综述:人工智能驱动的碳捕集与封存(CCS):面向可持续气候解决方案的新兴技术分析

《Carbon Capture Science & Technology》:AI-Driven Carbon Capture and Storage (CCS): An Analysis of Emerging Technologies for Sustainable Climate Solutions

【字体: 大 中 小 】 时间:2026年01月24日 来源:Carbon Capture Science & Technology 10.5

编辑推荐:

  气候变化主要由大量温室气体排放驱动,促使研究人员致力于降低大气中二氧化碳(CO2)浓度,碳捕集与封存(CCS)技术因此受到关注并成为脱碳工作的重点。该综述全面分析了当前CO2捕集方法,包括吸收(Absorption)

  
气候变化主要由大量温室气体排放驱动,促使研究人员致力于降低大气中二氧化碳(CO2)浓度,碳捕集与封存(CCS)技术因此受到关注并成为脱碳工作的重点。该综述全面分析了当前CO2捕集方法,包括吸收(Absorption)、吸附(Adsorption)、膜分离(Membrane Separation)以及新兴的直接空气捕集(Direct Air Capture, DAC),并讨论了其在成本、效率和可扩展性方面的局限。研究的核心关注点在于人工智能(AI)在加速CCS部署中的新兴作用。AI驱动技术,特别是机器学习(ML),正被应用于优化捕集过程、提升系统性能以及促进先进材料的发现。研究人员综合了监督学习与无监督学习、强化学习(Reinforcement Learning, RL)及生成式模型在CCS具体任务中的证据:吸附剂/溶剂筛选、软测量(Soft Sensing)、排放预测、数字孪生(Digital-Twin)控制以及封存完整性监测。该综述还强调了AI与CCS交叉领域的最新进展,评估了其大规模实施的潜力,并讨论了剩余的技术与政策挑战。研究结果强调了整合AI以提升CCS有效性和可扩展性的战略重要性,以支持全球脱碳目标。
1 引言

人为CO2排放是当代全球变暖的主要驱动因素。根据美国国家海洋和大气管理局(NOAA)全球监测实验室报告,大气CO2浓度已达创纪录水平,2024年全球平均为422.8 ppm,截至2025年8月莫纳罗亚(Mauna Loa)年平均值为425.48 ppm。这一上升主要源于化石燃料燃烧、工业活动和土地利用变化,已造成相对于1850-1900年约1.1°C的全球变暖。IPCC第六次评估报告(AR6)指出,将升温限制在1.5°C的路径要求全球温室气体排放量在2030年前较2019年水平下降约43%(34-60%),并在2050年代初实现全球CO2净零排放。《巴黎协定》承诺将升温控制在远低于2°C并努力追求1.5°C目标。许多国家已宣布世纪中叶净零目标,这需要深度减排和积极的CO2清除以抵消残余排放。

碳捕集与封存(CCS)被广泛认为是减少排放的关键组成部分。CCS涉及从排放源或直接从空气中捕集CO2,然后将其永久储存在地质构造中或加以利用以生产有价值的产品。电力部门贡献了近40%的能源相关CO2排放,在这些电厂实施捕集可显著减少排放。CCS有潜力到2050年在化工、混凝土和矿产生产等行业每年捕集和利用约6.2吉吨CO2。然而,截至2023年7月,全球仅45个商业CCS设施在运行,合计捕集能力约49 MtCO2/年,远低于气候稳定情景所需。高昂的实施成本、能源需求和公众接受度等挑战阻碍了其大规模推广。

与此同时,AI和数字技术的快速发展为提升CCS效率、降低成本开辟了新途径。AI与材料科学的结合正在加速创新碳捕集解决方案的开发。机器学习(ML)算法正用于实时优化CO2分离过程,预测分析有助于简化CO2运输和储存。AI驱动的材料设计在发现吸附剂、膜和催化剂等先进材料方面发挥着关键作用。早期示范显示显著改进:AI优化的变温吸附(TSA)循环已实现热需求降低高达50%,智能过程控制将捕集效率提高20%同时降低能耗15%。然而,AI在整个CCS产业链中的成熟度参差不齐,许多应用仍处于概念验证阶段。本综述采用技术成熟度等级(TRL)对AI证据进行标注:TRL 2-3为仅仿真的概念验证;TRL 4-5为基于中试数据或回顾性现场数据集的验证;TRL 6+为已示范的在线决策支持、监测或控制运行。

2 文献检索

研究人员通过Web of Science、Scopus、ScienceDirect、IEEE Xplore、arXiv和Google Scholar等数据库,使用CCS和AI相关关键词组合进行检索。初检获得1085条记录,通过引文追溯额外识别38条记录。去除354条重复后,对769条记录进行题名/摘要筛选,排除456条,313篇全文评估后排除122篇,最终纳入191项研究。纳入标准包括:(i)包含可训练的学习模型;(ii)有足够方法学细节识别学习架构和训练/验证程序;(iii)AI衍生输出直接服务于CCS任务。

文献的时间分布显示,AI-in-CCUS研究在2020年后迅速集中,2018-2019年仅占约1.6%和1.1%,2021-2024年分别增至12.1%、15.8%、20.5%和21.6%。主题分布上,AI/ML在碳捕集利用(CCU)中占36%,CCUS系统/政策/技术经济分析(TEA)占20.4%,溶剂/吸收占12.5%,吸附-膜-材料占14.2%,储存/运输/监测与泄漏占8.7%,DAC仅占8.2%。

3 碳捕集技术

CO2捕集是CCS的核心环节。按捕集时机分类包括:燃烧前捕集(Pre-combustion)、燃烧后捕集(Post-combustion)、富氧燃烧(Oxy-fuel Combustion)和新兴的直接空气捕集(DAC)。

3.1 吸附法捕集

吸附法因低能耗和工艺灵活性被视为有前景的路线。CO2分子通过物理力或化学键合选择性吸附在固体吸附剂表面,典型过程为循环操作:原料气通过填充床,吸附剂捕集CO2,随后通过压力或温度变化再生吸附剂,释放浓缩CO2以供储存/利用。

多孔材料研究包括:沸石(如13X)在低分压下具有高CO2容量(约4-6 mmol/g),但湿度敏感;金属有机框架(MOFs)如HKUST-1和UiO-66衍生物具有更高容量(>8 mmol/g),可功能化调节CO2亲和力,但湿度和酸性条件下稳定性差、成本高;碳基吸附剂(活性炭、生物炭)成本低、动力学快,中等容量(约3-5 mmol/g),化学活化可增强CO2/N2选择性。先进结构化/3D打印吸附剂接触器可减少压降、改善传质。Krishnamurthy等人评估的3D打印聚乙烯亚胺(PEI)-碳纳米结构整体柱,在约束条件下(≥95% CO2纯度,≥90% CO2回收率)于10% CO2时最低比电耗为0.94 MJ kg-1 CO2,15% CO2时为0.60 MJ kg-1 CO2,生产力达2.2 mol m-3(ads) s-1。实际运行中,痕量污染物(SO2 50-200 ppm,NOx 100-400 ppm,O2 3-10%)可导致固体吸附剂化学降解,水蒸气(约8-15 vol%)通过竞争性占据吸附位点严重影响性能。

3.2 吸收(溶剂基)系统

吸收法通过将CO2溶解到液体溶剂中实现捕集,是最成熟、最广泛实施的CO2捕集技术。典型过程中, exhaust gas 通过吸收塔,胺基溶剂如单乙醇胺(MEA)水溶液与CO2反应形成可溶性氨基甲酸盐,从而脱除CO2。CO2富集溶剂在汽提塔中加热再生,释放CO2并循环使用。MEA吸收可实现>90%的CO2脱除,已在数十个商业规模单元中部署。

主要挑战在于热再生步骤能耗高,通常需要120-150°C的蒸汽。关键性能指标(KPI)为比再沸器负荷(Specific Reboiler Duty, SRD),常规30 wt% MEA约为4 GJ/tCO2,难以降至2 GJ/tCO2以下。混合胺(如AMP-PZ)SRD可降至2.9-3.2 GJ/tCO2;双相(相变)溶剂通过将CO2浓缩到富集相,再生热降至1.7-2.1 GJ/tCO2,但需考虑粘度、相行为和挥发性。离子液体(ILs)如[Bmim][BF4]具有良好的热稳定性,但高粘度阻碍CO2传质。

溶剂降解和溶剂相关排放是两大主要障碍。降解通过胺与烟气杂质(SOx/NOx、氧气、颗粒物)的不可逆反应以及汽提器/再沸器中的热暴露发生,导致溶剂损失、热稳定盐(HSS)积累、腐蚀风险增加。实际监测数据表明,MEA大气损失范围为0.01-0.8 kg MEA/tCO2,TCM测量值达1.5 kg MEA/tCO2。解决方案包括添加抑制剂、增强溶剂回收方法,以及混合吸收-膜接触器(可提高约1.8倍的气相总传质系数)。

3.3 膜分离

膜分离利用选择性薄膜使某些气体更快通过,在膜一侧浓缩CO2。该方法操作简单、模块化,无需相变或化学反应,维护需求低、占地面积小。膜性能以渗透率(气体通过膜的流速)和选择性(CO2相对于N2的优先通过性)表征,但存在高渗透率-低选择性的固有权衡,即Robeson上限。

主要膜材料类别:聚合物膜(如聚酰亚胺、醋酸纤维素)坚固易制造,但标准聚合物选择性适中(约20-60)、易受CO2高分压塑化;新型聚合物如热重排聚合物或固有微孔聚合物(PIMs)性能改善,Pebax?、Polaris?、PolyActive?等平台已进行中试。无机膜(微孔沸石或二氧化硅膜、金属膜)选择性更高、高温稳定性好,但昂贵且脆。混合基质膜(MMMs)将无机填料颗粒(MOF或沸石纳米晶体)嵌入聚合物基质,协同改善气体传输性能,但规模化受制造和微观结构控制限制,界面空隙和非理想性是难以制造无缺陷可控模块的主要原因。

后燃烟气(约10-15 vol% CO2)中,膜捕集受限于有限推动力;单级设计难以同时满足高回收率(约90%)和高产品纯度(≥95%)。系统分析表明,满足高捕集率和高纯度可能需要非常大的膜面积,两级设计最优工况下约106 m2膜面积,净效率惩罚约10.4个百分点。

3.4 直接空气捕集

为将升温限制在约1.5°C,人类需要到2100年移除约100-1000吉吨CO2,DAC因此成为CO2移除路径。DAC从环境空气(约420 ppm)中直接移除CO2,与排放源无关,通过大量空气通过反应性吸附剂或专用过滤器实现负能量排放。两种主要方法:液体溶剂DAC(L-DAC)和固体吸附剂DAC(S-DAC)。L-DAC通常需要600-900°C高温再生,热需求约6-12 GJ/tCO2;S-DAC通常使用80-120°C的变温或真空摆动再生,热能需求约4-6 GJ/tCO2,可利用工业废热。

DAC的毛捕集量不等于净移除量,生命周期评估表明,负排放可实现但强烈依赖能源供应的碳强度。Climeworks现有部署的碳捕集效率为85.4%(Hinwil)和93.1%(Hellisheiei),吸附剂选择和工厂建设在低排放能源供应下可产生高达约45 gCO2e/kg CO2的排放。当前DAC运行能耗高、成本大(约500-600 USD/tCO2),全球仅27个DAC工厂,合计容量约0.01 Mt CO2/年。

3.5 碳捕集技术中的操作挑战

实际捕集性能受制于操作约束,可分为:(i)动态、数据丰富的扰动(入口组成/流量快速变化、瞬态气溶胶形成、湿度波动、循环间变异性);(ii)结构/经济约束(设备尺寸限制、改造几何结构、膜面积、吸附剂库存、压缩机组设计和投资成本假设)。前者本质上适合AI处理,因为可通过在线测量观测或推断、在操作时间尺度上演化;后者由设计和技术经济决定,对纯操作AI干预响应较小。

后燃吸收中,烟气本身存在问题:低CO2分压、高O2、ppm级SOx/NOx和颗粒物加速溶剂氧化、形成热稳定盐、驱动腐蚀/结垢。吸附捕集中,循环瞬态、并联床协调以及对进料组成和湿度的敏感性占主导。膜捕集中,多级/级联配置和循环管理、长期模块完整性和性能稳定性、以及压缩/真空相关的公用工程负担构成主要挑战。DAC中,大气CO2仅约0.042%,风机/鼓风工作和接触器压降成为一阶设计变量,湿度波动、水共吸附和再生策略在狭义操作窗口外降低性能。

3.6 AI评估的KPI基准

为一致评估AI在捕集技术中的收益,建立统一KPI基准汇总:吸收法(后燃胺法)捕集率约85-95%,比能耗约3-4 GJ/tCO2,成本约60-110 USD/tCO2;吸附法(PVSA/VSA/TSA)通常设计为≥95%纯度和≥90%回收率,示例PVSA比电耗约516 kWh/tCO2,成本约62-70 USD/tCO2;膜法多级设计可实现高捕集率和高纯度,但强烈依赖进料变异性,能量由压缩/真空主导;DAC产品CO2纯度通常高,但生产力气候依赖,代表性比能耗约5-9 GJ/tCO2,成本约100-300+ USD/tCO2。

4 CCS中的人工智能与数字化创新

4.1 加速材料发现

传统试错实验寻找新CO2捕集材料速度缓慢,AI结合高通量计算化学可在实验室合成前虚拟筛选甚至设计材料。ML模型训练于已知多孔材料,可在远短于暴力分子模拟的时间内预测数百万假设结构的CO2吸收或选择性。生成式AI模型用于创建具有期望性能的新材料组成:一项研究中ML驱动筛选评估了超过260,000个假设多孔结构, pinpointed 预测CO2吸收显著高于现有材料的子集。Park等人使用分子扩散基生成框架快速组装约120,000个MOF候选结构(生成33分钟;筛选/推理40-50分钟),产生78,800个化学有效结构,筛选出364个高性能MOF,预测CO2吸收≥2 mmol g-1(0.1 bar),包括数个高于此阈值的设计。

MOF研究产生了包含>100,000个实验和>500,000个计算机生成结构的数据库。De Vos等人应用高通量工作流结合分子模拟和机器学习,预测268,678个共价有机框架(COFs)的工作容量和选择性。离子液体数据集达筛选规模:Song等人 assembled 10,116个CO2-IL测量数据,训练ANN-基团贡献/SVM-GC预测器;Baghban等人使用LSSVM-PSO模型预测67种IL的CO2溶解度(R2≈0.9942)。

为将"AI加速发现"定量化,需强调ML筛选材料通过过程模拟和/或技术经济评估、产生可与基准比较的捕集相关KPI的实例。Kim等人将神经网络代理与模块化VPSA循环优化耦合,同时选择吸附剂和操作条件,报告比电约708-1764 kWh tCO-12,生产力约1.56×10-2–5.78×10-2 mol kg-1 s-1。Young等人训练ML代理使用约30,000个详细TVSA模拟实现多达约250万次材料-过程评估,表达为工作量等效指标,可行区域低于约2.5 MJ kgCO-12。Hosseinifard等人结合ML溶剂分类与Aspen HYSYS模拟和经济分析,选择二甘醇胺(DGA)替代MEA使总公用工程系统成本降低35.76%。

4.2 过程优化与控制

复杂过程如胺洗涤系统或多床PSA单元涉及多变量和非线性行为,先进ML控制算法可通过过程数据学习更好应对此类复杂性。Jung和Lee识别神经网络非线性自回归外生模型(NARX)并嵌入非线性模型预测控制(NARX-NMPC),在扰动下实现CO2捕集率设定点跟踪的60-100分钟更短稳定时间。Akinola等人评估后燃胺捕集厂的闭环控制仿真,报告CO2捕集设定点跟踪改善55.3%和17.86%,再沸器温度ISE改善。

AI软传感器现已推断难测量状态如贫/富溶剂负荷。0.5 MW MEA示范工厂中,深度学习管道预测处理气体CO2和捕集性能,具有高准确度和低延迟。Patrón和Ricardez-Sandoval集成实时优化、NMPC和移动视界估计,通过包含碳经济、能源、化学品和公用工程成本的新经济函数经济运行系统。

数字孪生是CCS过程的有前景发展,是实时更新的物理过程数字副本,可用于模拟和优化。CCS中的数字孪生从第一原理孪生(速率模型/PDE-DAE过程模型)到纯数据驱动代理再到物理信息孪生。主要限制是计算负担:循环吸附等CCS单元常用耦合PDE-代数系统表示,重复数值解算对实时优化过于昂贵,因此近期 increasingly 使用ML代理或物理信息模型。Costa等人的自适应PSA数字孪生耦合DNN代理与MCMC贝叶斯推理量化模型不确定性,定义置信限;反馈跟踪指标区分瞬态偏移与持续失配,仅在测量行为超出置信区域时触发基于事件的在线学习。

4.3 CO2运输与储存

AI在CO2运输和地下储存的监测、风险管理和优化中日益核心。管道中,基于ML的管道完整性管理(PIM)自动化缺陷/泄漏检测和腐蚀风险预测,深度学习"超越传统统计方法"。Cui和Wang在250个样本、11个影响因素的腐蚀数据集上训练贝叶斯神经网络,报告R2=0.949,并提供95%预测区间。地质储存中,数据驱动模型现正进行现场校准: saline aquifers 中,ANN-GCS模型训练于合成案例并验证于浦项含水层盆地模型,再现残余和溶解度封存(RTI R2≈0.993,STI R2≈0.944)。CO2-强化石油采收(EOR)中,混合ANN/PSO工作流在油田数据上显示可测量收益(CO2储存增加21.69%,石油产量增加7.30%,NPV增加8.74%)。泄漏检测中,监督模型标记注入速率/压力时间序列异常,深度网络从井底压力推断泄漏,U-Net型模型训练于Sleipner 4D地震图映射羽流概率和迁移路径。

4.4 AI在工业领域的碳捕集应用

石化行业年排放约1.3 Gt CO2,IEA预测CCS可交付>30%的减排。AI数字孪生可识别操作异常、预测溶剂性能退化、建议预防措施。RL和MPC可协同优化捕集率和再沸器负荷:一项OnePetro研究训练DDPG智能体于商业模拟胺单元,定义状态和动作,奖励与CO2移除和能耗挂钩,学习策略显示RL在>70%的烟气优化场景中降低能源成本。Fisher等人开发的MPC框架使用LSTM/MLP代理模型预测烟气CO2和风电,NSGA-II优化器预先设置气液表观速度,在月度测试中平均CO2捕集提高16.7%,非可再生电网电力依赖从92.9%降至56.6%。

Xu等人构建GBRT(贝叶斯调优)代理模型,使用PSO协调高炉煤气/焦炉煤气/转炉煤气单元、MEA PCC和CO2制甲醇,日前调度使CO2排放降低约62%,可再生弃电削减约97%,24小时产甲醇约126吨。Ma等人在大型乙烯厂中,AI驱动过程模拟和优化设计新型哌嗪基PCC,通过评估烟气热回收、吸收器中间冷却和先进闪蒸汽提器的复杂权衡,确定配置使再生能耗降低37.71%,捕集成本降低37.76%。

4.5 DAC中的AI应用

ML加速的吸附剂材料筛选可快速识别高容量吸附剂。Lim等人引入ML力场(MLFF)用于DAC相关吸附,以接近量子精度捕获CO2-H2O相互作用,筛选>8,000个真实MOF发现约100个被经典力场遗漏的有前景结构。Grimm和Gazzani将前馈神经网络集成到Vacuum-Temperature-Swing Adsorption(VTSA)过程模型,ML增强的"0D"模型复现详细速率模拟,实现数千种吸附剂的快速多参数优化。Khalili等人在小型DAC系统上演示AI驱动预测控制以减少非峰值能源使用。但需注意,AI在DAC中的最大可寻址杠杆通常在于减少可避免的显热/冷却负荷、压降驱动风机/鼓风功和非最优再生调度,而非消除DAC的多GJ tCO-12特性。

4.6 AI在实际碳捕集项目中的应用进展

Jablonka等人使用Niederau?em后燃捕集中试工厂分钟分辨率数据,开发胺排放机器学习预测模型,15分钟预测MAPE约2.4%(AMP)和4.3%(Pz),24小时预测MAPE约27-30%。Hosseinifard等人在Abadan电厂PCC单元中评估多种ML分类器进行胺筛选,报告随机森林平均AUC为0.97,DGA替代MEA使总公用工程系统成本降低35.76%。Sheng等人在Sleipner储存点时间偏移地震监测中,演示3-D U-Net工作流勾画CO2羽流,512×512×256地震体推理时间29秒,与人工解释一致性95.8%,而传统解释需数天至数周。

5 挑战、局限性与未来展望

尽管CO2捕集和AI使用取得稳步进展,CCS尚未达到强气候影响所需规模。核心问题是成本:高纯度CO2流捕集成本通常约15-25 USD/tCO2,而稀释源如水泥厂和电厂更接近60-110 USD/tCO2,仍然过高。资本成本显著:胺基后燃捕集的中等规模项目总工厂成本约7600万至1.5亿欧元。能源强度是第二大挑战,再生和压缩能耗大,若能源供应非低碳则侵蚀净气候效益。

政策监管方面,缺乏强碳市场或一致政策减缓CCS部署。未来取决于政府行动如实施碳信用、排放交易系统或直接补贴。基础设施协调亦需发展,如CO2运输管道和共享储存中心以服务多个捕集点。

从AI角度,需将CCS障碍分为:(i)结构约束(热力学、资本强度、基础设施和政策);(ii)数据和决策中心挑战。AI最可信的价值在于减少可避免的低效(能源、溶剂/吸附剂损失、停机、不合格运行),而非替代低碳热/电力供应、材料耐久性和 supportive 市场/监管条件。

AI实际部署仍受四大限制:数据稀缺性、可泛化性、计算负担和可信度。许多工业相关数据集不可用于公开验证,模型跨操作域迁移非平凡,CCS相关模型需在严格实时约束下可靠运行,黑箱预测需伴随可辩护的不确定性处理和鲁棒逻辑。近中期工业影响将青睐混合/物理引导模型、不确定性感知软测量和具有明确 guardrails 的决策支持工具,而非基于有限、场地特定数据集的无约束端到端优化。

未来研究应优先:标准化报告数据来源(现场/中试vs模拟)、数据量/分辨率、扰动情景、基准和KPI;混合、约束一致、不确定性感知模型,提供校准预测区间;将ML筛选材料明确转化到过程设计/TEA/LCA的工作流;以及部署级验证,包括长期中试示范、容错软测量、再训练治理、网络可靠性和人机界面。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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