《Journal of Cleaner Production》：Smart carbon capture: Leveraging LSTM networks for hourly CO
2 flow prediction in an industrial stack of a CO
2 recovery plant
编辑推荐：
•首次在工业级CO2捕集装置中部署用于实时CO2流量预测的LSTM模型。•应用皮尔逊特征选择法识别出39个工艺关键运行变量。•顺序LSTM预测457小时的CO2产量，为工业决策提供支持。•模型在实际运行异常和工艺瞬态条件下得到验证。•可实现胺基CDR装置的预测控制和数字孪生集
- •
首次在工业级CO2捕集装置中部署用于实时CO2流量预测的LSTM模型。
- •
应用皮尔逊特征选择法识别出39个工艺关键运行变量。
- •
顺序LSTM预测457小时的CO2产量，为工业决策提供支持。
- •
模型在实际运行异常和工艺瞬态条件下得到验证。
- •
可实现胺基CDR装置的预测控制和数字孪生集成。
引言
温室气体排放量的增加以及对全球潜在气候变化的担忧，引发了全球对大型发电系统中捕集、释放和利用CO2可行性的关注。据认为，超过40%的CO2排放来自化石燃料发电厂及其烟囱（Lee等，2020）。因此，在CO2产生地点嵌入适当的CO2捕集设施可以减轻温室气体排放的负面影响。目前已有商业化的技术可以从发电厂废气中捕集CO2，但这些技术能耗高且成本昂贵（Baker等，2017；Obi等，2025）。
目前，化学胺基CO2捕集技术被视为该领域最常用净化工厂尾气的方法（Ju等，2020；Valeh-e-Sheyda和Rashidi，2016；Valeh-e-Sheyda等，2018；Vo等，2020）。化学溶剂主要基于胺类，包括单乙醇胺（MEA）、二乙醇胺（DEA）、三乙醇胺（TEA）、2-氨基-2-甲基-1-丙醇（AMP）、哌嗪（PZ）和N-甲基二乙醇胺（MDEA）。在这些烷醇胺中，由于MEA在大气压下具有极高的CO2捕集反应速率，使得吸收可在较短的吸收塔中进行，因此MEA成为CO2捕集过程中最广泛使用的溶液（Bui等，2014；Damartzis等，2016；Rivera-Tinoco和Bouallou，2010）。
CO2捕集装置的预测模型可分为热力学模型、统计模型和机器学习模型（Rozhenko等，2025；Valadian等，2026；Valeh-e-Sheyda等，2021；Venkatraman和Alsberg，2017；Yan等，2021）。然而，传统方法在精度不足、复杂性高以及依赖过度简化的假设方面存在诸多缺陷，这些假设无法捕捉真实工业过程的非线性动态行为。此外，由于这些技术的不透明性和为克服未知知识而采用的原始假设，其预测结果无法保证与实际记录一致（Shalaby等，2021；Sip?cz等，2011a）。相比之下，统计回归技术的性能极易受到时间框架变化和测试数据质量的影响。
得益于编程语言的重大进步，如今CO2捕集装置的评估已被改适并规划采用机器学习（ML）方法（Sahith和Lal，2024）。机器学习架构的高可靠性、低计算成本以及在实验时间上的显著节省，对预测CO2捕集过程的效率具有重要贡献（Chung和Lee，2020）。
人工神经网络（ANN）因其在复杂数据集中发现隐含有意义模式的卓越表现，已被广泛应用于CO2捕集预测领域（Fu等，2013；Hasanizadeh等，2022；Sip?cz等，2011b）。近年来，已建立了多种人工神经网络，包括前馈神经网络（FFNN）、反向传播神经网络（BPNN）、卷积神经网络（CNN）和长短期记忆（LSTM）神经网络。与其他神经网络不同，LSTM神经网络因其反馈特征，能够处理任意长度的序列数据集。此外，LSTM网络主要用于解决长时间序列情况下梯度消失的问题（Tian等，2021）。
大量研究已开展利用机器学习（ML）方法精确构建石油CO2捕集装置中CO2吸收速率和CO2浓度预测模型的工作。聚焦于特征选择和深度神经网络，多项研究强调了数据预处理在提高模型精度方面的作用。Oh等（2022）利用Spearman相关法、逐步向后消除法（SBE）和Lasso技术识别单乙醇胺（MEA）装置中CO2吸收的关键参数，最终发现Lasso集成的深度神经网络（DNN）具有优越的预测性能。类似地，Adams等（2020）将皮尔逊特征选择与DNN和最小二乘支持向量机（LSSVM）模型结合，用于预测NOx和SOx排放，结果表明纳入煤炭和石灰石特性可使模型性能提高70%以上。
除特征选择外，其他研究还聚焦于复杂化学过程的高保真映射。Vo等（2019）将严格的动态模型与人工神经网络（ANN）结合，用于预测蒸汽甲烷重整器（SMR）的输出，对温度、流速和摩尔分数等变量实现了超过98.91%的精度水平。近期工作将比较性机器学习框架与优化算法集成。Shalaby等（2021）评估了ANN与GPR和精细树方法在后燃烧捕集（PCC）装置中的表现，认定ANN是最精确的预测器。此外，他们还展示了将这些模型与顺序二次规划（SQP）和遗传算法（GA）结合，以确定最优能量需求和捕集率的成效。
尽管取得了这些进展，将深度序列学习模型应用于实际工业规模的CO2回收操作仍存在重要的研究空白。大多数现有的机器学习研究聚焦于使用稳态或简化动态模型预测CO2吸收速率或捕集效率，往往忽略了连续工厂运行中固有的关键时间依赖性和"注意事项"——例如来自全规模装置的噪声大、高维且相关的运行数据。
本研究的主要创新在于首次开发并工业验证了一个专门用于商业胺基CDR装置中CO2产品流量逐时预测的长短期记忆（LSTM）神经网络。为弥合深度序列学习与实际碳捕集操作之间的差距，本研究追求四个主要目标。首先，开发了一个稳健的LSTM框架，专门用于捕捉连续CO2捕集过程的时间依赖性和复杂动态特性。其次，实施了一种基于皮尔逊相关性的特征选择方法，将54个运行参数精简为39个关键特征，专门针对高维真实世界工业数据集进行优化。第三，优化了网络架构——特别是具有ADAM优化器的两层LSTM——以建立可靠的近期预测框架。此外，使用商业规模装置的实际运行数据对模型性能进行了验证，证明了序列学习方法相较于传统稳态机器学习方法的优越能力。
章节摘要
CDR装置描述基础
该后燃烧CO2提取装置安装在伊朗一家石油化工企业内，正常捕集能力为每小时5500 kg CO2，旨在将尿素装置产量提高约5%。为此，氨装置重整炉的烟气被引向所用的CDR装置，回收的CO2将用于尿素生产。在进入吸收塔之前，采用气相色谱法测定CO2浓度。
特征选择与工艺变量识别
模型开发的初始阶段专注于对54个原始运行参数进行精炼，以消除冗余特征并提高预测效率。高相关特征变量相对于CO2产品流量的分布如图4所示。对密度曲线的技术分析表明，部分变量偏离正态分布，异常值出现在非稳态事件期间，如工厂启动和高压跳停等。
结论
本研究开发了一个稳健的长短期记忆（LSTM）框架，用于商业胺基回收装置中CO2产品流量的实时逐时预测。通过利用包含54个运行参数的高维数据集，本研究成功实施了一种基于皮尔逊相关性的特征选择方法，识别出39个关键变量，有效降低了计算复杂度而未牺牲预测深度。
优化后的LSTM架构——包含两层隐藏层
CRediT作者贡献声明
Peyvand Valeh-e-Sheyda：撰写——审阅与编辑、验证、监督、软件、项目管理、方法论、调查研究、概念构思。Hamed Rashidi：验证、软件、方法论、数据整理、概念构思。Pouria Heidarian：撰写——初稿、验证、软件、调查研究、数据整理。Haval Kukha Hawez：撰写——审阅与编辑、验证、资金获取、概念构思。
科学写作中使用生成式AI的声明
在本工作准备过程中，作者使用了ChatGPT以提高论文的可读性和语言质量。使用此工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。
符号说明
| 人工神经网络 | ANN |
| 反向传播神经网络 | BPNN |
| LSTM偏置 | b |
| LSTM细胞状态 | c |
| 二氧化碳回收 | CDR |
| 卷积神经网络 | CNN |
| 深度神经网络 | DNN |
| LSTM遗忘门 | f |
| 前馈神经网络 |
利益冲突声明
作者声明以下可能被视为潜在利益冲突的经济利益/个人关系：作者感谢伊朗克尔曼沙赫理工大学（KUT）在本研究中的资金支持，项目编号为Kutkoya-1/T/P/S。
致谢
作者感谢克尔曼沙赫理工大学（KUT）在本研究中的资金支持，项目编号为Kutkoya-1/T/P/S。
Peyvand Valeh-e-Sheyda|Hamed Rashidi|Pouria Heidarian|Haval Kukha Hawez
