Anwendungsbeispiel Für Maschinelles Lernen in Der Chemie: Ein Wissenschaftler Aus Den 1990er Jahren Verbrachte Acht Jahre Auf Dem Weg Zur Promotion Und Nutzte Maschinelles Lernen, Um Die Forschung Im Chemieingenieurwesen Voranzutreiben.

Dieser Artikel wurde zuerst auf dem offiziellen Konto veröffentlicht: HyperAI Inhalte im Überblick:Als angesagte Technologie hat ScienceAI in den letzten zwei Jahren in der Branche große Aufmerksamkeit und Diskussionen auf sich gezogen. Dieser Artikel konzentriert sich auf ein Papier von ScienceAdvances und stellt vor, wie maschinelles Lernen zur Vorhersage von Amin-Emissionen aus Kohlekraftwerken eingesetzt werden kann. Schlüsselwörter:KI für die Wissenschaft Chemieingenieurwesen Amin-Emissionen

Einem Bericht der Internationalen Energieagentur zufolge stiegen die weltweiten energiebedingten CO2-Emissionen im Jahr 2021 gegenüber 2020 um 61 Milliarden Tonnen und erreichten mit 36,3 Milliarden Tonnen einen Rekordwert.

Den größten Anstieg der CO2-Emissionen gab es in der Stromerzeugungs- und Heizungsindustrie.Der Anstieg überstieg 900 Millionen Tonnen und machte 461 Millionen Tonnen des weltweiten Anstiegs der CO2-Emissionen aus. Die Kontrolle und Reduzierung der CO2-Emissionen in der Stromerzeugungs- und Heizungsindustrie ist dringend erforderlich.

Den vollständigen Bericht zu den globalen CO2-Emissionen im Jahr 2021 ansehen

Kohlenstoffabscheidung: Reduzierung der Treibhausgasemissionen und Umwandlung von Abfall in wertvolle Stoffe

In der „Forschung zum Entwicklungspfad von Carbon Peaking und Carbon Neutrality in Chinas Energiewirtschaft“,Branchenexperten haben drei Änderungen zur Reduzierung der CO2-Emissionen in der Energiewirtschaft vorgeschlagen:

1.Energische Entwicklung kohlenstoffarmer Energiequellen wie Windkraft, Wasserkraft und Kernkraft und Verzicht auf kohlenstoffreiche Energiequellen wie Kohlekraft und Ölkraft

2.Bei Kohlekraftwerken sollten kohlenstoffarme Brennstoffe wie Erdgas, Stroh und Biomasse als Ersatz für Kohle zur Stromerzeugung eingesetzt werden.

3.Nutzen Sie die Kohlenstoffabscheidungstechnologie, um das von Kohlekraftwerken ausgestoßene CO2 abzufangen und zu nutzen

In,Die Kohlenstoffabscheidung hat die Fähigkeit, Abfall in Schätze zu verwandeln, da ihr Transformationsumfang klein ist, ihr Vorstellungsraum groß ist undEs hat viel Aufmerksamkeit von Handelsunternehmen, Energieunternehmen und wissenschaftlichen Forschungsinstituten der Energiebranche auf sich gezogen.

Unter Carbon Capture versteht man die Reaktion zwischen CO2 und Aminsubstanzen.Das von Kraftwerken in die Atmosphäre freigesetzte CO2 wird aufgefangen, komprimiert und in erschöpften Ölfeldern, Erdgasfeldern oder anderen sicheren unterirdischen Lagerstätten versiegelt, um es später bei der Ölförderung, beim Schmelzen, in der Automobilindustrie und in anderen Industriezweigen zu verwenden.

Wenn CO2 jedoch mit Aminen reagiert, entstehen auch Amin-Emissionen, die schädlich für die öffentliche Gesundheit und das Ökosystem sind.Die wirksame Überwachung und Vorhersage der Amin-Emissionen verschiedener Kraftwerke ist zu einer großen Schwierigkeit bei der Kohlenstoffabscheidung geworden.

Kürzlich hat ein Forschungsteam der EPFL und der Heriot-Watt University eine Methode des maschinellen Lernens entwickelt, die die Daten der Vergangenheit von Kraftwerken nutzen kann, umGenauere Vorhersage schädlicher Amingas-Emissionen aus Kohlenstoffabscheidungsprozessen.Der Artikel wurde in Science Advances veröffentlicht.

Details zum Artikel: Einsatz von Techniken des maschinellen Lernens zur Lösung chemischer Probleme

1. Pilotfabriktest

Anlagen zur Kohlenstoffabscheidung sind sehr komplex, da sich Prozessmodelle normalerweise auf die Erfassung im stationären Zustand konzentrieren. Allerdings muss bei der Planung und dem Betrieb heutiger und künftiger Kraftwerke der steigende Anteil erneuerbarer Energien berücksichtigt werden, der jedoch intermittierend und unregelmäßig erfolgt.Daher müssen auch dynamische und multivariate Verhaltensweisen außerhalb des stationären Zustands berücksichtigt werden.

Um den intermittierenden Betrieb zukünftiger Kraftwerke zu simulieren, führten die Forscher eine Reihe von Stresstests an der Abscheidevorrichtung in der Pilotanlage des Kraftwerks Niederaußem in Deutschland durch und versuchten, den Zusammenhang zwischen dem intermittierenden Betrieb des Kraftwerks und den Amin-Emissionen herauszufinden.

Obwohl im Rahmen des Experiments eine große Menge an Daten über das Verhalten der Fabrik gesammelt wurde, ist es unmöglich, diese Daten für eine qualitative Vorhersage zukünftiger Amin-Emissionen zu verwenden.Denn neben dem Stresstest gibt es noch eine weitere Variable im Versuchsablauf: das Eingreifen von Kraftwerksfachleuten, um den sicheren Betrieb der Anlage während des Versuchs zu gewährleisten.

2. Holen Sie sich den Datensatz

Im Pilotanlagenexperiment sammelten die Forscher alle 5 Minuten Daten und sammelten eine riesige Datenmenge.Die Frage, wie diese Daten in Datensätze umgewandelt werden können, die von Modellen des maschinellen Lernens verwendet werden können, ist zu einem Forschungsschwerpunkt geworden.

Der Ansatz der Forscher besteht darin, zeitabhängige Prozess- und Emissionsdaten zu kombinieren.Dargestellt als Bild (Datamatrix),Darauf aufbauend wird ein Vorhersagemodell erstellt und anschließend mithilfe von Techniken des maschinellen Lernens eine Mustererkennung durchgeführt, um Amin-Emissionen vorherzusagen.

In dieser Darstellung definiert die Anlage einen Zustandsmerkmalsvektor x(t) zu einem bestimmten Zeitpunkt t, wobei die p Elemente Prozessvariablen darstellen (wie etwa Rauchgastemperatur und Wasserwaschtemperatur).

Nehmen Sie den Fabrikzustandsvektor mit t Zeitstempeln und erhalten Sie eine t × p-Matrix. Diese Matrix kann als ein „Bild“ betrachtet werden, das mit der zukünftigen Emissionskurve y(t) verbunden ist.

Die in diesem Experiment verwendeten Daten können als „Bild“ betrachtet werden, in dem:

Breite = Länge der Eingabesequenz (T)

Höhe = Anzahl der Parameter p

Farbe = der Wert des Parameters xj zu einem bestimmten Zeitpunkt ti

Anschließend werden Muster in den historischen Bildern der Fabrik mit bestimmten zukünftigen Emissionen verknüpft. zu diesem Zweck,Die Forscher verwendeten ein gradientenverstärktes Entscheidungsbaummodell.Kombinieren Sie die Zeilen, die die verschiedenen Parameter und Emissionen beschreiben, zu einem langen Vektor. Das Modell wird mit Quantilsverlust trainiert, um eine Unsicherheitsschätzung zu erhalten.

Bei der Beurteilung der UnsicherheitDie Forscher verwendeten ein zeitliches Convolutional Neural Network, das Monte-Carlo-Dropout unterstützt.Und zeigen Sie die mit diesem Modell erzielten Ergebnisse in Anmerkung S8.

Mit diesem Datensatz können wir mithilfe von Methoden der Datenwissenschaft ein maschinelles Lernmodell zur Datenanalyse entwickeln.

3. Erkenntnisse zu Amin-Emissionen durch maschinelles Lernen gewinnen

Als Nächstes können Sie das maschinelle Lernmodell verwenden, um die folgenden Vorhersagen zu treffen:

1. Zukünftige Emissionen (Echtzeit):Basierend auf historischen und aktuellen Betriebs- und Emissionsdaten können Sie die Emissionen für die nächsten x Stunden vorhersagen.

2. Kausale Wirkungsanalyse der Daten:Um die Auswirkungen eines bestimmten Stresstests auf die Amin-Emissionen zu messen, ist eine Basislinie erforderlich, die die Amin-Emissionen ohne Stresstest liefert.

3. Amin-Emissionen reduzieren:Verwenden Sie das Modell, um Emissionen in „Was-wäre-wenn“-Situationen vorherzusagen, z. B. ob eine Senkung der Wasserwaschtemperatur Auswirkungen auf die Emissionen hätte

Ein akademischer Master aus den 90er Jahren mit 8 Jahren Erfahrung in der Chemie

Dieser Artikel wurde von einem Forschungsteam unter der Leitung von Professor Berend Smit von der School of Basic Sciences der Eidgenössischen Technischen Hochschule Lausanne und Professor Susana Garcia vom Center for Carbon Solutions der Heriot-Watt University in Schottland veröffentlicht.

Unter anderem entwickelten die Studierenden einen maschinellen Lernansatz, um das Aminemissionsproblem in ein Mustererkennungsproblem umzuwandeln.Es war Kevin Maik Jablonka, ein Doktorand aus den 1990er Jahren in der Gruppe von Professor Smit.

Kevin studierte Chemie an der Technischen Universität München in Deutschland. Nach seinem Abschluss im Jahr 2017 begann Kevin sein Master- und Doktoratsstudium im Bereich Chemie an der Eidgenössischen Technischen Hochschule in Lausanne.

Von 2014 bis 2022 verbrachte Kevin 8 Jahre damit, sich ein tiefes Verständnis für Chemie und Chemieingenieurwesen anzueignen, währenddessen er auch angewandte Datenwissenschaft und maschinelles Lernen studierte.Durch die Kombination chemischer Forschung mit künstlicher IntelligenzEr hat die Effizienz und Genauigkeit der Forschung im Bereich der chemischen Verfahrenstechnik verbessert und ist ein wahrer Spitzenstudent der 1990er Jahre.

Wie viele hochrangige Persönlichkeiten aus der Chemie gesagt haben:Maschinelles Lernen könnte in den Bereichen Chemie und Verfahrenstechnik größere Auswirkungen haben als in der Computervision.

In CV-Anwendungsszenarien lernt das Modell die grundlegenden Merkmale des Bildes.hängt oft eng mit der Art und Weise zusammen, wie das menschliche Gehirn Bilder wahrnimmt.Wie etwa Zielerkennung und Gesichtserkennung.

In industriellen Szenarien jedochDen Menschen fehlt oft das Verständnis für die grundlegenden Mechanismen,Doch durch maschinelles Lernen haben Forscher grundlegende Regeln für die Zuordnung von Parametern zu Zielbeobachtungen entdeckt und Vorhersagen über bislang unvorhersehbare Phänomene getroffen.

Bei der Vorhersage von Amin-Emissionen aus Kraftwerken übertrifft maschinelles Lernen herkömmliche Methoden.Es gilt als eine neue Perspektive für die Beobachtung komplexer chemischer Prozesse.Es ist sehr wahrscheinlich, dass sich die Art und Weise, wie Kohlekraftwerke künftig betrieben werden, völlig verändern wird.

Künstliche Intelligenz wird in der wissenschaftlichen Grundlagenforschung stärker eingesetzt, um Leistung zu liefern, die Effizienz zu verbessern und die Umsetzung wissenschaftlicher Forschungsergebnisse zu beschleunigen. Wie sehen Sie die Entwicklung von KI für die Wissenschaft in der zweiten Jahreshälfte? Welche Durchbrüche wird es bringen und welchen Herausforderungen wird es gegenüberstehen?Hinterlassen Sie gerne eine Nachricht, um Ihre Ansichten und Meinungen mitzuteilen~

Super Neuro wird sich in Zukunft stärker auf ScienceAI-bezogene Themen konzentrieren. Wenn Sie interessiert sind, folgen Sie uns bitte ~