化学における機械学習の応用例: 90 年代以降の修士号および博士号による 8 年間にわたる攻撃キャンペーン、機械学習を使用して化学工学研究を強化
この記事は最初に公開アカウントから公開されました: HyperAI Super Neural 内容の概要:過去 2 年間、テクノロジーのホットスポットとして、ScienceAI は業界で幅広い注目と議論を集めてきました。この記事では、機械学習を使用して石炭火力発電所からのアミン排出を予測する方法を紹介する ScienceAdvances の論文に焦点を当てます。 キーワード:科学のための AI 化学工学のアミン排出
国際エネルギー機関が発表した報告書によると、2021年の世界のエネルギー関連CO2排出量は2020年と比べて6%増加し、過去最高の363億トンに達した。
このうち、CO2排出量の増加が最も大きかったのは発電・暖房産業でした。増加量は9億トンを超え、世界のCO2排出量増加量の46%を占めた。発電および暖房産業における CO2 排出量の管理と削減は急務です。
二酸化炭素回収: 温室効果ガスの排出を削減し、廃棄物を富に変える
「中国電力産業におけるカーボンピーキングとカーボンニュートラルの発展経路に関する研究」では、業界の専門家は、電力業界の CO2 排出量を削減するために 3 つの変更を加えました。
1.風力、水力、原子力などの低炭素電源の開発を積極的に進め、石炭、石油などの高炭素電源を放棄する。
2.石炭火力発電所では、発電用石炭の代わりに天然ガス、わら、バイオマスなどの低炭素燃料を使用します。
3.二酸化炭素回収技術を利用して石炭火力発電所から排出されるCO2を回収・利用する
で、二酸化炭素回収には、変化の範囲が小さく、想像力の余地が大きく、廃棄物を宝物に変える能力があります。電力業界の民間企業、エネルギー会社、科学研究機関から大きな注目を集めています。
炭素捕捉とは、CO2 とアミンの間の反応を指します。発電所によって大気中に放出された CO2 を回収し、圧縮して、枯渇した油田、天然ガス田、またはその他の安全な地下の場所に貯蔵し、その後石油採掘、製錬、自動車、その他の産業で使用します。
しかし、CO2 がアミンと反応すると、公衆衛生や生態系に悪影響を与えるアミン排出物が生成される可能性があります。さまざまな発電所からのアミン排出を効果的に監視および予測することは、二酸化炭素回収において大きな困難となっています。
最近、ローザンヌ連邦エコール工科大学とヘリオットワット大学で構成される研究チームは、次のような機械学習手法を開発しました。炭素回収プロセスからの有害なアミンガスの排出をより正確に予測します。この論文は ScienceAdvances に掲載されました。
論文の詳細説明: 機械学習技術を使用して化学問題を解決する
1. パイロット工場テスト
炭素回収プラントは、プロセス モデルが定常状態の運転を捕捉することに焦点を当てていることが多いため、複雑です。しかし、現在および将来の発電所の設計と運用では、断続的かつ不定期となる再生可能エネルギー発電の割合の増加を考慮する必要があります。したがって、定常状態の外で実行される動的で多変数の動作も考慮する必要があります。
将来の発電所の間欠運転をシミュレートするために、研究者らはドイツのニーデラウセム発電所のパイロットプラントの捕捉装置で一連の圧力試験を実施し、発電所の間欠運転とアミンとの関係を明らかにしようとしました。排出量。
この実験では植物の挙動を捕捉する大量のデータが蓄積されましたが、このデータを使用して将来のアミン排出量を定性的に予測することはできませんでした。なぜなら、圧力試験に加えて、実験プロセスには別の変数、つまり実験中の発電所の安全な運転を確保するための発電所の専門家の介入があるからです。
2. データセットを取得する
パイロット工場の実験では、科学研究者が5分ごとにデータを収集し、膨大な量のデータを蓄積した。これらのデータを機械学習モデルで使用できるデータセットに変換する方法が研究の焦点となっています。
研究者の方法は、時間依存のプロセスと排出データを組み合わせるというものです。画像（データ行列）として表現すると、これに基づいて予測モデルを作成し、機械学習技術を用いたパターン認識によりアミン排出量を予測します。
この表現では、工場は特定の時刻 t における状態固有ベクトル x(t) を定義します。ここで、p 要素はプロセス変数 (排ガス温度や水洗浄温度など) を表します。
t 個のタイムスタンプの工場状態ベクトルを取得し、t × p 行列を取得します。この行列は、将来の排出量曲線 y(t) に接続された「イメージ」と考えることができます。
この実験で使用されるデータは「画像」とみなすことができます。
幅 = 入力シーケンスの長さ (T)
高さ = パラメータの数 p
色 = ある時刻 ti におけるパラメータ xj の値
次に、工場の過去の画像のパターンが特定の将来の排出量に関連付けられます。この目的を達成するために、研究者らは勾配ブースト決定木モデルを使用しました。さまざまなパラメーターと放射を記述する行を 1 つの長いベクトルに結合します。分位損失を使用してモデルをトレーニングし、不確実性の推定値を取得します。
不確実性を評価する際には、研究者らは、モンテカルロ ドロップアウトをサポートする時間畳み込みニューラル ネットワークを使用しました。そして、このモデルで得られた結果をnote S8に示します。
このデータセットを使用すると、データ サイエンス手法を利用してデータ分析用の機械学習モデルを開発できます。
3. 機械学習からのアミン排出に関する洞察
次に、機械学習モデルを使用して、次の予測を行うことができます。
1. 将来の排出量 (リアルタイム):過去および現在の運用と排出量に基づいて、将来の予測排出量 x 時間はいくらですか?
2. データの因果関係分析:アミン排出に対する特定の圧力試験の影響を測定するには、圧力試験を行わずにアミン排出を提供するベースラインが必要です。
3. アミンの排出を削減します。モデルを使用して、洗濯温度を下げると排出量に影響があるかどうかなど、「仮定」のシナリオで排出量を予測します。
1990年代生まれ、8年間化学を勉強している博士課程の学生
この論文は、EPFL基礎科学部のベレンド・スミット教授とスコットランドのヘリオットワット大学カーボンソリューション研究センターのスサナ・ガルシア教授が共同率いる研究チームによって発表された。
その中には、アミン放出問題をパターン認識問題に変換する機械学習手法を開発する学生もいます。それは、スミット教授のグループの90年代以降の博士課程の学生、ケビン・マイク・ジャブロンカだ。
ケビンは、ドイツのミュンヘン工科大学で学士号を取得するために化学を学びました。2017 年にミュンヘン工科大学を卒業した後、スイスのエコール工科大学ローザンヌ校に入学し、修士課程および博士課程の研究を続けました。化学の分野。
2014 年から 2022 年まで、Kevin は 8 年間をかけて化学と化学工学について深い理解を深めました。この期間中に、応用データ サイエンスと機械学習についても学びました。化学研究と人工知能を統合し、彼は化学工学分野の研究の効率と精度を向上させた、1990年代生まれの真の学術の達人です。
化学分野の多くの偉人が言っているように、機械学習は、コンピューター ビジョンの分野よりも化学やプロセス エンジニアリングの分野で大きな影響を与える可能性があります。
CV アプリケーション シナリオでは、モデルによって学習された画像の基本的な特徴、多くの場合、人間の脳が画像を認識する方法と密接に関係しています。ターゲット検出や顔認識など。
ただし、産業シナリオでは、人間は基本的なメカニズムを理解していないことがよくあります。しかし、研究者たちは機械学習を通じて、パラメータを対象の観測値にマッピングするための基本的なルールを発見し、これまで予測できなかった現象を予測しました。
発電所からのアミン排出量を予測する場合、機械学習は従来の方法を超えて、複雑な化学プロセスに新しい視点を提供すると考えられています。将来的には石炭火力発電所の運営方法に革命をもたらす可能性があります。
人工知能は、電力を提供し、効率を向上させ、科学研究結果の実装を加速するために、基礎科学研究でさらに使用されるでしょう。下半期のサイエンス向けAIの発展についてはどう思いますか？それはどのような進歩をもたらし、どのような課題に直面するのでしょうか?あなたの意見や意見を共有するためにメッセージを残してください〜
将来的には、Super Neural は ScienceAI 関連のトピックにも焦点を当てていきます。ご興味がございましたら、フォローしてください。