面向船舶二氧化碳捕集的高效 MEA/[TBA][Br] 溶剂的集成实验与机器学习优化框架

《Science China-Chemistry》：An integrated experimental and machine learning-based optimization framework for energy-efficient MEA/[TBA][Br] solvent in shipboard CO2 capture

　　

摘要

使用 MEA/[TBA][Br] 溶剂的船上二氧化碳（CO₂）捕获（SCC）系统缺乏实验研究以及能够在保持高 CO₂ 捕获率的同时最小化再生能耗的高效数据驱动优化框架。本研究进行了循环实验，并开发了一种基于深度神经网络（DNN）的框架，以优化与船舶相关的碳捕获操作条件。在第一阶段，收集了 70 个实验样本，在变化的 [TBA][Br] 浓度、解吸器温度和液气比（L/G）条件下，用于训练一个代理 DNN 模型。该模型用于构建优化问题，从中识别出最佳操作区域。在第二阶段，在该操作区域内进行了 28 项额外实验，并使用完整的 98 样本数据集训练了一个改进的 DNN 模型，该模型具有三个隐藏层，通过网格搜索调整超参数，并使用 80?20 的训练 - 测试分割进行评估。使用改进的 DNN 进行优化确定的最佳条件为：[TBA][Br] 浓度 2.96 wt%，解吸器温度 120°C，液气比（L/G）1.73 kg/kg，对应超过 90% 的 CO₂ 捕获率和 2.94 GJ/t CO₂ 的再生能耗。与本研究中的基准 MEA 以及文献中基于 MEA 的 SCC 系统相比，这种最佳性能对应着再生能耗降低了 11.40%–34.87%。改进的 DNN 表现出强大的预测能力，CO₂ 捕获率的平均绝对百分比误差（MAPE）值分别为 1.27%（训练）和 1.41%（测试），再生能耗的 MAPE 值分别为 0.83%（训练）和 1.04%（测试）。敏感性分析强调了所有三个变量的影响：添加 [TBA][Br] 减少了显热和汽化热需求，更高的液气比（L/G）提高了 CO₂ 捕获率，升高的解吸器温度同时提高了 CO₂ 捕获率并降低了再生能耗。此外，15 个循环的 ATR-FTIR 分析证实了溶剂的化学稳定性，没有发现化学降解的证据。这项工作展示了针对使用 MEA/[TBA][Br] 溶剂的 SCC 的有效机器学习赋能优化策略，并为开发节能型 SCC 系统提供了见解，以及一个可扩展到其他 CO₂ 排放源的框架。