화학 분야에서 머신 러닝의 적용 사례: 90년대 이후의 한 학자가 박사과정 학생이 되기 위해 8년을 보냈으며, 머신 러닝을 사용하여 화학 공학 연구를 촉진했습니다.

이 기사는 HyperAI 공식 계정에 처음 게시되었습니다. 내용을 한눈에 보기:지난 2년 동안 ScienceAI는 인기 있는 기술로 업계에서 폭넓은 관심과 논의를 불러일으켰습니다. 이 기사에서는 ScienceAdvances의 논문에 초점을 맞추고 머신 러닝을 사용하여 석탄 화력 발전소의 아민 배출량을 예측하는 방법을 소개합니다. 키워드:과학을 위한 AI 화학 공학 아민 배출

국제에너지기구(IEA)가 발표한 보고서에 따르면 2021년 전 세계 에너지 관련 CO2 배출량은 2020년 대비 6% 증가해 363억 톤에 달해 역대 최고치를 기록했습니다.

CO2 배출량이 가장 크게 증가한 산업은 발전 및 난방 산업이었습니다.증가량은 9억 톤을 넘어섰으며, 이는 전 세계 CO2 배출량 증가량의 46%에 해당합니다. 발전 및 난방 산업에서 CO2 배출을 통제하고 줄이는 것이 시급합니다.

2021년 전 세계 CO2 배출량에 대한 전체 보고서를 확인하세요

탄소 포집: 온실가스 배출을 줄이고 폐기물을 보물로 전환

"중국 전력산업의 탄소 정점화 및 탄소 중립화 발전 경로에 관한 연구"에서업계 전문가들은 전력 산업의 CO2 배출을 줄이기 위해 세 가지 변화를 제안했습니다.

1.풍력, 수력, 원자력 등 저탄소 발전원을 적극 육성하고, 석탄, 석유 등 고탄소 발전원을 폐기한다.

2.석탄화력발전소의 경우 석탄을 대체하여 천연가스, 짚, 바이오매스 등 저탄소 연료를 사용하여 발전한다.

3.석탄화력발전소에서 배출되는 CO2를 포집하여 활용하기 위해 탄소포집기술을 활용한다.

안에,탄소 포집은 작은 변환 범위, 넓은 상상의 공간으로 인해 폐기물을 보물로 변환할 수 있는 능력을 가지고 있습니다.이는 전력 산업 분야의 상업 회사, 에너지 회사, 과학 연구 기관으로부터 많은 관심을 받았습니다.

탄소 포집은 CO2와 아민 물질 간의 반응을 말합니다.발전소에서 대기 중으로 방출되는 CO2를 포집하고 압축한 후, 고갈된 유전, 천연가스전 또는 기타 안전한 지하 장소에 밀봉하여 이후 석유 채굴, 제련, 자동차 및 기타 산업에 사용합니다.

그러나 CO2가 아민과 반응하면 공중 보건과 생태계에 해로운 아민 배출물이 생성됩니다.다양한 발전소에서 발생하는 아민 배출량을 효과적으로 모니터링하고 예측하는 일은 탄소 포집에 있어 큰 어려움이 되었습니다.

최근 EPFL과 Heriot-Watt University로 구성된 연구팀은 발전소의 과거 데이터를 활용할 수 있는 머신러닝 방법을 개발했습니다.탄소 포집 공정에서 발생하는 유해 아민 가스 배출을 더욱 정확하게 예측합니다.해당 논문은 Science Advances에 게재되었습니다.

논문 세부 정보: 기계 학습 기술을 사용하여 화학 문제 해결

1. 파일럿 공장 테스트

탄소 포집 플랜트는 공정 모델이 일반적으로 정상 상태 운영을 포착하는 데 초점을 맞추기 때문에 매우 복잡합니다. 그러나 현재와 미래의 발전소를 설계하고 운영할 때는 간헐적이고 불규칙적인 재생 에너지 발전 비중이 점차 증가하고 있다는 점을 고려해야 합니다.따라서 정상 상태를 벗어나는 동적이고 다변수적인 행동도 고려해야 합니다.

연구진은 미래 발전소의 간헐적 운영을 시뮬레이션하기 위해 독일 니더라우셈 발전소의 시범 플랜트에 있는 포집 장치에 대한 일련의 스트레스 테스트를 수행하여 발전소의 간헐적 운영과 아민 배출 간의 관계를 알아내려고 했습니다.

실험을 통해 공장의 행동을 파악하는 방대한 양의 데이터가 축적되었지만, 이 데이터를 사용하여 미래의 아민 배출량을 정성적으로 예측하는 것은 불가능합니다.스트레스 테스트 외에도 실험 과정에는 또 다른 변수가 있습니다. 즉, 실험 중에 발전소의 안전한 운영을 보장하기 위해 발전소 전문가가 개입한다는 것입니다.

2. 데이터세트 가져오기

시범 플랜트 실험에서 연구진은 5분마다 데이터를 수집하여 엄청난 양의 데이터를 축적했습니다.이러한 데이터를 머신 러닝 모델에서 사용할 수 있는 데이터 세트로 변환하는 방법이 연구의 초점이 되었습니다.

연구자들의 접근 방식은 시간에 따른 프로세스와 배출 데이터를 결합하는 것입니다.이미지(데이터 매트릭스)로 표현하면,이를 바탕으로 예측 모델을 생성한 후, 머신 러닝 기술을 활용하여 패턴 인식을 수행하여 아민 배출량을 예측합니다.

이 표현에서 플랜트는 주어진 시간 t에서 상태 특징 벡터 x(t)를 정의하는데, 여기서 p 요소는 공정 변수(연도 가스 온도, 물 세척 온도 등)를 나타냅니다.

t 타임스탬프의 공장 상태 벡터를 가져와 t × p 행렬을 얻습니다. 이 행렬은 미래 배출 곡선 y(t)에 연결된 "이미지"로 생각할 수 있습니다.

이 실험에 사용된 데이터는 다음과 같은 "이미지"로 간주될 수 있습니다.

너비 = 입력 시퀀스의 길이(T)

높이 = 매개변수 p의 개수

색상 = 특정 시간 ti에서 매개변수 xj의 값

다음으로, 공장의 역사적 이미지의 패턴은 미래의 특정 배출량과 연결됩니다. 이를 위해,연구자들은 기울기 강화형 의사결정 트리 모델을 사용했습니다.다양한 매개변수와 배출량을 설명하는 행을 하나의 긴 벡터로 결합합니다. 모델은 불확실성 추정치를 얻기 위해 분위수 손실로 훈련되었습니다.

불확실성을 평가할 때,연구자들은 몬테카를로 드롭아웃을 지원하는 시간적 합성 신경망을 사용했습니다.그리고 이 모델로 얻은 결과를 노트 S8에 표시해 보세요.

이 데이터 세트를 사용하면 데이터 과학 방법을 사용하여 데이터 분석을 위한 머신 러닝 모델을 개발할 수 있습니다.

3. 머신 러닝을 통한 아민 배출에 대한 통찰력 얻기

다음으로, 머신 러닝 모델을 사용하여 다음과 같은 예측을 할 수 있습니다.

1. 미래 배출량(실시간):과거 및 현재 운영 및 배출량을 기반으로 다음 x시간 동안의 배출량을 예측합니다.

2. 데이터의 인과 영향 분석:특정 스트레스 테스트가 아민 배출에 미치는 영향을 측정하려면 스트레스 테스트 없이 아민 배출을 제공하는 기준선이 필요합니다.

3. 아민 배출 감소:물 세척 온도를 낮추면 배출량에 영향을 미칠지 여부와 같은 "가정" 상황에서 배출량을 예측하기 위해 모델을 사용합니다.

90년대 이후 화학 분야에서 8년 이상의 경력을 가진 학계 석사

이 논문은 로잔 연방기술원 기초과학대학의 베렌드 스밋 교수와 스코틀랜드 헤리엇-와트 대학 탄소솔루션 센터의 수사나 가르시아 교수가 이끄는 연구팀에서 발표했습니다.

그중 학생들은 아민 배출 문제를 패턴 인식 문제로 변환하는 머신 러닝 접근법을 개발했습니다.그는 스밋 교수의 연구 그룹에 속한 90년대 이후 박사과정 학생인 케빈 마이크 자블론카였습니다.

케빈은 독일 뮌헨 공과대학교에서 화학을 공부했습니다. 케빈은 2017년 졸업 후 로잔에 있는 스위스 연방 공과대학에 입학하여 화학 분야에서 석사 및 박사 학위를 계속 공부했습니다.

케빈은 2014년부터 2022년까지 8년 동안 화학과 화학공학에 대한 깊은 이해를 쌓았으며, 이 기간 동안 응용 데이터 과학과 머신 러닝도 공부했습니다.화학 연구와 인공지능을 결합하면,그는 화학공학 분야 연구의 효율성과 정확성을 향상시켰으며, 진정한 1990년대생의 우등생입니다.

화학 분야의 많은 선배들이 말했듯이,머신 러닝은 컴퓨터 비전보다 화학 및 공정 공학 분야에 더 큰 영향을 미칠 수 있습니다.

CV 응용 시나리오에서 모델은 이미지의 기본적인 특징을 학습합니다.인간의 뇌가 이미지를 인식하는 방식과 밀접한 관련이 있습니다.예를 들어, 타겟 감지, 얼굴 인식 등이 있습니다.

그러나 산업 시나리오에서는인간은 종종 기본적인 메커니즘에 대한 이해가 부족합니다.하지만 머신 러닝을 통해 연구자들은 매개변수를 대상 관찰에 매핑하는 기본 규칙을 발견하고 지금까지 예측할 수 없었던 현상에 대한 예측을 내놓았습니다.

발전소의 아민 배출량을 예측하는 경우, 머신 러닝이 기존 방법보다 우수한 성과를 보입니다.복잡한 화학 과정을 관찰하는 데 새로운 관점을 제공한다고 여겨진다.앞으로 석탄화력발전소의 운영 방식이 완전히 바뀔 가능성이 매우 높습니다.

인공지능은 기초 과학 연구에 더 많이 활용되어 힘을 제공하고, 효율성을 높이고, 과학 연구 결과의 구현을 가속화할 것입니다. 하반기에 과학을 위한 AI가 어떻게 발전할 것으로 보시나요? 이를 통해 어떤 획기적인 발전이 이루어질 것이며, 어떤 과제에 직면하게 될 것인가?여러분의 의견과 견해를 공유하기 위해 메시지를 남겨주세요~

앞으로 Super Neuro는 ScienceAI 관련 주제에 더 많은 관심을 기울일 것입니다. 관심있으시면 팔로우 부탁드려요~