综述：燃烧后碳捕集技术中化学吸收工艺的进展与未来展望

这篇综述系统评述了化学吸收法在燃烧后碳捕集（PCC）领域的最新进展，重点探讨了新型溶剂（如胺类混合溶剂、离子液体）、工艺改进（如贫汽再压缩LVR）和可再生能源集成对降低再生能耗（最低达2 GJ/t CO2）的突破性贡献，同时分析了机器学习（ML）在溶剂筛选和工艺优化中47%的效率提升潜力，为政策制定者与工业界提供了跨学科技术路线图。

　　

化学吸收法在燃烧后碳捕集中的技术革新

技术概述与挑战

燃烧后碳捕集（PCC）作为最成熟的减排技术，其核心化学吸收工艺通过胺类溶剂（如MEA、PZ）与CO₂的可逆反应实现高效捕集。然而，传统30 wt% MEA溶剂高达3.0-5.5 GJ/t CO₂的再生能耗和装备腐蚀问题制约了其经济性。最新CESAR1混合溶剂（MEA/AMP/PZ）在丹麦奥尔堡水泥厂的中试中，通过贫汽再压缩（LVR）配置将能耗降至2.03 GJ/t CO₂，展现了工艺改进的潜力。

溶剂创新的突破

相变溶剂和离子液体（ILs）成为研究热点。例如，TEPAHPro/NPA/H₂O相变溶剂吸收容量达MEA的3.7倍，而RTI非水溶剂（NAS）因无需回收单元将热盐生成（HSS）抑制至传统方法的万分之一。钾碳酸盐（K₂CO₃）溶剂凭借99.95%的CO₂纯度和28 $/t的低成本，在加拿大CO₂ Solutions公司的酶催化工艺中实现商业化应用。

可再生能源与工艺协同

太阳能辅助PCC通过间接集成模式降低7%的电网能耗。中国300MW煤电厂的案例显示，间接太阳能供热使全生命周期成本增幅从33.4%降至29.3%，同时减排67-74%。而高级闪蒸塔（AFS）与半贫液分流结合，在ASPEN模型中将再沸器负荷从3.57 GJ/t降至3.21 GJ/t。

机器学习驱动的效率革命

深度置信网络（DBN）在预测捕获率和能耗时准确率达98%，扩展神经网络（ENN）通过增量学习将数据处理时间缩短47%。强化学习（RL）在优化胺再生条件中展现出实时调控潜力，为动态工艺控制开辟新路径。

政策与商业模式的协同效应

美国《通胀削减法案》45Q条款提供180 /t的碳税抵免，推动壳牌CANSOLVAlpha溶剂等技术的商业化。欧盟通过《净零工业法案》规划50MtCO₂/年的封存目标，而跨境的"自由市场模型"（如新加坡S?Hub枢纽）通过共享基础设施将成本压缩至85/t以下。

未来技术路线图

动态生命周期评估（DLCA）和系统动力学工具（如Vensim）将成为评估新型溶剂环境影响的标尺。研究优先级应聚焦于：（1）天然气电厂中相变溶剂的中试验证；（2）CO₂制燃料催化剂（如TiO(OH)₂）的放大实验；（3）基于马尔可夫链蒙特卡洛（MCMC）的容量因子不确定性分析，以应对可再生能源渗透率对电厂负荷率（实际值低至57%）的影响。

这一技术演进路径不仅需要化学工程与数据科学的深度融合，更依赖政策激励与跨境商业模式的创新，才能实现IPCC设定的10 GtCO₂/年捕集目标。