人为产生的二氧化碳(CO2)排放量的增加加速了全球变暖,这对气候缓解构成了严峻挑战。为此,《巴黎协定》目标是在2030年前将二氧化碳排放量减少50%,并在2050年前实现向零碳经济的过渡[1,2]。在这一框架下,基于水合物的二氧化碳封存(Hydrate-Based CO2 Sequestration, HBCS)技术预计将有助于实现所需的二氧化碳减排目标,凸显了其作为关键缓解技术策略的潜力。
气体水合物是通过范德华力(van der Waals force)将水分子包裹住气体分子形成的晶体化合物[3],这种笼状结构能够在温和的温度和压力条件下储存大量气体。在标准条件下,气体水合物的理论储气容量为180体积摩尔/摩尔(v/v)[4,5],因此受到了碳捕获、储存和能源应用的关注。特别是深海二氧化碳水合物储存是一个有吸引力的选择,因为海洋沉积物自然提供了高压、低温的环境,确保了长期稳定性。HBCS技术具有高储气容量、适中的操作条件以及比传统封存方法更高的安全性等优点[6,7]。然而,由于其二氧化碳水合物成核和生长动力学缓慢,其实际应用仍然具有挑战性。相变、成核障碍和水合物稳定性等因素受温度、压力、添加剂、多孔介质和水饱和度水平的影响。因此,诱导时间、水合物形成速率和气体转化效率等参数是大规模应用气体水合物的关键[8,9]。
化学促进剂(如表面活性剂)可以改善动力学,但往往存在环境问题。氨基酸L-色氨酸(L-Try)[10,11]和L-亮氨酸(L-Leu)[12]作为环保替代品已被证明可以增强水合物形成速率。同时,机械方法(如搅拌[10]、气泡生成[13]以及纳米材料的引入[14]可以增加气液界面,从而在动态系统中促进水合物的形成。
最近的研究强调了金属表面在促进二氧化碳水合物成核中的作用,因为它们提供了异质成核位点。研究发现,铝和镁合金可以显著缩短诱导时间,表明改善气液固三相界面可能提高成核速率[12]。
受先前研究的启发,我们提出了一种新方法,将金属丝填充(MFP)与L-色氨酸结合,以加速静态系统中的二氧化碳水合物成核和生长。我们选择了一种表面粗糙的轻质金属丝网络[15],以实现:(1)提高热导率;(2)将水合物薄膜分割成更小的部分;(3)通过表面粗糙度增强液气接触;(4)将热传导扩展到气相;(5)促进异质成核。将MFP与作为催化促进剂的L-Try结合使用,进一步加速了二氧化碳水合物的形成。通过系统分析L-Try浓度和MFP的效果,本研究旨在推进HBCS的可行性,并加深对二氧化碳水合物形成机制的理解。
此外,还进行了能量分析,比较了不同实验方法,基于两个参数:特定初级能源消耗(kJ/kg CO2)和总初级能源消耗(J)。
尽管在水合物研究方面取得了进展,但单独的实验方法往往耗时较长、劳动密集,并且在捕捉水合物复杂动力学方面能力有限。包括温度、压力、气体组成和促进剂浓度在内的多个非线性因素的相互作用,使得准确预测水合物行为变得具有挑战性[[16], [17], [18], [19]]。在这种情况下,基于人工智能的机器学习技术为预测水合物形成和分解提供了强大的工具[[20], [21], [22], [23]],前提是这些技术需要用可靠的实验数据进行训练。
在各种数据驱动的方法中,人工神经网络(Artificial Neural Networks, ANNs)在模拟复杂非线性过程方面取得了显著成功。ANN是一种受人类大脑启发的计算模型[24],能够识别模式、从数据中学习,并根据潜在趋势进行预测。这些模型为关联多个输入变量(例如温度、压力、时间)与输出参数(例如气体吸收量、水合物形成速率)提供了实证框架。
通过利用基于ANN的数据驱动建模,可以实现:
-分析和预测实验范围内的水合物形成动力学。
-描述促进剂浓度对水合物形成行为的影响。
-提供气体吸收量变化的连续表示,以支持实验结果的解释
本研究的一个重要部分是使用ANN来描述二氧化碳水合物的形成(归一化气体吸收量)作为时间和L-色氨酸浓度的函数。该模型使用实验数据进行了训练,并用于估算实验范围内未直接包含在训练数据集中的中间浓度下的气体吸收量。这种方法展示了ANN在研究实验范围内插值水合物形成行为的能力。