ومع ذلك، عندما يتفاعل ثاني أكسيد الكربون مع الأمينات، فإنه ينتج أيضًا انبعاثات أمينية ضارة بالصحة العامة والنظام البيئي.لقد أصبح الرصد والتنبؤ الفعال لانبعاثات الأمين من محطات الطاقة المختلفة يمثل صعوبة كبيرة في احتجاز الكربون.

في الآونة الأخيرة، قام فريق بحثي مكون من EPFL وجامعة هيريوت وات بتطوير طريقة تعلم آلي يمكنها استخدام البيانات السابقة لمحطات الطاقةالتنبؤ بشكل أكثر دقة بانبعاثات الغازات الأمينية الضارة الناتجة عن عمليات احتجاز الكربون.تم نشر المقال في مجلة Science Advances.

تفاصيل الورقة: استخدام تقنيات التعلم الآلي لحل المشكلات الكيميائية

1. اختبار المصنع التجريبي

تعتبر محطات التقاط الكربون معقدة للغاية لأن نماذج العمليات تركز عادةً على التقاط العمليات الثابتة. ومع ذلك، فإن تصميم وتشغيل محطات الطاقة الحالية والمستقبلية يحتاج إلى الأخذ في الاعتبار الحصة المتزايدة من توليد الطاقة المتجددة، والتي هي متقطعة وغير منتظمة.لذلك، ينبغي لنا أيضًا أن نأخذ في الاعتبار السلوكيات الديناميكية ومتعددة المتغيرات التي تجري خارج الحالة المستقرة.

من أجل محاكاة التشغيل المتقطع لمحطات الطاقة المستقبلية، أجرى الباحثون سلسلة من اختبارات الإجهاد على جهاز الالتقاط في المحطة التجريبية لمحطة الطاقة Niederaußem في ألمانيا، في محاولة لإيجاد العلاقة بين التشغيل المتقطع لمحطة الطاقة وانبعاثات الأمين.

وعلى الرغم من أن التجربة نجحت في تجميع كمية كبيرة من البيانات التي تلتقط سلوك المصنع، فإنه من المستحيل استخدام هذه البيانات للتنبؤ نوعياً بانبعاثات الأمين المستقبلية.لأنه بالإضافة إلى اختبار الإجهاد، هناك متغير آخر في العملية التجريبية - تدخل المتخصصين في محطة الطاقة لضمان التشغيل الآمن للمحطة أثناء التجربة.

2. احصل على مجموعة البيانات

في تجربة النبات التجريبية، جمع الباحثون البيانات كل 5 دقائق وتراكمت لديهم كمية هائلة من البيانات.أصبحت كيفية تحويل هذه البيانات إلى مجموعات بيانات يمكن استخدامها بواسطة نماذج التعلم الآلي محورًا للبحث.

ويتمثل نهج الباحثين في الجمع بين بيانات العملية والانبعاثات المعتمدة على الوقت.يتم تمثيلها كصورة (مصفوفة البيانات)،وبناءً على ذلك، يتم إنشاء نموذج تنبؤي، ثم يتم إجراء التعرف على الأنماط بمساعدة تقنيات التعلم الآلي للتنبؤ بانبعاثات الأمين.

في هذا التمثيل، يحدد المصنع متجه ميزة الحالة x(t) في وقت معين t، حيث تمثل عناصر p متغيرات العملية (مثل درجة حرارة غاز المداخن ودرجة حرارة الغسيل المائي).

خذ متجه حالة المصنع لطوابع زمنية t واحصل على مصفوفة t × p. يمكن اعتبار هذه المصفوفة بمثابة "صورة" متصلة بمنحنى الانبعاث المستقبلي y(t).

يمكن اعتبار البيانات المستخدمة في هذه التجربة بمثابة "صورة"، حيث:

العرض = طول تسلسل الإدخال (T)

الارتفاع = عدد المعلمات ص

اللون = قيمة المعلمة xj في وقت معين ti

وبعد ذلك، يتم ربط الأنماط الموجودة في الصور التاريخية للمصنع بالانبعاثات المستقبلية المحددة. تحقيقا لهذه الغاية،استخدم الباحثون نموذج شجرة القرار المعزز بالتدرج.قم بدمج الصفوف التي تصف المعلمات والانبعاثات المختلفة في متجه طويل واحد. يتم تدريب النموذج باستخدام خسارة الكمية للحصول على تقدير عدم اليقين.

عند تقييم عدم اليقين،استخدم الباحثون شبكة عصبية ملتوية زمنية تدعم تسرب مونت كارلو.وإظهار النتائج التي تم الحصول عليها بهذا النموذج في الملاحظة S8.

باستخدام مجموعة البيانات هذه، يمكننا استخدام أساليب علم البيانات لتطوير نموذج التعلم الآلي لتحليل البيانات.

3. اكتساب رؤى حول انبعاثات الأمين من التعلم الآلي

بعد ذلك، يمكنك استخدام نموذج التعلم الآلي لإجراء التوقعات التالية:

1. الانبعاثات المستقبلية (الوقت الحقيقي):بناءً على التشغيل والانبعاثات التاريخية والحالية، يمكنك التنبؤ بالانبعاثات خلال الساعات X القادمة

2. تحليل التأثير السببي للبيانات:لقياس تأثير اختبار إجهاد محدد على انبعاثات الأمين، هناك حاجة إلى خط أساس لتوفير انبعاثات الأمين دون اختبار الإجهاد.

3. تقليل انبعاثات الأمين:استخدم النموذج للتنبؤ بالانبعاثات في ظل مواقف "ماذا لو"، مثل ما إذا كان خفض درجة حرارة غسل الماء سيؤثر على الانبعاثات

ماجستير أكاديمي بعد التسعينيات مع 8 سنوات من الخبرة في الكيمياء

تم نشر هذه الورقة البحثية من قبل فريق بحثي بقيادة البروفيسور بيريند سميت من كلية العلوم الأساسية في المعهد الفيدرالي للتكنولوجيا في لوزان والبروفيسورة سوزانا جارسيا من مركز حلول الكربون في جامعة هيريوت وات في اسكتلندا.

ومن بينهم، قام الطلاب بتطوير نهج التعلم الآلي لتحويل مشكلة انبعاث الأمين إلى مشكلة التعرف على الأنماط.وكان هذا كيفن مايك جابلونكا، طالب دكتوراه في مرحلة ما بعد التسعينيات في مجموعة البروفيسور سميت.

درس كيفن الكيمياء في الجامعة التقنية بميونيخ في ألمانيا. بعد تخرجه في عام 2017، التحق كيفن بالمعهد الفيدرالي السويسري للتكنولوجيا في لوزان لمواصلة دراسات الماجستير والدكتوراه في مجال الكيمياء.

من عام 2014 إلى عام 2022، أمضى كيفن 8 سنوات في بناء فهم عميق للكيمياء والهندسة الكيميائية، وخلال هذه الفترة درس أيضًا علوم البيانات التطبيقية والتعلم الآلي.الجمع بين البحث الكيميائي والذكاء الاصطناعي،لقد قام بتحسين كفاءة ودقة البحث في مجال الهندسة الكيميائية وهو حقًا من الطلاب المتفوقين الذين ولدوا في التسعينيات.

كما قال العديد من كبار الشخصيات في مجال الكيمياء،قد يكون للتعلم الآلي تأثير أكبر في مجالات الكيمياء وهندسة العمليات مقارنة بمجال الرؤية الحاسوبية.

في سيناريوهات تطبيق السيرة الذاتية، يتعلم النموذج الميزات الأساسية للصورة.غالبًا ما يرتبط ارتباطًا وثيقًا بالطريقة التي يدرك بها الدماغ البشري الصور.مثل اكتشاف الهدف والتعرف على الوجه.

ومع ذلك، في السيناريوهات الصناعية،غالبًا ما يفتقر البشر إلى فهم الآليات الأساسية،ولكن من خلال التعلم الآلي، اكتشف الباحثون قواعد أساسية لرسم خرائط المعلمات لرصد الملاحظات، وقاموا بالتنبؤ بظواهر لم تكن متوقعة حتى الآن.

في حالة التنبؤ بانبعاثات الأمين من محطات الطاقة، يتفوق التعلم الآلي على الطرق التقليدية.ويُعتقد أنه يوفر منظورًا جديدًا لمراقبة العمليات الكيميائية المعقدة.ومن المرجح جدًا أن يؤدي ذلك إلى تغيير طريقة تشغيل محطات الطاقة التي تعمل بالفحم بشكل كامل في المستقبل.

سيتم استخدام الذكاء الاصطناعي بشكل أكبر في الأبحاث العلمية الأساسية، مما يوفر الطاقة، ويحسن الكفاءة، ويسرع تنفيذ نتائج الأبحاث العلمية. كيف ترى تطور الذكاء الاصطناعي للعلوم في النصف الثاني؟ ما هي الإنجازات التي ستحققها وما هي التحديات التي ستواجهها؟مرحبا بكم في ترك رسالة لمشاركة آرائكم ووجهات نظركم ~

في المستقبل، سوف يولي Super Neuro اهتمامًا أكبر للمواضيع المتعلقة بـ ScienceAI. إذا كنت مهتمًا، يرجى متابعتنا~