Exemple D'application De L'apprentissage Automatique En Chimie : Un Chercheur Des Années 90 a Passé Huit Ans À Se Préparer À Devenir Doctorant, Utilisant L'apprentissage Automatique Pour Stimuler La Recherche En Génie Chimique.

Cet article a été publié pour la première fois sur le compte officiel : HyperAI Contenu en un coup d'œil :En tant que technologie en vogue au cours des deux dernières années, ScienceAI a attiré une attention et des discussions généralisées dans l’industrie. Cet article se concentrera sur un article de ScienceAdvances et présentera comment utiliser l’apprentissage automatique pour prédire les émissions d’amines des centrales électriques au charbon. Mots-clés:IA pour la science Génie chimique Émissions d'amines

Un rapport publié par l'Agence internationale de l'énergie montre que les émissions mondiales de CO2 liées à l'énergie en 2021 ont augmenté de 6% par rapport à 2020, atteignant 36,3 milliards de tonnes, un niveau record.

La plus forte augmentation des émissions de CO2 a été enregistrée dans les secteurs de la production d’électricité et du chauffage.L’augmentation a dépassé 900 millions de tonnes, ce qui représente 46% de l’augmentation des émissions mondiales de CO2. Il est urgent de contrôler et de réduire les émissions de CO2 dans les secteurs de la production d’électricité et du chauffage.

Consultez le rapport complet sur les émissions mondiales de CO2 en 2021

Capture du carbone : réduire les émissions de gaz à effet de serre et transformer les déchets en trésors

Dans la « Recherche sur la voie de développement du pic de carbone et de la neutralité carbone dans l'industrie électrique chinoise »,Les experts du secteur ont proposé trois changements pour réduire les émissions de CO2 dans le secteur de l’énergie :

1.Développer vigoureusement les sources d’énergie à faible émission de carbone telles que l’énergie éolienne, l’énergie hydraulique et l’énergie nucléaire, et abandonner les sources d’énergie à forte émission de carbone telles que l’énergie au charbon et l’énergie au pétrole.

2.Pour les centrales électriques au charbon, utiliser des combustibles à faible teneur en carbone tels que le gaz naturel, la paille et la biomasse pour remplacer le charbon dans la production d'électricité.

3.Utiliser la technologie de capture du carbone pour capturer et utiliser le CO2 émis par les centrales électriques au charbon

dans,La capture du carbone a la capacité de transformer les déchets en trésors, en raison de sa faible portée de transformation, de son grand espace d'imagination etIl a suscité beaucoup d’attention de la part des entreprises commerciales, des sociétés énergétiques et des instituts de recherche scientifique du secteur de l’énergie.

La capture du carbone fait référence à la réaction entre le CO2 et les substances aminés.Capturer le CO2 rejeté dans l’atmosphère par les centrales électriques, le comprimer et le sceller dans des champs pétrolifères épuisés, des champs de gaz naturel ou d’autres emplacements souterrains sûrs pour une utilisation ultérieure dans l’extraction de pétrole, la fusion, l’automobile et d’autres industries.

Cependant, lorsque le CO2 réagit avec les amines, il produit également des émissions d’amines qui sont nocives pour la santé publique et l’écosystème.La surveillance et la prévision efficaces des émissions d’amines provenant de différentes centrales électriques sont devenues une difficulté majeure dans la capture du carbone.

Récemment, une équipe de recherche composée de l'EPFL et de l'Université Heriot-Watt a développé une méthode d'apprentissage automatique qui peut utiliser les données passées des centrales électriques pourPrévision plus précise des émissions de gaz aminés nocifs provenant des processus de capture du carbone.L’article a été publié dans Science Advances.

Détails du document : Utilisation de techniques d'apprentissage automatique pour résoudre des problèmes chimiques

1. Essai pilote en usine

Les usines de capture du carbone sont très complexes car les modèles de processus se concentrent généralement sur la capture des opérations en régime permanent. Toutefois, la conception et l’exploitation des centrales électriques actuelles et futures doivent prendre en compte la part croissante de la production d’énergie renouvelable, qui est intermittente et irrégulière.Par conséquent, les comportements dynamiques et multivariés qui se déroulent en dehors de l’état stationnaire doivent également être pris en compte.

Afin de simuler le fonctionnement intermittent des futures centrales électriques, les chercheurs ont mené une série de tests de résistance sur le dispositif de capture de l'usine pilote de la centrale électrique de Niederaußem en Allemagne, en essayant de trouver la relation entre le fonctionnement intermittent de la centrale électrique et les émissions d'amines.

Bien que l’expérience ait accumulé une grande quantité de données capturant le comportement de l’usine, il est impossible d’utiliser ces données pour prédire qualitativement les futures émissions d’amines.Car en plus du test de résistance, il existe une autre variable dans le processus expérimental : l’intervention de professionnels de la centrale électrique pour assurer le fonctionnement sûr de la centrale pendant l’expérience.

2. Obtenir l'ensemble de données

Dans l’expérience pilote, les chercheurs ont collecté des données toutes les 5 minutes et ont accumulé une énorme quantité de données.La manière de convertir ces données en ensembles de données pouvant être utilisés par des modèles d’apprentissage automatique est devenue un axe de recherche.

L’approche des chercheurs consiste à combiner des données de processus et d’émission dépendantes du temps.Représenté sous forme d'image (matrice de données),Sur cette base, un modèle prédictif est créé, puis une reconnaissance de formes est effectuée à l'aide de techniques d'apprentissage automatique pour prédire les émissions d'amines.

Dans cette représentation, l'usine définit un vecteur de caractéristiques d'état x(t) à un instant t donné, où les éléments p représentent des variables de processus (telles que la température des gaz de combustion et la température de lavage à l'eau).

Prenez le vecteur d'état d'usine de t horodatages et obtenez une matrice t × p. Cette matrice peut être considérée comme une « image » connectée à la courbe d’émission future y(t).

Les données utilisées dans cette expérience peuvent être considérées comme une « image », dans laquelle :

Largeur = longueur de la séquence d'entrée (T)

Hauteur = nombre de paramètres p

Couleur = la valeur du paramètre xj à un certain instant ti

Ensuite, les modèles dans les images historiques de l’usine sont liés à des émissions futures spécifiques. à cette fin,Les chercheurs ont utilisé un modèle d’arbre de décision amélioré par gradient.Combinez les lignes décrivant les différents paramètres et émissions en un seul long vecteur. Le modèle est formé avec une perte quantile pour obtenir une estimation de l’incertitude.

Lors de l’évaluation de l’incertitude,Les chercheurs ont utilisé un réseau neuronal convolutif temporel qui prend en charge le décrochage de Monte Carlo.Et montrez les résultats obtenus avec ce modèle dans la note S8.

Avec cet ensemble de données, nous pouvons utiliser des méthodes de science des données pour développer un modèle d’apprentissage automatique pour l’analyse des données.

3. Obtenir des informations sur les émissions d'amines grâce à l'apprentissage automatique

Ensuite, vous pouvez utiliser le modèle d’apprentissage automatique pour faire les prédictions suivantes :

1. Émissions futures (en temps réel) :Sur la base des opérations et des émissions historiques et actuelles, prédisez quelles seront les émissions dans les x prochaines heures

2. Analyse d’impact causal des données :Pour mesurer l’impact d’un test de résistance spécifique sur les émissions d’amines, une ligne de base est nécessaire pour fournir les émissions d’amines sans le test de résistance.

3. Réduire les émissions d’amines :Utilisez le modèle pour prédire les émissions dans des situations hypothétiques, par exemple si l'abaissement de la température de lavage à l'eau aurait un impact sur les émissions.

Un master universitaire post-années 90 avec 8 ans d'expérience en chimie

Cet article a été publié par une équipe de recherche dirigée par le professeur Berend Smit de l’École des sciences fondamentales de l’École polytechnique fédérale de Lausanne et le professeur Susana Garcia du Centre for Carbon Solutions de l’Université Heriot-Watt en Écosse.

Parmi eux, les étudiants ont développé une approche d’apprentissage automatique pour transformer le problème d’émission d’amines en un problème de reconnaissance de formes.Il s’agissait de Kevin Maik Jablonka, un doctorant post-90 du groupe du professeur Smit.

Kevin a étudié la chimie à l'Université technique de Munich en Allemagne. Après avoir obtenu son diplôme en 2017, Kevin est entré à l'École polytechnique fédérale de Lausanne pour poursuivre ses études de master et de doctorat dans le domaine de la chimie.

De 2014 à 2022, Kevin a passé 8 ans à développer une compréhension approfondie de la chimie et du génie chimique, au cours desquels il a également étudié la science des données appliquée et l'apprentissage automatique.Combiner la recherche chimique avec l'intelligence artificielle,Il a amélioré l’efficacité et la précision de la recherche dans le domaine du génie chimique et est véritablement un étudiant de haut niveau né dans les années 1990.

Comme l’ont dit de nombreux hauts responsables du domaine de la chimie,L’apprentissage automatique pourrait avoir un impact plus important dans les domaines de la chimie et de l’ingénierie des procédés que dans la vision par ordinateur.

Dans les scénarios d’application CV, le modèle apprend les caractéristiques de base de l’image.est souvent étroitement liée à la façon dont le cerveau humain perçoit les images.Comme la détection de cibles et la reconnaissance faciale.

Cependant, dans les scénarios industriels,Les humains manquent souvent de compréhension des mécanismes de base,Mais grâce à l’apprentissage automatique, les chercheurs ont découvert des règles de base pour mapper des paramètres aux observations cibles et ont fait des prédictions sur des phénomènes jusqu’alors imprévisibles.

Dans le cas de la prévision des émissions d’amines des centrales électriques, l’apprentissage automatique surpasse les méthodes traditionnelles.On considère qu’il offre une nouvelle perspective pour l’observation de processus chimiques complexes.Il est très probable que cela change complètement la façon dont les centrales électriques au charbon seront exploitées à l’avenir.

L’intelligence artificielle sera davantage utilisée dans la recherche scientifique fondamentale, fournissant de la puissance, améliorant l’efficacité et accélérant la mise en œuvre des résultats de la recherche scientifique. Comment voyez-vous l’évolution de l’IA pour la science au cours du second semestre ? Quelles avancées apportera-t-il et à quels défis devra-t-il faire face ?Bienvenue pour laisser un message pour partager vos points de vue et opinions~

À l’avenir, Super Neuro s’intéressera à davantage de sujets liés à ScienceAI. Si vous êtes intéressé, suivez-nous~