【Energy and AI】基于机器学习的技术经济流程优化,通过增强风化来捕获二氧化碳

文摘   2024-07-30 16:48   天津  



https://doi.org/10.1016/j.egyai.2023.100234


  第一作者: Hai Jiang, School of Chemistry and Chemical Engineering, Jiangsu University, China

❖  通讯作者: Lei Xing, Department of Chemical and Process Engineering, University of Surrey, UK

Jin Xuan, Department of Chemical and Process Engineering, University of Surrey, UK

  作者邮箱: l.xing@surrey.ac.uk, j.xuan@surrey.ac.uk


摘要

本研究评估了基于增强风化(EW)的二氧化碳捕集在不同工艺配置和条件下的串联填充气泡柱(S-PBC)接触器的实用性和经济性。S-PBC接触器旨在通过整体M4模型充分利用丰富的海水和高效的淡水优势,包括多物理场、机器学习、多变量和多目标优化。然后进行经济分析,以调查不同S-PBC配置的成本。基于一种新型机器学习算法的数据驱动的代理模型,即扩展自适应混合函数(E-AHF),通过基于物理的模型生成的数据实现和训练。GA和NSGA-II用于执行单目标和多目标优化,以实现最大CO2捕获率(CR)和最小能耗(EC),并具有8个设计变量的最优值。CR和EC预测的R2高于0.96,相对误差小于5%。M4模型已被证明是执行多变量和多目标优化的有效方法,可显着减少计算时间和资源,同时保持高预测精度。权衡由帕累托前表示的最大CR和最小EC,CR的最优值为0.1014 kg h−1,EC的最优值为6.1855 MJ kg−1CO2。计算出的最有前途的S-PBC配置的净成本约为400$ t−1CO2,比当前直接空气捕获(DAC)的净成本低约100$ t−1CO2,但受到较慢的CO2捕获率的影响。



详情可点击下方“阅读原文

Energy and AI是天津大学与Elsevier共同创办的国际学术期刊,内容涵盖人工智能技术应用于能源领域所取得的最新、最重要的研究进展。期刊最新的影响因子(IF)为9.6,CiteScore为16.5。欢迎广大学者踊跃投稿。我们的网址是:www.journals.elsevier.com/energy-and-ai


EAI能源与人工智能
天津大学官方期刊:Energy and AI
 最新文章