《Fire》:Using Machine Learning to Predict the Performance of Brazilian Biomasses on Chemical Looping Combustion
Giovanny S. Oliveira,
Ant?nio M. L. Bezerra,
Domingos F. S. Souza,
Carlos E. A. Padilha and
Juan A. C. Ruiz
编辑推荐:
本文聚焦温室气体减排挑战,探讨利用机器学习(ML)预测巴西生物质在化学链燃烧(CLC)中性能的新方法。研究通过构建人工神经网络(ANN),输入生物质特性(工业与元素分析)及燃料反应器温度,成功预测了碳捕集效率(ηCC)和总氧需求(ΩT)等关键性能参数。ANN模型展现出优异的拟合度(R2> 0.973),并揭示了挥发性物质在预测中的关键作用。该研究为快速评估多种生物质的CLC适用性、优化碳捕集、利用与封存(CCUS)工艺提供了高效工具,对推动生物质能源清洁利用和工业低碳转型具有重要意义。
随着全球对气候变化的担忧加剧,减少温室气体(GHG)排放,特别是二氧化碳(CO2),已成为迫在眉睫的挑战。传统的燃烧过程直接将化石燃料与空气混合,产生的尾气中CO2浓度低、分离捕获成本高昂。化学链燃烧(Chemical Looping Combustion, CLC)技术作为一种具有潜力的碳捕集、利用与封存(Carbon Capture, Utilization and Storage, CCUS)方案脱颖而出。其核心在于通过一种名为氧载体(Oxygen Carrier, OC)的金属氧化物在两个反应器(氧化反应器和燃料反应器)间循环,间接传递氧,实现燃料燃烧。这种方式无需燃料与空气直接接触,从燃料反应器出口可直接获得高纯度CO2气流,极大简化了后续的碳捕集流程。
然而,CLC技术的广泛应用面临燃料适应性的问题。化石燃料固然可用,但寻求可再生、低碳的生物质作为燃料来源更具环境友好性。巴西拥有丰富的农业生物质资源,如稻壳、甘蔗渣、椰子壳、桉木和玉米芯等。遗憾的是,除了稻壳外,其他几种巴西生物质在CLC过程中的行为数据非常缺乏。传统的实验研究或数值模拟方法耗时耗力,难以快速评估多种生物质的性能。这就引出了本研究的核心问题:能否利用更高效的方法,快速、准确地预测这些尚未被充分研究的巴西生物质在CLC过程中的表现?
为了解决这一问题,来自巴西的研究团队Giovanny S. Oliveira, Ant?nio M. L. Bezerra, Domingos F. S. Souza, Carlos E. A. Padilha和Juan A. C. Ruiz在《Fire》期刊上发表了一项创新性研究。他们首次将机器学习(Machine Learning)工具应用于预测巴西生物质在CLC中的性能,为填补数据空白、加速生物质CLC评估提供了一条新路径。研究旨在通过构建人工神经网络(Artificial Neural Network, ANN)模型,仅利用生物质的基础特性(工业分析和元素分析数据)和操作条件(燃料反应器温度),来预测关键的CLC性能参数(碳捕集效率ηCC和总氧需求ΩT)以及出口气体组成。
为了开展这项研究,研究人员主要运用了以下关键技术方法:首先,他们系统性地收集并整理了用于训练和验证模型所需的CLC过程数据。其次,研究构建了一个多层人工神经网络模型,其输入层包括生物质的挥发性物质、固定碳、灰分含量、碳、氢、氧、氮、硫元素含量(即工业与元素分析数据)以及燃料反应器温度,输出层则为目标性能参数(ηCC, ΩT, CO2, CO, H2, CH4浓度)。模型的训练和验证基于文献中已报道的CLC实验数据。最后,他们将训练好的ANN模型应用于预测五种特定巴西生物质(稻壳、甘蔗渣、椰子壳、桉木、玉米芯)在CLC中的行为,评估其预测性能。
研究结果
1. 人工神经网络模型构建与性能
研究成功构建了一个能够有效关联生物质特性、操作条件与CLC性能参数的人工神经网络。该模型在预测碳捕集效率(ηCC)、总氧需求(ΩT)以及主要气体(CO2, CO, H2, CH4)组成方面表现出色。评估指标确定系数(R2)值普遍高于0.973,表明模型对数据具有极强的拟合能力,能够可靠地捕捉输入变量与输出响应之间的复杂非线性关系。
2. 输入变量的重要性分析
通过对模型进行敏感性分析,研究人员识别出在预测CLC性能时最关键的影响因素。分析结果表明,在所有的输入变量中,挥发性物质(Volatile Matter)的含量对模型预测碳捕集效率(ηCC)和总氧需求(ΩT)起到了至关重要的作用。这意味着生物质中挥发性组分的多少,是决定其在CLC过程中燃烧和碳捕集行为的一个核心特征。
3. 特定巴西生物质的性能预测
利用训练好的ANN模型,研究团队对五种巴西生物质进行了性能预测:
- •
碳捕集效率(ηCC)与总氧需求(ΩT):预测结果显示,稻壳在ηCC和ΩT两个参数上均呈现出最为平缓和稳定的结果,暗示其可能在CLC过程中表现出相对均衡和可预测的性能。
- •
二氧化碳(CO2)组成:模型预测表明,出口气流中CO2的浓度受生物质特性影响显著。其中,桉木的特性对预测的CO2组成影响最为明显,说明不同生物质由于其独特组分,会导致燃烧后气体产物组成的差异。
4. 模型验证与未来展望
尽管ANN模型取得了良好的预测效果,但作者也指出了当前研究的局限性。用于训练模型的数据集可能尚未完全覆盖所有生物质类型和CLC操作条件。因此,他们强调,未来需要对所涉及的所有生物质(稻壳、甘蔗渣、椰子壳、桉木、玉米芯)进行实际的CLC实验测试。获取这些实验数据将极大地扩充训练数据集,从而进一步提升机器学习算法的预测能力和泛化性,使其能够更可靠地应用于更广泛的生物质和工况条件。
结论与讨论
本研究成功地证明,机器学习,特别是人工神经网络,是预测生物质在化学链燃烧中性能的一种强大而高效的工具。通过利用易获取的生物质特性(工业分析和元素分析)和单一操作温度,所构建的模型能够高精度地预测碳捕集效率和总氧需求等关键参数。这不仅绕过了繁琐耗时的实验或复杂模拟,为快速筛选和评估多种生物质燃料的CLC适用性开辟了新途径。
研究发现挥发性物质是预测模型中最关键的特征变量,这加深了我们对生物质特性如何影响CLC过程的理解,为后续研究聚焦于关键物性参数提供了方向。对五种巴西特色生物质的预测分析,为这些潜在可再生燃料在CLC中的应用提供了初步的性能预览,尤其是稻壳展现出的稳定趋势值得关注。
这项工作的重要意义在于,它将前沿的数据科学方法与清洁能源技术挑战相结合。在全球致力于碳中和的背景下,该方法能够加速生物质基碳捕集技术的研发和部署流程。通过快速评估不同地区、不同种类的生物质资源,可以更有效地规划和利用生物质能源,推动CCUS技术在工业脱碳中的实际应用,特别是为像巴西这样生物质资源丰富但研究数据缺乏的地区提供了有力的分析工具。最终,这项研究为开发更智能、更高效的生物质能源转化系统贡献了重要的方法论基础。