数据驱动模型在燃烧后CO2捕集中的性能评估：精度、鲁棒性与可行性的多维度分析

为解决工业碳捕集系统中吸收塔动态模拟的精度与鲁棒性问题，研究人员对比评估了动态模态分解(DMD)、长短期记忆网络(LSTM)、自回归积分滑动平均(ARIMA)等五种算法在三种预处理场景下的表现。结果表明，基于鲁棒主成分分析(RPCA)的预处理显著提升模型精度，其中DMD兼具计算高效性与抗噪能力，而LSTM虽适用于长期预测但存在训练敏感性。该研究为工业碳捕集实时决策提供了模型选择依据，发表于《International Journal of Greenhouse Gas Control》。

　　

在全球气候变暖与《巴黎协定》的减排目标背景下，碳捕集与封存(CCS)技术成为减少化石能源碳排放的关键手段。然而，传统胺基捕集工艺的高成本与复杂动力学特性制约其大规模应用，其中吸收塔作为核心单元，其动态行为的精准模拟直接影响系统能效。现有研究多基于合成数据或简化模型，难以应对工业场景中的噪声干扰与停机事件，亟需系统评估数据驱动模型在真实工况下的适用性。

为此，Valentin Formont团队在《International Journal of Greenhouse Gas Control》发表研究，首次采用工业级吸收塔运行数据（13,927小时采样），对比动态模态分解(DMD)、ARIMA、LSTM等五种算法在RPCA预处理前后的表现。研究通过高斯噪声注入（σ=0.01-0.3）量化模型鲁棒性，并采用MAE、RMSE等指标评估不同时间跨度（1天至3个月）的预测性能。

关键技术方法

1. 1.

   数据预处理：采用鲁棒主成分分析(RPCA)分解低秩矩阵与稀疏噪声，结合线性插值处理停机时段（占数据14.4%）。

2. 2.

   模型架构：DMD通过奇异值分解(SVD)提取主导模态；LSTM采用Seq2Seq框架（2层64神经元）；ARIMA参数通过AIC准则自动优化。

3. 3.

   评估体系：计算训练/预测耗时，并引入蒙特卡洛模拟（LSTM）与置信区间分析（ARIMA）量化不确定性。

研究结果

4.1 探索性分析

RPCA有效分离工况趋势（低秩矩阵L）与异常事件（稀疏矩阵S），但未插值数据中停机段被误判为正常工况。插值使CO₂-4浓度方差降低42.5%，但引入非物理过渡过程。

4.2 预测性能

• •

  精度对比：RPCA预处理使平均MAE降低50%（0.481 vs 未处理0.961），其中ARIMA在1天预测中表现最优（MAE=0.147）。

• •

  时效性：DMD训练仅需0.02秒，比LSTM快3,000倍；LSTM在3个月预测中误差增长最缓（MAE=0.453）。

• •

  算法特性：DMD与ARIMA捕捉全局趋势，而RFR/SVR因点预测特性误差随时限急剧上升（3个月MAE>1.5）。

4.3 鲁棒性评估

• •

  抗噪能力：ARIMA受噪声影响最小（MAE增幅<5%），DMD次之（RPCA辅助时增幅8.8%）。

• •

  随机敏感性：LSTM预测方差高达信号标准差1.36倍，反映训练初始化的强依赖性。

结论与意义

该研究揭示了数据驱动模型在碳捕集应用中的三重权衡：

1. 1.

   精度-效率：DMD以近实时计算（<0.02秒）达到ARIMA级精度，适合嵌入式部署；

2. 2.

   鲁棒性-复杂度：RPCA提升所有模型抗噪性，但对LSTM训练随机性无改善；

3. 3.

   物理一致性：插值处理虽提升数据连续性，可能掩盖真实瞬态特征。

研究为工业CCS的数字化提供了方法论框架：DMD+RPCA组合适用于实时控制，而LSTM更适合长期能效优化。未来可扩展至解吸塔耦合建模，并探索RPCA参数自动化与DMD模式物理解释。挪威科技大学团队的工作证实，在碳中和进程中，平衡算法复杂度与工程可行性将成为碳捕集智能化的核心挑战。