本文首发自公众号：HyperAI 超神经
内容一览：ScienceAI 作为近两年的技术热点，引起了业界宽泛关注和探讨。本文将围绕 ScienceAdvances 的一篇论文，介绍如何利用机器学习，对燃煤电厂的胺排放量进行预测。
关键词：AI for Science 化学工程 胺排放
国内能源署颁布的报告显示，2021 年寰球能源相干的 CO2 排放量较 2020 年增长 6%，达到 363 亿吨，创历史新高。其中 CO2 排放量增幅最大的是发电和供热行业，增幅超过 9 亿吨，占寰球 CO2 排放量增幅的 46%。管制并缩小发电及供热行业 CO2 排放量迫不及待。
2021 年各行业 CO2 排放量的年度变动蓝色示意年度变动，红点示意净变动查看 2021 寰球 CO2 排放残缺报告
碳捕获：缩小温室气体排放、实现变废为宝
在《中国电力行业碳达峰、碳中和的倒退门路钻研》中，行业专家给出了升高电力行业 CO2 排放量的三种扭转措施：
1、大力发展风电、水电、核电等低碳电源，摈弃煤电、油电等高碳电源
2、对于燃煤电厂，用天然气、秸秆、生物质等低碳燃料，代替煤炭进行发电
3、利用碳捕获技术，对燃煤电厂排放的 CO2 进行捕获利用
其中，碳捕获因为革新幅度小、设想空间大、具备变废为宝的能力，备受商业公司、能源公司以及电力行业科研院所的关注。
电厂中的碳捕获设施
碳捕获是指利用 CO2 和胺类物质产生反馈，捕获电厂开释到大气中的 CO2 并进行压缩，封存至枯竭的油田、天然气畛域，或其余平安的公开场合，供后续石油开采、冶炼、汽车等产业利用。
然而，CO2 在与胺类物质产生反馈的过程中，也会产生危害公共衰弱和生态系统的胺排放，无效监控并预测不同电厂的胺排放，成为碳捕获的一大难点。
近日，由洛桑联邦理工学院和赫瑞瓦特大学组成的钻研小组，开发出了一种机器学习办法，可根据电厂过往数据，更精确地预测碳捕获过程中胺类无害气体的排放量。目前该论文已发表在 ScienceAdvances 上。
论文详解：用机器学习技术解决化学问题
1、先导工场试验
碳捕获工场非常复杂，因为过程模型 (process model) 通常侧重于捕获 steady-state 运行。然而，以后和将来发电厂的设计和运行，须要思考到可再生能源发电份额的减少，这种减少是间歇性的、不法则的，因而还须要思考到 steady-state 之外运行的动静和多变量行为。
为了模仿将来电厂运行的间歇性，科研人员对德国 Niederaußem 发电厂先导工场 (pilot plant) 的捕捉安装，进行了一系列压力测试，试图发现电厂间歇性运行与胺排放量的关系。
Niederaußem 焚烧后碳捕获先导工场的简化流程示意图
试验尽管积攒了大量捕获工场行为的数据，但无奈利用这些数据定性预测将来的胺排放，因为除压力测试外，试验过程中还存在另一变量 – 电厂业余人员的干涉，以确保试验期间工场的平安运行。
2、获取数据集
先导工场试验中，科研人员每 5 分钟进行一次数据采集，积攒了宏大的数据量，如何把这些数据转化成可供机器学习模型应用的数据集，成为钻研重点。
科研人员的办法是把 time-dependent 过程及排放数据，示意成图像（数据矩阵），基于此创立预测模型，而后借助机器学习技术进行模式识别，预测胺排放。
在这种表示法中，工场在给定工夫 t 定义了一个 state 特征向量 x(t)，其中 p 元素示意过程变量（如烟气温度和水洗温度)。
取 t 个工夫戳的工场 state 向量，失去一个 t × p 的矩阵。这个矩阵能够被看作是一个「图像」，与将来的排放曲线 y(t) 相连。
本试验中用到的数据能够看作一张「图像」，其中：
宽度 = 输出序列 (T) 的长度
高度 = 参数数量 p
色彩 = 参数 xj 在某个工夫 ti 的值
接下来，将工场历史图像中的 pattern，与特定的将来排放进行分割。为此，科研人员采纳了梯度加强的决策树模型，将形容不同参数和排放量的行 (row) 合并为一个长向量。用分位数损失 (quantile loss) 训练模型，以取得不确定性评估 (uncertainty estimate)。
评估不确定性时，科研人员采纳了反对蒙特卡洛 dropout 的工夫卷积神经网络 (temporal convolutional neural network)，并在 note S8 中展现用这个模型取得的后果。
有了这个数据集，就能够借助数据迷信办法，开发一个机器学习模型进行数据分析。
3、从机器学习中洞悉胺排放
接下来，就能够用机器学习模型进行以下预测：
1、将来排放量（实时）：基于历史 & 以后的运行和排放，预测将来 x 小时的排放量是多少
2、数据的 Causal impact 剖析：测量特定压力测试对胺排放的影响，须要一个 baseline，提供在没有压力测试状况下的胺排放
3、缩小胺排放：用模型预测「假如」状况下的排放量，如升高水洗温度是否会对排放量产生影响
利用机器学习模型预测将来 2 分钟、1 小时、2 小时的胺排放量
90 后学霸博士，深耕化学 8 年
本篇论文由洛桑联邦理工学院基础科学学院的 Berend Smit 传授和苏格兰赫瑞瓦特大学碳解决方案钻研核心传授 Susana Garcia 独特领导的科研小组公布。
其中，开发机器学习办法，将胺排放问题转化为模式识别问题的学生，正是 Smit 传授小组的 90 后博士生 Kevin Maik Jablonka。
Kevin Maik JablonkaKevin 本科就读于德国慕尼黑工业大学化学业余，2017 年本科毕业后，Kevin 进入瑞士洛桑联邦理工学院持续硕士和博士学习，在化学畛域持续深造。
从 2014 年至 2022 年，Kevin 用了 8 年工夫建设了对化学及化学工程的深刻理解，期间还通过对利用数据迷信、机器学习的学习，将化学钻研与人工智能进行交融，晋升了化学工程畛域钻研的效率和准确度，是一位妥妥的 90 后学霸。
诚如多位化学畛域的资深人士所说，机器学习在化学及过程工程 (process engineering) 畛域，可能产生比计算机视觉畛域更大的影响。
在 CV 利用场景中，模型学习的图像基本特征，往往与人类大脑感知图像的形式密切相关，如指标检测、人脸识别。
然而在工业场景中，人类往往不足对根本机制的理解，但通过机器学习，科研人员发现了从参数到指标察看物映射的根本规定，并对迄今无奈预测的景象进行了预测。
在预测电厂胺排放这一案例中，机器学习超过传统办法，被认为是提供了一种察看简单化学过程的全新视角，极有可能彻底改变将来燃煤电厂的运行形式。
人工智能将更多地利用于基础科学钻研，为其提供能源、晋升效率、减速科研成果落地。你如何对待 AI for Science 下半场的倒退？它将带来哪些冲破，又会面临怎么的挑战？欢送留言分享你的观点和认识~ 将来超神经还将关注更多 ScienceAI 相干话题，感兴趣快关注吧~