EES：机器学习用于碳捕集、利用和储存的最新综述

碳捕集、利用和储存 (CCUS) 将在未来的脱碳中发挥关键作用，以实现巴黎协定目标并减轻气候变化影响。虽然有许多发展良好的CCUS技术，但仍有改进空间。

推进CCUS的一种既省时又经济的方式是机器学习(ML)。ML是先进统计工具和算法的统称，可用于对数据进行分类、预测、优化和聚类。

图1. ML算法的类型和应用

在此，英国克兰菲尔德大学Yongliang Yan, Peter T. Clough等人回顾和讨论了 ML在CO₂捕集、运输、储存和利用中的最新进展。首先，作者总结了可以用来加速CCUS研究的ML算法和平台。ML已广泛应用于基于吸收剂和吸附剂的CO₂捕集。对于CO₂吸收中的ML，研究重点是过程模拟和优化、热力学分析以及溶剂选择和设计。至于CO₂吸附中的ML，研究重点是将ML应用于吸附剂合成和表征、过程建模和优化及反演。

ML还广泛应用于CO₂的运输和储存，其独特优势在于提供了识别不易识别的数据/结果之间联系的潜力，并且还提供了替代的较低计算成本的途径。ML可以用来加速CO₂分离和转化材料的设计和开发，测量多相CO₂流及评估碳捕集机制，并开发用于过程优化和不确定性分析的替代模型。随着ML在CCUS中的发展，预计ML将成为加速开发具有成本效益的CCUS系统以应对气候变化的有效的重要工具。

图2. 执行优化的ML算法结构

最后，作者就ML在CCUS未来的工作和研究应用提出以下建议：

（1）加强对ML和CCUS的人才的教育培养；

（2）探索可以推断功能信息的广义ML模型；

（3）开发材料、工艺和系统优化（同时执行）的组合ML模型；

（4）在CCUS大规模应用中训练ML模型；

（5）进一步开发混合ML方法以弥补数据不足；

（6）开发可接受和可解释的ML模型；

（7）进一步研究ML是否可以应用于改进过程控制；

（8）建议提高ML模型和数据库的开放性；

（9）扩大CCUS 规模并尽可能使用ML模型。

图3. 为CO₂化学循环过程中的氧载体开发ML模型的工作流程

Harnessing the power of machine learning for carbon capture, utilisation, and storage (CCUS)—A state-of-the-art review, Energy & Environmental Science 2021. DOI: 10.1039/D1EE02395K

声明：如需转载请注明出处（华算科技旗下资讯学习网站-学术资讯），并附有原文链接，谢谢！

EES：机器学习用于碳捕集、利用和储存的最新综述

相关推荐