综述:将先进材料与人工智能相结合,用于下一代碳捕获、利用和储存(CCUS)技术:综述
《RSC Advances》:Synergizing advanced materials and artificial intelligence for next-generation carbon capture, utilization, and storage (CCUS): a review
【字体:
大
中
小
】
时间:2026年01月14日
来源:RSC Advances 4.6
编辑推荐:
全球二氧化碳(CO2)排放量的不断增加,主要源于工业和能源部门,这对气候稳定构成了严重的全球性挑战。碳捕获、利用和储存(CCUS)技术被视为实现《巴黎协定》中设定的脱碳目标的重要途径,通过减少大气中的CO2水平并将其转化为有用的产品。本综述介绍了用于提高CCUS过程效率的材料和技
全球二氧化碳(CO2)排放量的不断增加,主要源于工业和能源部门,这对气候稳定构成了严重的全球性挑战。碳捕获、利用和储存(CCUS)技术被视为实现《巴黎协定》中设定的脱碳目标的重要途径,通过减少大气中的CO2水平并将其转化为有用的产品。本综述介绍了用于提高CCUS过程效率的材料和技术的进展。基于生物炭和纳米材料的吸附剂,包括碳纳米管、石墨烯衍生物、纤维素纳米纤维和纳米多孔碳,由于其可调的孔隙率和较大的表面积,具有显著的CO2捕获潜力。在金属-有机框架(MOFs)的应用中,基于石墨烯的催化剂和单原子催化剂(SACs)在封闭碳经济中电化学还原CO2为燃料和化学品方面显示出有希望的选择性。对于长期储存,安全且多用途的封存方法包括矿物碳酸化、水合物形成和混合基质膜。人工智能(AI)和机器学习(ML)技术对于CCUS的有效性至关重要,不仅在高通量材料筛选和催化活性及羽流迁移预测的预测建模方面,也在系统优化方面发挥着重要作用。新的数字工具,包括数字孪生、物联网支持的监测和生命周期评估,提高了CCUS部署的可靠性、可扩展性和可持续性。尽管仍存在许多挑战,尤其是在成本、稳定性和工业可扩展性方面,但随着材料科学和数字智能的快速发展,CCUS可以被视为实现净零能源转型的新兴变革性技术。
1 引言
人类活动,如燃烧化石燃料、交通运输、农业以及大规模工业生产中的化肥、钢铁和水泥制造,是温室气体(GHG)排放的主要来源。这些温室气体排放直接加速了全球变暖,导致极端的气候变化。2018年,全球CO2排放量占总温室气体排放量的67%。展望未来几年,COVID-19危机对CO2排放产生了积极影响。与2019年的CO2排放水平相比,2020年记录下降了7%。然而,在疫情后的年份,当社会活动恢复时,CO2排放量比前一年增加了6%。2022年,亚洲的CO2排放量为21.82 Gt,北美为6.27 Gt,欧洲为5.23 Gt,非洲为1.43 Gt,南美洲为1.10 Gt,大洋洲为0.43303 Gt(不包括土地利用变化)。图1显示了2010年至2023年间各大洲CO2排放量的比例。
图1 2010年至2023年各大洲来自化石燃料和工业的年度CO2排放量。这些数据未包括森林砍伐或重新造林等土地利用实践。(数据来源:Global Carbon Budget-2024。)“数据页:年度CO2排放量”,摘自Hannah Ritchie, Pablo Rosado, 和 Max Roser (2023) – “CO2和温室气体排放”。数据改编自Global Carbon Project。网址:https://archive.ourworldindata.org/20250716-155402/grapher/annual-CO2-emissions-per-country.html(存档于2025年7月16日),根据Creative Commons (CC) 4.0许可协议共享。随着CO2排放的持续趋势,世界很快将面临大气中CO2的巨大积累。因此,必须引入先进技术来降低升高的CO2水平。近年来,碳捕获、利用和储存(CCUS)技术引起了研究人员的关注,因为它有助于解决一系列大气问题,包括工业CO2排放、大气中的CO2积累、基于CO2的产品的形成以及CO2的储存。这是因为CCUS技术整合了多种技术,可以从排放源(如工业或发电厂)捕获CO2。之后,捕获的CO2的命运取决于是被利用还是被储存。
CO2可以在含碳燃料燃烧之前或之后被捕获。然而,当空气与燃料反应时,这些燃烧过程中也可能产生NOx。这可以通过使用富氧燃烧技术来避免,其中纯氧与燃料反应,只产生CO2和水蒸气。从烟气中捕获燃烧后的CO2的最佳方法是基于亨利定律的吸收/解吸法,或者是吸附/解吸法。而克努森扩散原理和菲克分子扩散则是通过膜进行燃烧前CO2捕获的基础。沸石、金属-有机框架(MOFs)、基于硅的材料、共价有机框架(COFs)和碳质多孔材料已被用于碳储存。然而,低CO2分压会导致选择性降低,从而降低吸附性能。许多这些吸附剂在高温下会因结构失效而失去活性。捕获的CO2可以有多种用途,例如直接用于石油或天然气回收、发泡、灭火器、干冰或焊接。基于CO2的溶剂也用于各种有机反应。在某些有机反应中,CO2作为反应物生产许多有价值的化学品。脱盐也是CO2的另一种用途。CO2可以通过以下方法储存:(i)地质储存方法,(ii)海洋储存方法,或(iii)矿物储存方法。
自2020年以来,在Dimensions.ai数据库中搜索“碳捕获、利用和储存(CCUS)技术”一词共找到了14,527篇文章。相比之下,使用“CCUS技术的先进材料”这一术语检索到了7,135篇文章,而使用“AI/ML for CCUS技术”仅找到了1,851篇文章。这种不平衡突显了一个重要的研究空白:尽管许多论文报道了CCUS的一般情况,但相对较少的研究探讨了先进材料和AI/ML模型的关键贡献。因此,本综述讨论了这两个有限但具有潜在变革性的研究领域,以展示它们提高CCUS过程效率、可扩展性和可持续性的能力。如图2所示,讨论从基于生物炭的吸附剂开始,然后转向纳米材料,如碳纳米管、石墨烯氧化物、纤维素纳米纤维和纳米多孔碳,分别评估了它们的结构特性、功能修饰和CO2吸附能力。随后,综述转向了先进的催化系统,包括金属-有机框架(MOFs)、基于石墨烯的材料和单原子催化剂(SACs),这些系统能够高效地将CO2电化学还原为燃料和增值化学品。还从规模扩大和持久性的角度评估了水合物、矿物碳酸化和聚合物膜等储存策略。除了材料研究外,人工智能和机器学习工具的研究也成为CCUS研究的一个重点领域,因为它在加速材料发现、预测催化性能和设计系统级集成方面提供了宝贵的帮助。
2 先进材料用于碳捕获
先进材料的发展已成为碳捕获研究的基石,提供了具有增强表面性质、选择性和稳定性的新型吸附剂,能够高效地从各种排放源捕获CO2。本节重点介绍了用于碳捕获的各种基于生物炭和纳米材料的实体。不同吸附剂的CO2吸附能力总结在表1中。
表1 不同材料的CO2捕获能力
1. 竹炭生物炭(BBC-KOH)
氢氧化钾(KOH)
1.50 mmol g?1
25 °C
N/A
540.496 m2 g?1
2. 竹炭
氢氧化钾(KOH)
0.88 mmol g?1
25 °C
1 bar
526.36 m2 g?1
3. 竹炭生物炭(BB)
氢氧化钾(KOH)
14.12 cm3 g?1 或 0.63 mmol g?1
0 °C
1 bar
7.83 m2 g?1
4. 橙皮生物炭(OPB)
氢氧化钾(KOH)
22.83 cm3 g?1 或 1.01 mmol g?1
0 °C
1 bar
40.13 m2 g?1
5. 锯末生物炭
ZnCl2
1.58 mmol g?1
0 °C
1 bar
717.60 m2 g?1
6. MWCNT-COOH
N/A
0.1%
30 °C
0.9 bar
121 m2 g?1
7. MWCNT-SD-DETASi
DETASi
0.43 mmol g?1 (1.89%)
35 °C
1 bar
88 m2 g?1
8. MWCNT-OH-DETASi
DETASi
0.17 mmol g?1 (0.74%)
35 °C
1 bar
83 m2 g?1
9. MWCNT-COOH-DETASi
DETASi
0.33 mmol g?1 (2.11%)
30 °C
0.9 bar
74 m2 g?1
10. 石墨烯氧化物
PAMAM/CNTs (0.6/0.12)
2.23 mmol g?1
25 °C
1 bar
126 m2 g?1
11. 石墨烯氧化物
PAMAM/CNTs (0.2/0.03)
1.17 mmol g?1
25 °C
1 bar
115 m2 g?1
12. 石墨烯氧化物
N/A
0.38 mmol g?1
25 °C
1 bar
74 m2 g?1
13. CNTs
N/A
0.032 mmol g?1
25 °C
N/A
N/A
14. CNTs
SiO2
0.670 mmol g?1
25 °C
N/A
N/A
15. CNF
3-氨基丙基二乙氧基硅烷
2.26 mmol g?1
23 °C
N/A
7.5 m2 g?1
16. CNF
N-(2-氨基乙基)-3-氨基丙基二乙氧基硅烷
1.91 mmol g?1
80或90 °C
N/A
51.8 m2 g?1
17. 纳米多孔活性炭
氢氧化钾(KOH)
30.4 mmol g?1
0 °C
30 bar
3106 m2 g?1
18. C-PP-700-1
用过硫酸钾进行S掺杂
2.63 mmol g?1
25 °C
1 bar
810 m2 g?1
19. C-PP-750-1
用过硫酸钾进行S掺杂
3.77 mmol g?1
0 °C
1 bar
866 m2 g?1
20. C-PP-750-1
用过硫酸钾进行S掺杂
2.56 mmol g?1
25 °C
1 bar
866 m2 g?1
21. C-PP-750-2
用过硫酸钾进行S掺杂
3.20 mmol g?1
25 °C
1 bar
849 m2 g?1
22. C-PP-750-3
用过硫酸钾进行S掺杂
2.35 mmol g?1
25 °C
1 bar
866 m2 g?1
23. gNPCN-130
内置碱性N位点(48%),使用SBA15-130模板(9.15 nm孔径)
21.2 mmol g?1
0 °C
30 bar
466 m2 g?1
24. gNPCN-150
内置碱性N位点(48%),使用SBA15-150模板(11.24 nm孔径)
23.1 mmol g?1
0 °C
30 bar
553 m2 g?1
25. nTCN
N/A
4.6 mmol g?1
0 °C
30 bar
49 m2 g?1
26. 纳米多孔碳
氢氧化钾(KOH)
6.71 mmol g?1
0 °C
N/A
N/A
27. 纳米多孔碳
氢氧化钾(KOH)
4.214 mmol g?1
25 °C
N/A
N/A
28. 掺杂纳米多孔碳
氢氧化钾(KOH)
6.40 mmol g?1
0 °C
1 bar
N/A
29. 掺杂纳米多孔碳
氢氧化钾(KOH)
4.38 mmol g?1
25 °C
1 bar
N/A
30. N/O共掺杂多孔碳
Na2CO3
1.95 mmol g?1
0 °C
1 bar
850.16 m2 g?1
2.1 生物炭吸附剂
生物炭是通过在约<700°C下的热解形成的。它是用于碳捕获的最先进的吸附剂之一。由于其高表面积、细小的孔隙率和显著的体积,它被认为比传统使用的碳捕获吸附剂更有效,成本也低10倍。此外,通过用碱性官能团修饰生物炭表面,可以增强其对CO2的亲和力。
2.1.1 生物炭的协同激活和表面修饰
研究了竹炭生物炭(BBC-KOH)的CO2捕获能力,发现它在25°C下可以吸附1.50 mmol g?1的CO2,解吸温度低(80°C)。当用KOH激活后,观察到其表面积从374.42 m2 g?1增加到540.496 m2 g?1。研究表明,KOH还使孔径从28.812埃增加到38.496埃。这些发现突显了通过生物炭表面改性来增强二氧化碳(CO2)捕获效果的重要性;然而,吸附能力可能会随着温度的升高而下降。29
生物炭吸附剂的BET表面积对其捕获能力的影响可以通过与竹炭生物炭(BB)和橙皮生物炭(OPB)的比较研究进一步验证。这两种吸附剂都经过了KOH的改性处理。BB吸附了14.12 cm3 g?1或0.63 mmol g?1的CO2,而OPB吸附了22.83 cm3 g?1或1.01 mmol g?1的CO2。这种差异是由于它们的表面积不同,OPB的表面积为40.13 m2 g?1,而BB的表面积为7.83 m2 g?1。31
除了KOH之外,还采用K2CO3和尿素在大约800°C下对玉米芯粉制成的生物炭吸附剂进行了氮掺杂改性,结果显示在0°C和1巴的压力下,其吸附能力达到了5.69 mmol g?1,这得益于氮掺杂生物炭与CO2之间的活化能得到了改善。然而,开发氮掺杂生物炭材料缺乏能够控制其孔径的机制途径,并且成本较高。10 K2CO3的改性效果更显著,但由于其改性机制更为简单,KOH仍然是更优选的选择。
2.1.2
限制与适得其反的改性
生物炭吸附剂的改性并不总是直接与其吸附能力相关。实际上,某些改性可能会产生负面影响。例如,当竹炭、木托盘和椰壳用H3PO4改性后,其表面会引入含磷的功能基团,使其略微呈酸性,从而降低其捕获能力。同样,将上述生物炭吸附剂与ZnCl2混合并搅拌24小时也会降低它们的碳捕获能力,因为这会导致孔径缩小。30 然而,将ZnCl2的改性时间缩短至12小时可能会防止生物炭的结构崩塌,正如Kwon和Lee所展示的那样,用ZnCl2改性的锯末生物炭在标准温度(STP)下可以吸附1.58 mmol g?1的CO2。鉴于ZnCl2的腐蚀性较低且锌的回收较为容易,因此它是改性生物炭吸附剂的合适选择。32 四乙基五胺(TEPA)的改性也会降低生物炭的吸附能力,因为其分子体积较大且结构特殊。39 因此,应在选择最合适的试剂后,并且只有在必要时才进行改性,因为即使未经改性的生物炭吸附剂,如果设计得当或具有碱性功能基团,也能吸收大量的CO2。在这方面,一项研究表明大豆秸秆生物炭具有较高的碱性,可以以26.53–41.49 mg g?1的速率吸附CO2,这表明碱性是碳捕获的关键因素。40
虽然生物炭吸附剂在有效捕获碳方面具有潜力,但它们仍处于发展阶段,需要大量的持续研究,因为优化处理条件是一个非常具有挑战性的步骤,特别是在高温热解等严苛条件下。尽管扩大生物炭的生产规模面临诸多困难,但适当的设计可以使这一目标在未来几年内实现。图3展示了生物炭用于碳捕获时所面临的挑战。
2.2
用于碳捕获的纳米材料
为了将先进的材料应用于大型发电厂的碳捕获与封存(CCUS)技术,需要降低成本、提高可用性并增强功能性。之前讨论的材料似乎无法克服这些挑战。然而,协同设计的纳米材料作为一类化合物,有可能加速CCUS技术的进步。纳米材料可以以纯形式使用,也可以作为混合物使用。可以通过胺类、羧基或羟基对纳米材料进行功能化;然而,胺类显示出最高的CO2捕获能力,因为它们使吸附剂对CO2更具选择性,并增强了疏水性。28 最常用的用于CO2捕获的纳米材料包括碳纳米管(CNTs)、14氧化石墨烯(15)、纤维素纳米纤维(16)和纳米多孔碳(17)。
图4
用于碳捕获的纳米材料及其优势。图5
不同吸附剂的CO2吸附能力。14–17,29–31,33,35,36
2.2.1
碳纳米管(CNTs)
使用纳米材料的主要优势在于吸附后CO2在吸附剂中的保留能力,这在碳纳米管用于CO2捕获时尤为明显。碳纳米管的空心拓扑结构提供了较大的孔径。单壁碳纳米管(SWCNTs)能够吸附高达4 mmol g?1的CO2,这是活性炭的两倍。多壁碳纳米管(MWCNTs)由于其出色的强度、导热性和导电性以及稳定的C-C键合,能够吸附大量的CO2。42
功能化并不总是增加表面积或孔体积;相反,它提供了额外的结合功能基团和化学吸附位点,这些基团和位点协同作用,能够吸附更多的CO2分子。例如,在三种MWCNTs(MWCNT-SD、MWCNT-OH和MWCNT-COOH)上使用N1-(3-三甲氧基硅基丙基)二乙烯三胺(DETASi)进行氨基烷基硅基功能化后,其比表面积分别从112 m2 g?1、103 m2 g?1和121 m2 g?1降低到88 m2 g?1、83 m2 g?1和74 m2 g?1。研究发现,当比表面积降至74 m2 g?1时,吸附能力(0.33 mmol g?1)达到了所有其他吸附剂中的最高值。同时,原始的MWCNT-SD和MWCNT-OH尽管具有较大的表面积(分别为112 m2 g?1和103 m2 g?1),却无法吸附CO2。这是由于胺基团为吸附物提供了化学吸附位点,而有机硅基团的均匀性提高了CO2的吸附效率。14 然而,同时提供碱性功能基团并增加表面积的改性剂更为有效。可以通过组合使用多种改性剂来实现这一目标。
2.2.2
氧化石墨烯(GO)及其改性剂
为了引入碱性功能基团并增加表面积,Pruna及其同事使用聚酰胺胺(PAMAM)树状大分子和碳纳米管(CNTs)以不同的比例对氧化石墨烯(GO)气凝胶进行了改性,显著增强了GO的交联能力。改性剂的协同效应使吸附剂的表面积从74 m2 g?1增加到115 m2 g?1和126 m2 g?1,在25°C下分别吸附了1.17 mmol g?1和2.23 mmol g?1的CO2。这项研究表明,通过使用不同浓度的这些改性剂,可以提高CO2吸附剂的可扩展性和耐久性,因为PAMAM通过提供胺(碱性)基团来改善CO2吸附,而CNTs通过减少GO片层的堆叠并作为间隔物来优化气体吸附。15
无论是单独使用还是与其他吸附剂结合使用,碳纳米管(CNTs)的团聚性质总是会影响其流化性能,从而不利地影响CO2的捕获。可以通过使用SiO2纳米颗粒进行改性来避免这一问题。例如,纯CNTs经过SiO2纳米颗粒改性后,其CO2捕获能力从几乎可以忽略不计的0.032 mmol g?1提高到了0.670 mmol g?1。这项工作为工业应用提供了一个实用的解决方案,因为在此之前的研究中尚未解决流化问题,但还需要进一步研究表面积的影响。33 TiO2纳米颗粒是另一类改性剂,可以改变吸附剂的润湿性并降低界面张力(IFT)。43 此外,使用冠状纳米孔还可以提高石墨烯的选择性。44
2.2.3
纤维素纳米纤维(CNFs)
上述吸附剂非常重要;然而,毒性问题仍然存在。纤维素纳米纤维(CNFs)是可生物降解且无毒的纳米吸附剂。这些纤维通常用硅烷衍生物进行功能化,这虽然显著降低了CNFs的BET表面积,但提高了CO2的选择性,从而增强了整体吸附过程。N-(2-氨基乙基)-3-氨基丙基甲基二氧基硅烷改性的CNFs即使具有51.8 m2 g?1的BET表面积,也能吸附1.91 mmol g?1的CO2。45 硅烷基团可以在CNF表面发生自聚反应。不过,添加醋酸可以通过催化硅烷与纤维素表面的硅醇反应来防止这一现象。16 在碳捕获技术中,一个重要的挑战是在吸附剂中实现微孔性和介孔性之间的平衡,因为这会降低吸附能力。前述的纳米材料尚未满足这一要求。
2.2.4
纳米多孔碳
纳米多孔碳是另一类有效的吸附剂,它们通过提供极大的表面积和在高温下出色的耐压能力来填补孔隙度的空白。所有这些特性使它们成为最佳的CO2吸附剂。例如,来自鳄鱼草的纳米多孔活性炭具有高达3106 m2 g?1的表面积,可以吸附30.4 mmol g?1的CO2。34 通过热解(700和750°C)椰壳并掺杂过硫酸钾制备的纳米多孔碳,在0°C和25°C下也能吸附CO2,如表1所示。35 而且,即使在大压力(30巴)下,经过纳米二氧化硅模板改性的纳米多孔碳氮化物也能吸附21.2和23.1 mmol g?1的CO2。17 纳米多孔碳的高效吸附能力归因于其含氧功能基团的存在,这些基团对CO2具有更高的选择性,以及其定制的孔隙结构。纳米多孔碳的原位氮掺杂还可以提供含氧的框架,增强微孔性,从而有助于静电吸附。37
2.3
聚合物膜
混合基质膜(MMMs)也显示出在提高CO2捕获方面的巨大潜力,因为它们比纯聚合物具有更好的渗透性和选择性。它们能够超越Robeson上限,因此在燃烧后捕获和天然气净化应用中特别有吸引力。诸如水凝胶涂层、PEG化和羧基化等功能化策略进一步改善了聚合物基质中的CNT分散性,减少了界面缺陷,并建立了优先的CO2传输路径。23 例如,含有NIPAM涂层的多壁碳纳米管(NIPAM-MWCNTs)的Pebax MH 1657 MMMs使CO2渗透率提高了35%,选择性提高了11%,证明了它们在天然气和烟气分离方面的有效性。虽然这些膜提高了捕获效率,但它们的储存能力尚未得到报道,因此在大规模应用方面仍存在不确定性。46 在此基础上,使用PEG功能化的MWCNTs制造的PIM-1聚合物基MMMs实现了更高的性能提升,CO2渗透率提高了53.5%,CO2/N2选择性提高了18.8%。这些改进在低填料负载(0.5–2 wt%)时最为显著,突显了优化分散性的关键作用。然而,当CNT含量超过2 wt%时,会发生团聚现象,这阻碍了气体传输,部分抵消了优势,强调了在较高负载下保持均匀分布的挑战。47 因此,不同的膜可以用于CO2存储,但成本和可扩展性仍然是需要解决的问题。这些材料在CO2捕获方面非常有效;然而,未来的发展方向可以是开发含有碱性功能基团的复合材料,这些基团对CO2具有更高的选择性,并增强吸附剂的微孔性和介孔性。如果要将这些材料应用于工业规模,还需要解决热稳定性问题。表1和图5总结了不同的CO2捕获吸附剂。
2.4
不同的碳捕获方法和先进材料
碳捕获可以通过三种不同的方法实现:(1)燃烧前碳捕获,(2)燃烧后碳捕获,以及(3)直接空气捕获(DAC),如图6所示。图6
碳捕获方法及其面临的一些挑战。
2.4.1
燃烧前碳捕获
在燃烧前碳捕获中,二氧化碳在化石燃料燃烧之前就被捕获。燃烧前捕获包括将化石燃料气化成合成气(CO + H2),通过水-气变换反应将CO转化为CO2,并从富含H2的流中分离出CO2。燃烧前CO2捕获主要在大型集成气化联合循环(IGCC)发电厂和氢气生产设施中进行,为低碳和氢气生产提供了途径,但由于高资本成本和工艺复杂性,其应用受到限制。48
在集成气化联合循环系统中分析了燃烧前CO2捕获,其中化石燃料被转化为合成气(CO + H2O),并从氢气中分离出CO2。研究人员研究了新型物理溶剂,如PEG硅氧烷1和[aPy][Tf2N],以及离子液体,如[P2228][CNPyr],以捕获每小时100 kmol的CO2流。他们报告使用离子液体系统捕获每吨二氧化碳的成本为93.86美元,并发现特定化学溶剂和离子液体可以提高捕获率,并在高温高压的预燃烧条件下提供比传统方法更具经济可行性的替代方案。另一项研究考察了Selexol,这是一种用于同时去除二氧化碳和硫化氢的溶剂,在IGCC系统的预燃烧碳捕获过程中使用。研究人员利用Honeywell UniSim R400软件和亨利定律溶解度模型以及Peng–Robinson状态方程来模拟气相行为,发现在高二氧化碳压力(12-20巴)和共享溶剂循环系统下,两阶段Selexol工艺可以实现≥99%的氢气回收率、90-95%的二氧化碳捕获率以及低于20 ppm的二氧化碳纯度。
2.4.2 燃烧后碳捕获
燃烧后碳捕获是一种适用于多种现有工业和能源系统排放物的方法,例如水泥厂、钢铁生产、电力或移动污染源的排放。
不同的材料已被用于燃烧后的二氧化碳吸收。He等人(2019年)证明,离子液体接枝的活性炭在燃烧后二氧化碳吸收和二氧化碳/氮气选择性方面优于离子液体浸渍的活性炭和原始活性炭,因为前者具有更少的孔隙堵塞和更好的孔隙保持能力。接枝系统还提供了连续循环下的稳定性和可回收性。然而,性能仍然取决于离子液体的负载量。所指示的性能指标也没有根据标准烟气条件进行量化或基准测试。最近对燃烧后二氧化碳捕获的评估表明,基于胺的化学吸收仍然是唯一完全商业化的方法。这是基于大规模操作,如Benfield工艺,每年可捕获约70万吨二氧化碳。物理溶剂,如Rectisol,在适当的压力-温度条件下也能实现高纯度二氧化碳的回收,大规模设施每年可捕获7-840万吨二氧化碳。该综述指出,一些MOF吸附剂,如Mg/DOBDC(约5.95 mmol g?1),在低压下对燃烧后气体有良好的吸收潜力,但高昂的材料成本和工业条件下的放大挑战仍然是其应用的障碍。椰子和棕榈壳被改造成活性炭,这些改性后的材料具有132.76和101.92 m2 g?1的表面积以及约8 nm的孔径,使其成为适合燃烧后二氧化碳捕获的材料。活化处理后,固定碳含量增加,挥发性物质减少,从而得到了更清洁的碳基质。一些最近的研究还集中在多孔碳材料(PCMs)用于燃烧后二氧化碳捕获上,通过使用生物质衍生的前体、化学活化以及杂原子掺杂等方法。
所有这些材料都表现出显著的活性;然而,另一项关于离子液体的研究表明,在氧燃料燃烧装置中,1-ethyl-3-methylimidazolium阳离子和bis(trifluoromethylsulfonyl)imide阴离子[emim][Tf2N]可以实现极低的能量二氧化碳捕获,每吨二氧化碳消耗112.27千瓦时,解吸效率为98.2%,二氧化碳纯度为99.9%,在0.01 MPa的压力下。作者还表明,通过改变这些物理性质(离子液体密度、热容量和热导率),可以显著控制循环速率和热交换器的需求。因此,在设计任何捕获配置中的高性能二氧化碳捕获溶剂时,了解这些材料的物理性质是非常有用的。
2.4.3 直接空气捕获(DAC)
关于直接空气捕获,有一项研究描述了基于铁路的DAC,它在火车上安装了二氧化碳捕获单元,并结合了再生制动和车载太阳能来为柔性吸附剂(胺、MOFs、电摆动醌)提供动力,无需外部能源。每列火车每天可以去除75-105吨二氧化碳,预计总成本约为每吨45美元,到2075年最终可以提供高达7.8 Gt的全球捕获能力。这种方法减少了与DAC相关的排放、基础设施和土地面积,同时提供了可扩展且能源效率高的选择。在另一项研究中,展示了一种分布式DAC系统,将碳纳米纤维(CNF)基过滤器集成到建筑物的供暖、通风和空调(HVAC)系统中。CNF吸附剂的理论生产量为每克4毫摩尔二氧化碳,这可能允许全球每年理论上去除5.96亿吨二氧化碳。通过太阳能、热能或电热焦耳加热进行再生,大大降低了能源需求。生命周期评估显示碳去除效率为92.1%,技术经济分析显示碳去除成本为每吨二氧化碳209-668美元,突显了一种可扩展、低碳且与现有基础设施兼容的DAC解决方案。另一项研究探讨了利用碳酸酐酶(CA)辅助的DAC,以增加二氧化碳在水性碳酸盐溶液中的吸收。在DAC相关条件下(0.04%二氧化碳),添加微摩尔浓度的CA使吸收率提高了三倍,并将捕获效率从约20%提高到60%(即使在较高的气体流速下也是如此)。与KOH溶液相比,添加1 μM碳酸酐酶减缓了快速氢氧化物反应,表明基于酶的碳酸盐吸附剂可以使直接空气捕获(DAC)成为可能,同时降低再生能量(约7-9 GJ每吨二氧化碳)。总体而言,在预燃烧、燃烧后和直接空气捕获技术方面可以看到多项进展,例如在材料开发、工艺设计和提高能源效率方面,通过使用定制溶剂、离子液体和新的吸附剂实现了更高的二氧化碳捕获率和整体纯度,如下表2所示。
表2 总结了最近在预燃烧、燃烧后和直接空气碳捕获技术方面的进展,包括材料、工艺和关键性能指标。
碳捕获类型
技术/材料
工艺/设置
关键性能指标/发现
参考文献
预燃烧
Selexol(物理溶剂)
从IGCC的转化合成气中去除二氧化碳/硫化氢;在Honeywell UniSim R400软件中使用亨利定律+ Peng–Robinson状态方程进行模拟
≥99%氢气回收率,90-95%二氧化碳捕获率,二氧化碳纯度< 20 ppm,能耗符合DOE NETL标准
50
离子液体 ([P2228][CNPyr])
从合成气流中捕获二氧化碳(约100 kmol h?1)
捕获成本为每吨二氧化碳93.86美元;在高温高压下具有高捕获效率
49
PEG硅氧烷 1, [aPy][Tf2N]
评估了新型物理溶剂
提高了二氧化碳分离性能
49
燃烧后
IL接枝活性炭
烟气中二氧化碳/氮气分离
提高了二氧化碳吸收率和选择性;减少了孔隙堵塞;良好的可回收性
52
基于胺的化学吸收(Benfield工艺)
商业化的燃烧后捕获
每年捕获约70万吨二氧化碳
53
物理溶剂(Rectisol)
工业二氧化碳分离
在适当条件下每年捕获7-840万吨二氧化碳
53
MOFs(例如,Mg/DOBDC)
低压二氧化碳吸收
吸收量约为5.95 mmol g?1
53
生物质衍生的活性炭
燃烧后二氧化碳吸附
表面积:132.76和101.92 m2 g?1;孔径约为8 nm;增强了微孔性
54
多孔碳材料(PCMs)、聚合物、泡沫
二氧化碳吸附剂
提高了孔隙率和吸附性能;杂原子掺杂改善了性能
55
离子液体 [emim][Tf2N]
氧燃料燃烧
二氧化碳捕获能量为每吨112.27千瓦时,解吸效率为98.2%,二氧化碳纯度为99.9%;离子液体的性质(密度、热容量、热导率)影响性能
56
直接空气捕获(DAC)
基于铁路的DAC(胺、MOFs、电摆动醌)
火车上的DAC单元,由再生制动和太阳能提供动力
每列火车每天捕获75-105吨二氧化碳;成本约为每吨45美元;到2075年的全球潜力为7.8 Gt;减少了土地使用和电网负担
57
基于CNF的过滤器
集成到HVAC中的分布式DAC
二氧化碳容量为每克4毫摩尔;全球去除潜力为5.96亿吨;生命周期碳去除效率为92.1%;成本为每吨二氧化碳209-668美元
酶辅助的DAC(碳酸酐酶,CA)
在水性碳酸盐溶液中吸收二氧化碳
在0.04%二氧化碳条件下:吸收率提高了三倍;捕获效率从约20%提高到60%;1 μM CA补偿了KOH的动力学;降低了再生能量(约7-9 GJ每吨二氧化碳)
3 先进材料用于碳利用
捕获后的二氧化碳可以以多种方式利用。这种碳利用可以是化学的(转化为化学品、材料、燃料),生物的(转化为燃料、饲料、肥料或食品),或者是地质的(转化为石油、天然气、水或矿物)。以下是使用碳的不同材料的示例。表3总结了各种催化剂/系统及其碳利用效率、产品和局限性,图7展示了碳利用过程中面临的一些挑战。
碳利用和系统的局限性
1 Cu-THQ, Cu-HHTP
方形平面CuO4
CH4
<2% 电流效率
低二氧化碳活化率,选择性差
18
Cu-DBC (CuO5)
π-键合 → *CO → *CHO
CH4
56% 电流效率
效率仍然中等
18
HATNA-Cu-MOF
π–π堆叠稳定性
CH4
78% 电流效率
CH4选择性较低
61
Cu4-MFU-4l
三角铜(i)–N位点
CH4
81% 电流效率
铜(i)在空气中不稳定
62
NNU-33(H)
–OH配体,亲铜相互作用
CH4
82% 电流效率,391 mA cm?2
需要高稳定性
63
NNU-32
—
CH4
55% 电流效率,384 mA cm?2
选择性较低
63
Cuobpy纳米片
形态控制
CH4
82% 电流效率
可扩展性问题
64
Adenine-Cu-MOF
形状依赖性
CH4
50% 电流效率
中等选择性
65
2D-vc-MOF(Cu)
空位
CH4
65% → 32% 电流效率
结构脆弱
66
Cu2O@CuHHTP
MOF衍生物
CH4
73% 电流效率,10.8 mA cm?2
低于最佳MOFs
67
CuNPs来自MOF-74
单个Cu纳米粒子
CH4
>50% 电流效率
选择性中等
68
Cu–N-C(来自Cu-BTC)
调节Cu–Nx的温度
CH4/C2H4
13.9–38.6% 电流效率
选择性之间的权衡
69
N掺杂石墨烯 + 离子液体
咪唑阳离子
CH4
93.5% 电流效率,高电流
解决了传统的不稳定性
70
Cu NPs在N-石墨烯上
N位点引导*CO结合
C2+醇(EtOH, n-PrOH)
—
C2+增强
71和72
Au NPs(约2.4 nm)在RGO上
缺陷位点 + 胺添加剂
CO
59–75% 电流效率
产品选择性可控
73
Ag–石墨烯–N-C纤维
混合电极
醋酸盐,EtOH,CO,H2
—
选择性中等
19
RGO–CdS(Ag-NW增强)
光驱动活性
CO,CH4
—
电荷重组得到改善
74
Ir–Co SAC
稳定的HCP Co相
费托产物
CH4选择性降低了10% → 2.7%
高稳定性(1200小时)
20
Cu-SAC在C3N4中
单个Cu位点
CH4
68% 电流效率
中等
20
Cu–N2O2 SAC
N,O配位
CH4
78% 电流效率,40 mA cm?2
—
76
图7 碳利用过程中面临的挑战。
3.1 金属有机框架(MOFs)用于甲烷生产
对于二氧化碳电化学还原(CO2ER)生成甲烷,MOFs起着至关重要的作用。例如,从低选择性的Cu-THQ和Cu-HHTP开始,它们具有方形平面的CuO4位点,在-1.4 V时提供的法拉第效率(FE)低于2%。然而,它们在激活和氢化二氧化碳中间体方面的局限性促使人们合成了几何结构经过调整的Cu-DBC(CuO5),这增强了π-键合并促进了*CO → *CHO的反应,达到了56%的FE,在-1.4 V时。尽管如此,这些系统的效率仍然中等。为了提高选择性和效率,HATNA-Cu-MOF利用π–π堆叠结构稳定性,在-1.5 V时实现了78%的FE,但还需要进一步提高CH4的选择性。Cu4-MFU-4l(Cu-BTDD衍生物)引入了三角铜(i)–N3位点来控制氢化反应生成CH4,在中性介质下实现了81%的FE,在-1.2 V时;然而,铜(i)对空气的敏感性限制了其实际应用。为了解决稳定性和电流问题,NNU-33(H)使用–OH配体和强亲铜相互作用来稳定中间体并抑制HER反应,在-0.9 V时达到了82%的FE和391 mA cm?2的电流,而NNU-32的选择性和电流分别较低(55% FE和384 mA cm?2)。
3.1.1 形态和衍生物的改进
形态控制进一步帮助:Cuobpy单层纳米片暴露了更多的位点,使FE在-1.4 V时达到了82%,但在大规模处理超薄层时具有挑战性。虽然基于腺嘌呤的Cu-MOFs在-1.6 V时显示出高达50%的电流效率(纳米片效果最佳),但它们的选择性仍然处于中等水平,还有改进的空间。2D-vc-MOF(Cu)在-1.4 V时FE从65%下降到32%,显示出结构上的脆弱性。为了在稳定性和选择性之间取得平衡,出现了具有可控单一类型位点的MOF衍生物催化剂。Cu2O@CuHHTP在-1.4 V电压下实现了73%的法拉第效率(FE)和10.8 mA cm?2的电流,提高了稳定性,但仍未达到最佳效率。从MOF-74中分离出的CuNPs抑制了C2耦合,在-1.3 V电压下法拉第效率超过50%,但仍具有中等的选择性。通过结合电流和选择性,基于MOF前体的Cu/CeO2@C在碳封装策略下实现了80.3%的FE和138.6 mA cm?2的电流,这种策略防止了过度还原,并同时解决了耐久性和速率问题。总之,从Cu(BTC)(H2O)3衍生的Cu–N-C的组成/间距和调整使得法拉第效率从13.9%提高到了38.6%(800–900 °C)。Cu–Nx的温度调节决定了产物的形成和性质(C2H4与CH4),但选择性仍然低于Cu(i)-MOFs,这突显了在空气稳定性和峰值FE之间的权衡。
3.1.2 总结与协同发现
这些发现表明,MOFs提供了可调节的孔径、高表面积和定制的催化中心,这些特性降低了CO2活化的能量障碍,并优先引导氢化生成甲烷。结构设计、活性金属中心和配位环境之间的协同作用使得MOFs即使在通常来自可再生能源的低温下也能实现高CH4产率和法拉第效率。此外,通过微调配位环境,可以最小化氢和一氧化碳的副反应,这是文献中几种基于Cu的MOFs成功展示的策略。然而,这一计划受到几个关键限制的阻碍:这些框架通常具有较低的内禀导电性,限制了未经改性的MOFs的催化性能;选择性仍然难以精细调节;不需要的副产物持续形成;具有最佳性能的Cu(i)中心在暴露于空气中时会迅速降解;而且,在实验室规模上表现良好的行为尚未能够持续可靠地放大并应用于工业系统中。
3.2 基于石墨烯的材料用于CO2电还原
除了甲烷之外,基于石墨烯的材料还可以生产有价值的产品,如CO、醋酸酯、乙醇、氢(H2)和其他碳氢化合物。例如,经过离子液体处理的N掺杂石墨烯/碳纸利用咪唑鎓阳离子帮助稳定CO2,降低了所需电压,抑制了H2的形成,并实现了93.5%的法拉第效率。它还提供了稳定的高电流输出,解决了传统系统中遇到的选择性和稳定性问题。利用掺杂带来的活性提升,放置在N掺杂石墨烯上的铜纳米颗粒利用氮位点引导CO形成OC–COH,从而有助于生成C2+醇类,如乙醇和正丙醇。因此,这些材料通过改善碳基载体上的C–C耦合,克服了通常的C2+生成量低的问题。
3.2.1 协同混合系统
为了进一步调节CO的选择性和动力学,在还原的氧化石墨烯上使用约2.4纳米的Au,并添加胺类添加剂,将CO的选择性从32–60%提高到了59–75%,表明在石墨烯载体上的分子界面修饰剂可以系统地促进CO的形成,满足了针对特定产品的选择性控制需求。扩展到多碳产品,Ag–石墨烯–N掺杂碳纤维电极在-0.4至-1.0 V电压范围内产生了醋酸酯、乙醇、CO和H2,其中含石墨烯的架构提高了乙醇的法拉第效率,从而在CO选择性系统和C-2产物生成之间架起了桥梁。此外,RGO–CdS系统(通过Ag纳米线验证)利用了石墨烯的导电性和与CO2的π–π相互作用,提高了CO/CH4的产率并抑制了电荷重组,缩小了光驱动CO2活化效率低下的差距。
3.3 单原子催化剂(SACs)
催化领域正在经历范式转变,催化剂的设计变得至关重要。核心原则在于构建活性位点并调整其周围环境,以控制催化活性、选择性和稳定性。随着纳米科学的进步,活性相的尺度已经从纳米级和亚纳米级发展到单原子级别,从而出现了单原子催化剂(SACs)。SACs的概念最早在2011年由研究人员提出,他们通过共沉淀方法制备了用于一氧化碳氧化的铂基SACs。SACs特别吸引人,因为它们实现了最大程度的原子利用和独特的结构特性,随着可控合成策略的进步,它们在有毒气体处理、燃料电池和CO2利用等领域找到了应用。由于其独特的物理化学性质和可调配位环境的灵活性,SACs在CO2利用方面通常表现出优于传统纳米催化剂的表现。例如,在费托合成(FTS)中使用的基于Co的催化剂存在甲烷过量生成和水诱导氧化的问题。通过稳定Co纳米颗粒的六方密排(HCP)相,Ir–Co SAC成功将甲烷选择性从10%降低到了2.7%,并将耐久性延长到了超过1200小时,远超传统Co催化剂所达到的200小时。许多无毒的C-1化学品可以通过SACs利用CO2生产。同样,在CO2电化学还原反应(CRR)中,高过电势激活CO键结合多种竞争路径通常会导致转化率和选择性较差。SACs由于高原子利用效率和活性位点结构的均匀性而优于其他催化剂,允许与底物可靠地相互作用,提高了选择性。例如,在碳氮化物基质中支持的Cu催化剂在-0.84 V电压下的电化学还原过程中将CO2转化为CH4,法拉第效率达到了68%。同样,N、O配位的SACs,如Cu–N2O2,在大约40 mA cm?2的电流密度下将CO2转化为CH4时,实现了78%的法拉第效率。
尽管SACs具有诸多优势,但由于可能的金属-载体组合和配位环境的巨大组合空间,其合理设计仍然极具挑战性。传统的试错方法不足以有效探索这些可能性。
单原子催化剂(SACs)在CO2电还原中的催化选择性从根本上受到孤立金属中心的电子结构和配位环境的控制。根据过渡态理论,基本反应步骤的速率常数为k = Ae?Ea/RT,其中活化能障碍Ea决定了反应速率和竞争路径的相对概率。不同的单原子位点(例如Cu–N4、Fe–N4、Ni–N4)对关键中间体如*COOH、*CHO和*OCH3表现出不同的Ea值,这些中间体定义了CO、CH4和CH3OH产品之间的分支。密度泛函理论(DFT)计算因此提供了反应能障碍与产品选择性之间的定量映射,在施加电压下低障碍路径占主导地位。通过比较吸附能量、电荷分布和预测的态密度,可以理论上推断出最佳配位环境,这种环境能够稳定所需的中间体同时抑制不希望的氢气释放。此外,合理调整配位几何结构揭示了最佳活性位点配置是能够稳定目标中间体同时抑制副反应(如氢气释放反应(HER)的配置。本节展示了不同系统在碳利用方面的表现。然而,选择最合适的系统是一项相当繁琐的任务。图8展示了在选择最适合碳利用的系统时可以参考的各种材料的关键特征。表3进一步通过总结关键方面来验证结果。
4 先进材料用于碳储存
已经探索了多种先进的碳储存材料,从天然存在的水合物到工程聚合物膜,每种材料都提供了独特的机制、优势和挑战,适用于可扩展的碳管理,如图9所示。图9展示了气体水合物、矿物碳化和膜在碳储存方面的关键点。
4.1 用于碳储存的水合物
气体水合物是结晶的水冰笼状结构,能够包裹气体分子(例如甲烷或乙烷)。它们通常在高压和低温条件下生成,例如在永久冻土区或海洋深水区500米以下,那里天然气水合物(NGHs)丰富且能量丰富,因此适合作为CO2储存候选者。CO2也可以以液体或水合物的形式存在于海上条件,其中更密集的液态形式有助于保持安全储存。一个主要优势是CO2可以在水合物笼内替代甲烷,因为它在这些条件下更稳定。因此,CO2在排出甲烷后仍能安全地被捕获。此外,部分注入的CO2可能会形成一层密集的覆盖层,增强系统的整体保留安全性。同时,形成的水合物有助于沉积物颗粒之间的结合,保持了可能因水合物分解而受损的机械稳定性。这种覆盖和笼合的协同作用使得甲烷和二氧化碳的同步提取成为可能,从而在同一完整的孔隙限制框架内实现能量产出和可控的碳汇。
4.2 CO2碳化材料
通过使CO2与矿物反应生成稳定的固体碳酸盐以实现永久储存的碳储存方法被称为矿物碳化或CO2碳化。CO2碳化通过各种材料和条件进行定制;例如,蛇纹石是一种水合硅酸盐材料,经过热预处理后可以转化为橄榄石,从而适用于水基矿物碳化。碳酸氢钠可以作为催化剂/缓冲剂,通过维持特定的pH范围(温和至微碱性,7.2–9.0),在5小时内将橄榄石碳化效率提高了近60%,而NaCl只能将橄榄石碳化效率提高至20%。Wang等人(2019年)报告了使用橄榄石碳化同时回收Ni/Co时形成了镁和铁的碳酸盐混合物。虽然之前的研究也报道了nesquenhonite、hydromagnesite和dypinigite的形成,但使用Mg(OH)2作为碳化材料时,Mg(OH)2的运输仍然存在问题。在另一项研究中,富含橄榄石和辉石的Segamat玄武岩显示出强大的CO2矿物碳化潜力,天然方解石的形成证实了其反应性。据估计,其储存能力约为91,520吨CO2,这得益于有利的孔隙率、矿物组成和靠近排放源的位置,尽管大规模应用需要大量的矿物和假设的储存比例限制了材料的强度和可扩展性。大多数先前的研究需要低温进行矿物碳化。Mazaheri等人(2025年)在大约26–80°C的不同阶段使用Segamat玄武岩进行了矿物碳化,将CO2转化为白云石[CaMg(CO3)2]、菱铁矿(FeCO3)、方解石/文石(CaCO3)和镁矿。因此,CO2碳化作为一种多功能的CO2储存技术出现,能够在不同条件下生成稳定的碳酸盐;然而,可扩展性和材料强度仍然是其未来应用的关键挑战。
为了创建一个连接的碳捕获、利用和储存链,我们不仅需要开发新材料,还需要我们的材料能够协同工作,以促进CO2的传输、捕获、转化和储存过程。包括胺基吸附剂、MOFs、石墨烯复合材料、单原子催化剂、矿物碳酸盐和混合基质膜在内的材料展示了界面兼容性、反应耦合和稳定性增强等现象如何共同作用,以建立一个高效的封闭循环碳循环。表4展示了这些材料的统一矩阵,可视化了它们在CCUS过程中的协同联系和协同增强效果。
材料/系统
应用阶段
协同机制
关键性能/结果
参考文献竹炭生物炭(BBC-KOH)
捕获
协同改性:KOH活化 + 表面碱性基团
在25°C下,CO2吸附量为1.50 mmol g?1;表面积增加(374.42 → 540.496 m2 g?1),孔径增大
玉米芯氮掺杂生物炭(K2CO3 + 尿素)
捕获
协同氮掺杂 + 活化
在0°C、1巴压力下,CO2吸附量可达5.69 mmol g?1
锯末ZnCl2改性生物炭
捕获
协同时间控制(12小时对比24小时)
在标准温度和压力下,CO2吸附量为1.58 mmol g?1;24小时可能导致孔结构塌陷
大豆秸秆生物炭
捕获
协同表面碱性
CO2吸附量为26.53–41.49 mg g?1
碳纳米管(功能化)
捕获与利用(作为载体)
协同功能化(胺类、SiO2、MEA)
SWCNT的CO2吸附量可达4 mmol g?1;功能化MWCNT在表面积减小的情况下仍表现出更好的化学吸附性能;MEA–Si–CNT的CO2吸附量为0.670 mmol g?1
GO + PAMAM + CNTs
捕获与利用(作为载体)
协同作用:胺基团与间隔基团的结合
吸附量分别为1.17和2.23 mmol g?1;提高了材料的可及性和催化性能
碳纳米纤维(硅烷改性)
捕获
协同生物功能化
CO2吸附量为1.91 mmol g?1(比表面积为51.8 m2 g?1)
纳米多孔碳(N-/O掺杂)
捕获与高压储存
协同微孔结构调控 + 掺杂
在某些系统中,高压下的CO2吸附量可达30.4 mmol g?1(比表面积为3106 m2 g?1)
金属有机框架(Cu变体)
捕获与利用
协同配位与配体调节
CH4的吸附效率根据不同结构可达56–82%(如Cu-DBC、HATNA-Cu、NNU-33(H)等)
MOF衍生的Cu/CeO2@C
利用
协同封装效应
CH4的吸附效率约为80.3%;电流效率(jCH4)约为138.6 mA cm?2
基于石墨烯的材料(N掺杂,rGO + Au)
利用
协同电子调控与界面修饰
CH4的吸附效率为93.5%(离子液体掺杂的石墨烯);FECO的吸附效率为59–75%(Au/rGO)
固体吸附剂(Ir–Co、Cu–N2O2、Cu在C3N4中)
利用
协同原子-载体耦合
Ir–Co有助于减少CH4的释放(耐久性提升超过1200小时);Cu–N2O2的吸附效率为78%;Cu@C3N4的吸附效率为68%
人工智能与机器学习在碳捕获、利用与储存(CCUS)技术中的作用
CCUS材料是实现《巴黎协定》减排目标的关键。因此,其合成、优化和利用需要更先进的技术来提升整体性能。其中一种策略是将人工智能(AI)和机器学习(ML)整合到CCUS技术中。ML是AI的一个子集,包括多种统计工具和高级算法,可用于有效优化、预测、分类或聚类用于CCUS技术中的材料数据(图10)。本节介绍了各种用于碳捕获、利用和储存的AI/ML工具/模型,表5总结了CCUS技术的AI/ML工具/模型,图10提供了该过程的示意图。
图10:CCUS技术中AI/ML的概述。表5:CCUS技术的AI/ML工具/模型列表
1. 图神经网络(GNN)、AutoML
预测CO2吸附容量和选择性;优化MOFs/ILs的结构-性能关系
通过识别孔结构和拓扑特征,缩短研发周期并降低成本
2. ML加速的工作流程(GCMC + ML预测 + 混合物模拟)
筛选大量碳有机框架(COFs)
识别出最佳的CO2吸附剂:三维COFs(孔径约1.0 nm)和含有酰亚胺键及氟基团的二维COFs
3. 在密度泛函理论(DFT)上训练的ML模型
预测多孔材料的热物理性质(如热容量)
对沸石的预测准确率达95%;对碳分子纤维(MFs)的预测误差为3.2 J kg?1 K?1,对COFs的预测误差为2.5 J kg?1 K?1
4. 自监督深度学习
生成材料嵌入向量;预测热性质
揭示结构-功能关系;加速CO2吸附材料的筛选
5. 基于人工神经网络(ANN)的ML模型
预测MOFs的CO2吸附性能和CO2/N2选择性
模型稳定;吸附容量预测比选择性更准确;表面积和孔径与CO2吸附量呈正相关
6. 用于优化DFT能量计算的ML模型
纠正分子动力学(MD)和DFT的局限性(如计算成本和精度问题)
降低成本;提高大系统的预测准确性和可扩展性
7. BPNN和RBFNN
预测CO2在12种胺溶剂中的溶解度
BPNN的表现优于RBFNN和其他8个文献模型
8. BPNN和GRNN
预测CO2的溶解度、溶剂密度和粘度
BPNN在溶解度预测方面表现最佳;GRNN在密度和粘度预测方面更精确
9. 随机森林和决策树模型
预测185种离子液体(ILs)中的CO2溶解度
随机森林的均方绝对误差(MAE)为0.04;决策树的MAE为0.10;比COSMOtherm模型更准确
10. 支持向量机(SVM)、决策树(DT)、随机森林(RF)和带遗传算法的随机回归(MLR)
使用热力学和结构描述符预测ILs中的CO2溶解度
实验结果验证:压力是最重要因素;HOMO–LUMO分数是关键描述符
11. 代理ML模型
优化碳捕获与增强采油(CCS/EOR)方案
预测2916个案例,准确率约为92%
12. 人工神经网络(ANN)、支持向量机(SVR)、XGBoost
用于CO2增强采油(EOR)的替代建模
优化注入策略和经济预测;比传统AI模拟更准确
13. 随机森林
预测EOR过程中的累计CO2注入量
确定关键操作参数
14. 深度学习与多物理场模拟
在热中性条件下优化固体氧化物电解池(SOEC)的性能
在不同温度参数下验证SOEC的性能
15. 极端梯度提升回归(XGBR)
预测/筛选CO2还原的电催化剂
成功识别出合适的电催化剂
16. 主动ML与DFT结合
识别Cu–Al催化剂
发现可将CO2还原为乙烯的催化剂
17. 在DFT上训练的ML回归模型
预测CO2还原(CO2RR)的活性催化剂
识别出法拉第效率超过80%的Cu–Al合金
18. 在DFT C–H解离能上训练的ML回归模型
筛选单原子合金催化剂
识别出CH4转化率高达13.87%的Ir/Ni催化剂
19. 带DFT数据的XGBoost回归模型
预测g-C3N4固体吸附剂(SACs)的CO2还原活性
识别出R2值大于0.93的11种SACs;Zr、Co、Si、Ni等掺杂剂表现出高选择性
20. 剩余U-net模型
预测在不同渗透率/注入参数下的CO2羽流迁移
提供高保真的时空羽流预测
21. 自编码器–解码器结合多维缩放
从现场压力/温度数据可视化CO2羽流演变
生成三维羽流起始时间图像
22. U-LSTM网络
整合时空信息进行多场学习和预测
性能优于U-Net/Attention U-Net;具有强大的记忆能力和更准确的动态预测
23. MARS(多变量自适应回归样条)
基于滤波的数据同化技术,用于量化泄漏不确定性
优化测量位置并降低泄漏不确定性
24. 三维循环R-U-Net代理模型
预测流动和地质力学响应;逆向估算渗透率和孔隙度
从稀疏表面数据准确获取地质力学响应和参数
25. Wide ResNet与R-U-Net结合ES-MDA
同时估算压力历史和羽流范围
生成可靠的压力和饱和度地图
26. 基于FNO的代理模型与ES-MDA-GEO
通过历史数据匹配更新渗透率场
加快正向建模速度
27. R-U-Net结合MCMC历史匹配
后验估算存储系统参数
加速贝叶斯后验估计
28. PINNs(及其HPDNN变体)
在稀疏数据和偏微分方程(PDE)反演中结合物理约束进行学习
处理稀疏数据;扩展到密度驱动的流动和页岩模型
29. XGBoost代理模型
在地质不确定性条件下预测水库响应
优化水库的放置和控制
30. DL代理模型与井筒ROMs
使用水库输入数据评估术后泄漏
通过TOUGH2驱动的简化模型预测CO2/盐水泄漏因子
31. 基于AutoKeras的代理模型与分类子模型
预测井筒中的CO2/盐水泄漏率并分类泄漏情况
在耦合的水库-井模型中提供泄漏率和发生情况分类
在AI驱动的材料建模中,每个物理化学描述符(如孔径、表面积、结合能或功能团密度)都作为携带信息的特征,编码了控制CO2吸附的结构和电子特性。在信息论中,我们可以通过互信息来衡量特征Xi与属性Y之间的关联强度。互信息告诉我们了解Xi能多大程度帮助我们预测Y。如果了解Xi能显著减少对Y的不确定性,那么它们的互信息就很高。以下是一些在不同碳捕获过程中使用的人工智能/机器学习(AI/ML)模型,这些模型已经展示了有价值的结果。
6.1.3 不同碳捕获过程中的AI/ML(燃烧前、燃烧后和直接空气捕获)
吸附、溶剂和气体分离研究显示,人工神经网络(ANN)、自适应神经模糊系统(ANFIS)以及遗传算法/粒子群优化(GA/PSO)框架可以应用于合成气调节和CO2/H2分离,以实现燃烧前的碳封存。膜是燃烧前分离H2/CO2的可行选择,而AI/ML方法,包括用于聚合物筛选的随机森林算法、评估约300,000种分子筛(MOFs)的梯度提升模型,以及用于离子液体和混合基质膜的神经网络,可以帮助优化材料选择和分离性能。
AI能够快速筛选吸附剂、预测CO2/N2的选择性,并优化吸附剂循环。同样,AI也有助于开发更有效且成本更低的捕获系统。例如,对PVSA循环进行了技术经济分析,展示了开发的IISERP MOF-2吸附材料。研究发现,与之前的研究相比,四步VSA的捕获成本为每吨CO2 33.6欧元,但在跨多种烟气CO2组成的四步和六步PVSA循环的集成优化过程中,成本节省了8-35%,同时CO2浓度比MEA高出≥7.5%。这个例子说明了如何将先进的吸附材料与工艺设计相结合,可以大大提高燃烧后CO2捕获的经济可行性。在另一项研究中,研究了一种基于AI/ML的工作流程,用于设计燃烧后捕获的CO2选择性聚合物膜。使用基于实验数据训练的聚合物属性预测引擎,预测了聚合物的属性,包括CO2渗透性、玻璃化转变温度和热稳定性。然后,逆向材料设计引擎根据这些属性提出了新的单体选项。在784种ML设计的候选材料中,有390种(约50%)同时满足了所有目标。介观尺度分子动力学模拟也与膜性能相关,并且与预测结果有很好的定量一致性。整个过程突显了AI/ML如何加速发现和开发适用于实际燃烧后CO2分离条件的聚合物膜。最近的研究应用了AI和深度学习来优化基于MEA的燃烧后CO2捕获,使用卷积神经网络(CNN)、人工神经网络(ANN)和深度信念网络(DBN)生成模型,这些模型比传统建模方法更能准确捕捉非线性过程的复杂性。创建贝叶斯网络有助于定义主要操作参数,如贫溶剂温度和流速,这些参数可以调整以帮助优化工艺。集成的CNN + 贝叶斯过程有效地对整个系统进行了建模和优化,使得能够进行替代建模和CO2捕获能力的预测或热力学属性的预测,从而提高了运营效率和决策能力,以推进碳中和的碳捕获利用技术(CCUS)策略。另一篇论文应用了AI/ML模型(决策树DT、随机森林RF、XGBoost、支持向量机SV和深度学习DL建模)来预测基于胺的燃烧后CO2捕获技术中的能量和冷却效用(SRD、SCD和SLAD)。SRD(排名差异总和)预测的误差在0.4-3.6%范围内,而深度学习是最稳健的方法(MAPE < 7%)。SHAP分析显示,影响效用使用的主要因素是吸收器高度和贫富换热器中的温差(LMTD)。此外,对6000多种工艺配置的筛选表明,AI/ML不仅可以优化设计并降低运营成本,还可以提高CO2捕获的效率。此外,应用如ANN、ANFIS(自适应神经模糊推理系统)、CNN、RBFNN(径向基函数神经网络)、SVM(支持向量机)、GA(遗传算法)和贝叶斯网络等模型,证实了燃烧后CO2捕获过程在捕获效率、CO2产生率、热力学属性方面的更好预测能力,以及对非线性相互作用的改进建模、优化的溶剂和吸附参数、改进的流量测量,以及确定能够完全提高效率的操作变量。
为了进一步说明使用AI模型的相关性,多层感知器(MLPs)已被证明能够准确预测低温直接空气捕获(DAC)系统中的固-气相和气-液相平衡。MLP与传统热力学模型相比显示出高精度(R2约为0.996-0.999),并且计算时间减少了七个数量级,使得在DAC操作的HVAC集成系统中实现实时CO2控制成为可能。总体而言,这些研究表明,基于AI的相平衡建模作为一种快速可靠的智能碳捕获和控制策略,具有巨大的潜力,可用于构建生态系统,如HVAC系统。
这些研究总体上表明,AI和ML在燃烧前、燃烧后和直接空气捕获方法中代表了灵活且准确的方法,可以加快材料发现的步伐,确认最佳工艺设计,实现实时控制,并大幅降低成本和能源需求,最终提高碳捕获技术的性能和可负担性。
6.2 碳利用和AI/ML
6.2.1 工艺级替代模型和数字集成
除了CO2捕获材料外,AI/ML还展示了数字化、混合模型、工业物联网(IIoT)、数字孪生和PSE 4.0如何识别最佳的CO2利用路径,将它们从工厂整合到供应链,并验证实际的排放减少,从而降低CCUS部署的风险并扩大其规模。例如,使用代理ML模型对CCS/EOR优化进行了2916个案例的预测,准确率接近92%。一个共同优化的ML系统用于CO2封存和增强石油回收(EOR),最多可封存94%的CO2,并提高了8.74%的石油产量。为了更有效的CO2-EOR,人工神经网络(ANN)、支持向量回归(SVR)和XGBoost作为替代模型,用于优化多种注入策略并预测经济结果,其结果比传统的AI模拟更准确。飞行时间被认为是预测CO2储存、增量石油生产和收入指标的关键方面。在这方面,随机森林是累积CO2注入的最佳特征。最近的几项CCUS和CO2-WAG(水-交替-气体)研究使用了随机森林和堆叠/集成替代方法进行注入优化和性能预测,在现场规模的代理工作流程中显示出卓越的预测能力。另一项研究引入了一种机器学习工作流程,用于优化注水、CO2 EOR和储存的注入井位置,同时考虑了地质不确定性。使用地质模型集合、空间聚类和元学习代理,他们可以定义具有高预测准确性的稳健注入场景(R2 > 90%),将分析时间从几小时缩短到几分钟。在另一项研究中,结合了聚类-随机森林方法来确定反应器变量的值,即催化剂浓度、溶剂种类、蒸汽流速和反应器温度,这些变量最大化了CO2氢化到C5+。机器学习方法识别出一个高性能参数空间(约20-30巴,300-340摄氏度),CO2转化率约为41%,C5+选择性约为40%,提供了关于晶体大小、温度和还原时间的见解。这项工作解释了ML如何从异构文献综述中提取数据,并帮助揭示长链烃的选择性烃生产潜力。一个将ANN/代理模型与优化算法相结合的机器学习协同优化框架展示了储存CO2的大幅增加和石油产量的提高(储存的CO2约为注入量的94%;石油+8.74%)。图12展示了AI/ML在碳利用中的一些应用。
6.2.2 AI/ML在催化和转化途径中的应用
对于将CO2转化为有价值的化学品,AI/ML可以发挥非常关键的作用。例如,固体氧化物电催化电池(SOECs)在高温下进行CO2/H2O的电催化,以生成燃料和化学品。多物理模拟和深度学习算法预测了SOEC在不同热参数下的性能参数。Chen等人(2020年)还使用了极端梯度提升回归(XGBR)来预测和筛选CO2还原的催化剂。同样,结合主动学习的密度泛函理论(DFT)可以识别用于CO2转化为乙烯的Cu–Al催化剂。在另一项研究中,数据驱动的高通量筛选(结合DFT和ML)提出了一种Cu–Al催化剂用于CO2RR(实验验证用于乙烯生产),展示了如何在基于DFT描述符训练的ML模型上获得有效的实验结果。在之前的工作中,XGBoost/集成回归模型被用来预测催化描述符(例如ΔG-CO),并筛选了大量候选者,与暴力DFT相比节省了大量成本。几项研究报告称,XGBR可以成功优先考虑有前景的电催化剂。对于SOECs,最近的多物理+ ML工作流程使用基于物理的模拟来生成训练数据,并使用深度学习替代模型来预测不同温度/电压/进料条件下的性能。这些结合方法加速了设计和参数研究。
6.2.3 数据收集和主动学习循环
主动学习是一个框架,它为机器学习算法提供训练数据的采样方案,主要是通过主动选择构建精确统计模型所需的数据点,从而高效地进行。主动学习通过从未分类数据中筛选样本、利用许多采集工具和功能、使用新的和先进的标签重新训练模型,并在预算限制达到时停止过程,显著降低了实验/计算成本。另一方面,像不确定性采样方法这样的策略通常针对不确定的预测。此外,当深度学习模型与主动学习结合时,可能会变得过于自信。将主动学习与DFT结合的研究表明,主动学习在识别高性能CO2RR催化剂的同时减少了DFT/实验预算。在PubMed上发表的工作流程展示了端到端的AL + DFT发现,并进行了实验验证。使用ML加速的DFT筛选(结合AL)针对基于Cu和HEA(高熵合金)催化剂,用于目标CO2 → C2产品,确认了筛选吞吐量的实际收益。结合主动学习与DFT数据库和实验可以减少找到最佳候选者所需的计算或测试次数。研究表明,主动学习工作流程可以智能地选择最有价值的DFT计算,然后通过实验确认最佳结果,降低成本,同时仍然找到最佳材料。
6.2.4 AI模型中的可重复性和可解释性
尽管AI/ML有许多优势,但许多ML模型仍被视为黑箱。然而,可解释的AI(XAI)模型,如在决策树(DTs)、随机森林(RF)和XGBoost中看到的,通过使用杂质度量进行特征重要性分析,并且SHAP(Shapley Additive exPlanations)值提供了重要的化学洞察。然而,实验和科学领域仍然至关重要,同时还需要算法辅助。最近的CCUS相关研究明确地将XAI工具(SHAP、特征重要性)与ML模型结合,以解释吸附预测因子、催化剂描述符和储存前景,从而提高了可解释性。在相关工作中,SHAP或类似的事后XAI方法已被应用于吸附和催化剂ML模型,以揭示哪些描述符(孔径大小、表面积、电子特征)驱动预测,有助于理解机制并突出可能导致系统失败的潜在模式。已经发表了将XAI应用于盐水/岩石CO2溶解度和地下储存预测的应用,表明可解释性增加了信任度,并有助于在实地部署前检测领域转换/物理冲突。
6.2.5 预测性和实验验证模型
为了克服SACs的局限性,基于密度泛函理论数据库训练的机器学习(ML)模型可以预测结构参数,如配位数、配体类型和键距离/角度,从而加速了最佳活性位点几何形状的识别。通过将大型DFT数据集与ML算法结合,可以建立有价值的结构-性能关系,这对于催化剂设计至关重要。在CO2利用的背景下,AI已经显示出在加速催化剂材料探索方面的强大潜力。例如,铜是CO2还原为乙烯的突出电催化剂,但由于含有铜的晶体和配位环境的数量众多,全尺度DFT模拟不切实际。为了解决这个问题,Zhong等人(2020年)使用DFT数据作为ML回归模型的训练输入,并成功识别出一种Cu–Al合金催化剂,其法拉第效率超过了80%,而纯Cu催化剂的法拉第效率仅为66%。同样,Sun等人(2024年)使用DFT计算的单原子合金(SAA)催化剂表面的C–H解离能作为他们ML模型的训练数据。在筛选了超过10,000个候选结构后,他们识别出一种Ir/Ni表面催化剂,在450°C和1个大气压下甲烷的转化率为13.87%,而纯Ni的转化率仅为3.7%,解决了与碳沉积相关的失活问题。另一项研究使用DFT计算和XGBoost回归模型评估了11种基于g-C3N4的单一原子催化剂(SACs)的CO2还原。他们在预测活性方面取得了非常高的准确率(R2 > 0.93)。该研究还发现,这些由人工智能设计的催化剂在合成气生产中表现良好,某些掺杂剂(如Zr、Co、Si和Ni)可以提高二氧化碳还原的选择性。112
二氧化碳的利用涉及多种催化途径,如热催化、电催化和光催化。这些方法可以产生多种产品,如乙烯、甲烷和合成气。152 然而,目前只有电催化还原二氧化碳和甲酸的成本可能低于当前的市场价格趋势,153 这不足以促进碳捕获、利用和储存(CCUS)技术的大规模应用。因此,固体催化剂(SACs)为二氧化碳的利用提供了一个有趣的机会,154 特别是当与人工智能预测建模结合使用时,可以加速催化剂的设计过程。155
数据可用性是一个重要的瓶颈,因为可靠的人工智能模型需要数千次密度泛函理论(DFT)模拟,这导致了巨大的计算需求。然而,KNR、RFR、SVR、GBR、XGBR、DNN和GPR是一些可以改进催化剂优化的机器学习(ML)算法。156
6.3
碳储存与人工智能/机器学习
6.3.1
过程级替代模型(PINNS、LSTM、FNO)
机器学习(ML)和深度学习(DL)的最新进展极大地加速了用于预测二氧化碳储存动态、羽流迁移和泄漏风险的替代模型和代理模型的发展,提供了快速、准确且可扩展的替代方案,替代了计算成本高昂的数值模拟。图13概述了用于碳储存的各种人工智能/机器学习工具和模型。图13
人工智能/机器学习在碳储存中的应用概述。残差U-Net(R-U-Net)是最早展示出在不同渗透率和注入参数下预测二氧化碳羽流迁移模式能力的模型之一,实现了高保真的时空输出。113
为了将预测洞察扩展到可视化领域,引入了一个自动编码器-解码器框架,并结合了多维缩放技术,能够基于压力和温度场数据生成二氧化碳羽流演变的3D起始时间图像。114
为了更好地捕捉基于时间的模式,U-LSTM-net结合了空间和时间特征来预测多个场。通过迁移学习和GradNorm,它的性能优于U-Net和Attention U-Net,提供了准确且考虑记忆的动态预测。115
Fan等人(2024年)使用带有迁移学习和解释分析的深度网络解释了二氧化碳羽流的时空预测(将迁移学习/解释应用于U-Net变体)。Wen等人(2021年)引入了一种基于R-U-Net的二氧化碳羽流预测替代模型,该模型将注入参数编码为图像通道,并预测时空饱和度/压力场。113
6.3.2
储存建模中的不确定性和验证
统计方法,如多变量自适应回归样条(MARS),通过嵌入基于过滤的数据同化框架中,有助于不确定性量化,其中它们优化了测量类型和位置以减少二氧化碳泄漏的不确定性。116
为了加速正向建模,基于傅里叶神经算子(FNO)的代理模型与ES-MDA-GEO结合使用,用于渗透率场的历史匹配,利用特征粗化来提高计算效率。119
物理信息方法提供了另一种鲁棒性维度。物理信息神经网络(PINNs)及其高性能深度神经网络(HPDNN)变体将控制偏微分方程(PDE)约束直接施加到学习过程中,展示了处理稀疏数据和反演地下参数的能力。121
Chen等人(2018年)将多变量自适应回归样条(MARS)代理模型集成到过滤/数据同化框架中,以优化监测设计并减少二氧化碳泄漏的不确定性。最近的ArXiv和EES报告展示了用于实时高分辨率地质二氧化碳储存预测的傅里叶神经算子(FNO)/嵌套FNO模型,并提出了结合FNO + ES-MDA-GEO的工作流程,用于快速历史匹配渗透率场。Shokouhi等人(2021年)还报告了用于二氧化碳储存地点预测和逆问题的物理信息深度学习(PINN框架)。159
6.3.3
基准测试、可重复性和未来趋势
尽管大多数研究应用于简单的或早期的地质碳储存(GCS)案例,但最近的工作已经扩展到密度驱动流动和多物理性质页岩模型,显示出研究的一个有希望的方向。进一步扩展,基于AutoKeras的混合代理模型结合了回归和分类任务:回归子代理模型预测了通过井的二氧化碳/盐水泄漏率,而分类子代理模型识别了耦合储层-井系统中的泄漏发生情况。124 Mao等人(2023-2024年)描述了基于AutoKeras或AutoML的混合代理模型,这些模型结合了回归和分类任务来预测井筒泄漏率并分类耦合储层-井系统中的泄漏发生情况。124
总的来说,这些连续的进展显示了一个明确的趋势:从早期的高保真羽流预测,到时空集成、地质力学耦合和物理信息泛化,再到集成学习和系统级代理模型,机器学习和深度学习方法正在稳步将二氧化碳储存建模转变为更快、更准确、更全面的预测科学。161
7
未来展望
碳捕获、利用和储存(CCUS)是实现零碳未来的一个非常有前景的策略,人工智能/机器学习(AI/ML)显著提高了其效率;然而,某些领域仍需要改进。数字孪生、生命周期评估(LCA)和物联网(IoT)是一些可以降低CCUS材料成本的技术,如图14所示,预计这些技术将带来可持续性。图14
7.1
数字孪生
数字技术正成为CCUS未来的关键组成部分,确保了可靠、可扩展和安全的运营。其中,数字孪生对于下一代部署具有特别的前景。作为CCUS过程的数字、基于数据的模型,数字孪生可以反映实时系统状况,并提供强大的预测分析能力。这种能力使操作者能够在性能问题上采取主动措施,降低风险,并通过捕获、运输、储存和利用过程不断优化各种操作。它们在规划未来的大规模CCUS项目时特别有用,因为它们可以在复杂和不确定的地质条件下模拟“如果”情景。因此,如果当前的CCUS商业化仍然主要基于传统的监测和控制方法,那么CCUS的未来更有可能越来越多地利用数字孪生作为预测性维护、持续调整和安全数据管理的核心工具。因此,数字孪生可以被视为一种变革性技术,支持CCUS实现净零碳目标。162,163
7.2
生命周期评估(LCA)
在CCUS的未来,生命周期评估将非常重要,因为它不仅描述了碳去除(CDR)策略(如燃料、聚合物和储存)中的环境热点,还指出了系统和政策需要发展的方向。通过量化碳去除效率,LCA表明欧洲的许多站点很可能实现≥95%的CDR效率,并为未来项目的站点和能源投入提供了支持。最重要的是,LCA表明CCUS对聚合物生产的整体影响有限,因此将指导未来的研发和投资转向替代原料和低碳能源整合。总的来说,这些创新推进了LCA作为决策支持工具的作用,帮助议员、政策制定者和行业领导者将CCUS作为未来几十年的脱碳替代途径。164-166
7.3
物联网(IoT)和大数据分析
在不久的将来,数字技术(从物联网(IoT)和大数据分析到自动化)在CCUS创新中的潜力值得注意。虽然这些技术最初是为了提高供应链的韧性而设计的,但它们也可以应用于CCUS运营,从而可能提高环境和可持续性表现。例如,基于IoT的监测可以实时报告能源消耗、捕获效率和储存稳定性。同时,大数据分析可以改善站点选择、风险预测和长期储存监测。自动化将有助于提高可靠性并降低复杂过程的成本,从而实现更可靠的大规模CCUS实施。此外,自动化碳会计技术已经用于评估和管理供应链中的碳排放,可以修改用于CCUS,以提供精确的排放数据报告、工业网络中的间接排放以及透明和负责任的排放。总之,数字技术在CCUS框架中的融合代表了一条前瞻性的路径,用于扩大高效且经济可行的碳减排措施。167,168
8
结论
解决二氧化碳排放的紧迫问题需要熟练且可扩展的解决方案,而碳捕获、利用和储存(CCUS)技术是实现全球脱碳目标的最可行路径之一。在这篇手稿中,我们探讨了CCUS技术的范围,包括各种先进的吸附剂类别,如生物炭、纳米材料、石墨烯衍生物、纤维素纳米纤维和纳米多孔碳,以及催化剂(包括金属-有机框架(MOFs)、基于石墨烯的电催化和单原子催化剂)。虽然每种材料都提供了提高捕获效率、选择性和可扩展性的方法,但它们也面临着成本、稳定性等方面的挑战,需要仔细优化。同时,二氧化碳利用的创新表明,捕获的碳可以转化为有价值的燃料、化学品和材料,从而在循环碳经济中发挥作用。新的策略,如矿物碳酸化、基于水合物的储存和聚合物膜,加速了安全二氧化碳封存的可能性。重要的是,人工智能和机器学习的引入通过加速材料发现、催化路径的预测建模、储存动态优化和系统级决策制定,改变了CCUS的研究和部署。数字技术的进步,如数字孪生、IoT监测和生命周期评估框架,标志着向更安全、更便宜、更可持续的CCUS解决方案的完整过渡的开始。尽管取得了这些进展,但仍存在一些挑战。将实验室性能扩展到工业条件、节省时间、无泄漏的储存(在环境完整性和安全性方面)、相关的意外后果,以及CCUS方法的商业化途径是一些主要挑战。克服这些障碍需要材料创新和数字智能的结合。因此,CCUS不是一个单一的领域;相反,它是一系列需要在不同层面取得进步的方法的集合。一旦CCUS技术得到发展,它就可以缓解许多环境问题。为了实现这一目标,未来的研究必须继续关注从实验室性能到实际应用的进步。作者贡献
Somia Mazhar参与了概念化、文献调查、方法设计、原始手稿的起草和图表的准备。Muhammad Waseem Mumtaz提供了总体监督、概念指导、关键审查和编辑,并担任通讯作者。Mohamed El Oirdi参与了监督、内容验证和关键修订,并担任通讯作者。Hamid Mukhtar协助资源获取、数据整理和手稿审查。Muhammad Asam Raza支持了正式分析和文献组织。Mohd Farhan参与了文献验证和编辑。Mohammad Aatif协助了数据收集、资源编译和手稿审查。Ghazala Muteeb通过资金获取、资源提供、手稿可视化和关键审查做出了贡献。所有作者都阅读并批准了手稿的最终版本。利益冲突
作者声明没有竞争利益。数据可用性
本综述没有包含任何原始研究结果、软件或代码,也没有生成或分析任何新数据。致谢
本工作得到了沙特阿拉伯国王费萨尔大学研究生研究和科学研究院科学研究的支持[授权号KFU254599]。参考文献
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号