本文以近两年的技术热点引起业界广泛关注和讨论的HyperAI超神经内容概述：ScienceAI开始公开。本文围绕科学技术的一篇论文，通过机器学习，介绍了如何预测燃煤电厂的胺排放量。关键词：AI for Science化学工程胺排放

根据国际能源署发表的报告，2021年全球能源相关CO2排放量比2020年增加了6%，达到363亿吨，创下历史新高。

其中CO2排放量增幅最大的是发电及供热产业，增加了9亿吨以上，占全球CO2排放量增幅的46%。迫切需要控制和减少发电及供热行业的CO2排放量。

2021年各行业CO2排放量的年度变化蓝色表示年度变化，红点表示净变化

2021年全球二氧化碳排放总体报告：

碳捕获：减少温室气体排放，使废物成为珍宝。

在《中国电力行业碳达峰、碳中和的发展路径研究》中，业界专家提出了三项旨在减少电力行业CO2排放量的变更措施。

1.大力发展风电、水电、核电等低碳电力，放弃煤电、油田等高碳电力

2.对于燃煤发电站，用天然气、稻草、生物质等低碳燃料代替煤炭生产电力

3、利用碳捕获技术捕获和利用燃煤火力发电厂排放的二氧化碳。

其中，碳捕获由于改造幅度小、想象空间大、具备将废物变成宝物的能力，受到商业公司、能源公司、电力行业科学研究院的关注。

电站的碳捕获设备

碳捕获是指利用CO2和胺类物质发生反应，捕捉和压缩发电厂释放到大气中的二氧化碳，存放在枯竭的油田、天然气领域或其他安全的地下场所，供后续石油开采、冶炼、汽车等产业使用。

但是，CO2在对胺物质作出反应的过程中，会产生危害公共健康和生态系统的胺排放，从而有效地监测和预测其他电厂的胺排放，这可能成为碳捕获的一大难点。

最近，洛桑联邦理工大学和赫瑞瓦特大学组成的研究小组根据发电厂的过去数据，开发了一种机器学习方法，可以更准确地预测碳捕获过程中胺有害气体的排放量。目前，这篇论文已经发表在《科学》杂志上。

论文详细说明：用机器学习技术解决化学问题

1、试点讲习班测试

碳捕获工厂非常复杂，因为流程模型(process model)通常侧重于捕获steady-state作业。但是，目前和未来的电厂设计和运营必须考虑到可再生能源发电份额的增加。由于这种增加是间歇性和不规则的，因此还应考虑在steady-state外部运行的动态和多变量行为。

为了模拟未来电厂的运行，研究人员对德国Niederau em电厂先导工厂(pilot plant)的捕获装置进行了一系列压力测试，试图了解电厂间歇运行与胺排放量的关系。

NIEDERAUE EM燃烧后碳捕获领先工厂的简化流程图

实验积累了大量捕捉工作场所行为的数据，但除了压力测试外，还有另一个变量——发电站，因此无法从质量上预测未来胺的排放。

2、获取数据集

先导工场实验中，科研人员每 5 分钟进行一次数据采集，积累了庞大的数据量，如何把这些数据转化成可供机器学习模型使用的数据集，成为研究重点。

科研人员的方法是把 time-dependent 过程及排放数据，表示成图像（数据矩阵），基于此创建预测模型，然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，工场在给定时间 t 定义了一个 state 特征向量 x(t)，其中 p 元素表示过程变量（如烟气温度和水洗温度)。

取 t 个时间戳的工场 state 向量，得到一个 t × p 的矩阵。这个矩阵可以被看作是一个「图像」，与未来的排放曲线 y(t) 相连。

数据表示示意图

​

本实验中用到的数据可以看作一张「图像」，其中：

宽度=输入序列 (T) 的长度

高度=参数数量 p

颜色=参数 xj 在某个时间 ti 的值

接下来，将工场历史图像中的 pattern，与特定的未来排放进行联系。为此，科研人员采用了梯度增强的决策树模型，将描述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，以获得不确定性评估 (uncertainty estimate)。

评估不确定性时，科研人员采用了支持蒙特卡洛 dropout 的时间卷积神经网络 (temporal convolutional neural network) ，并在 note S8 中展示用这个模型获得的结果。

有了这个数据集，就可以借助数据科学方法，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，就可以用机器学习模型进行以下预测：

1、未来排放量（实时）：基于历史 & 当前的运行和排放，预测未来 x 小时的排放量是多少

2、数据的 Causal impact 分析：测量特定压力测试对胺排放的影响，需要一个 baseline，提供在没有压力测试情况下的胺排放

3、减少胺排放：用模型预测「假设」情况下的排放量，如降低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未来 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 教授和苏格兰赫瑞瓦特大学碳解决方案研究中心教授 Susana Garcia 共同领导的科研小组发布。

其中，开发机器学习方法，将胺排放问题转化为模式识别问题的学生，正是 Smit 教授小组的 90 后博士生 Kevin Maik Jablonka。

该论文的一作 Kevin Maik Jablonka

Kevin 本科就读于德国慕尼黑工业大学化学专业，2017 年本科毕业后，Kevin 进入瑞士洛桑联邦理工学院继续硕士和博士学习，在化学领域继续深造。

从 2014 年至 2022 年，Kevin 用了 8 年时间建立了对化学及化学工程的深刻理解，期间还通过对应用数据科学、机器学习的学习，将化学研究与人工智能进行融合，提升了化学工程领域研究的效率和准确度，是一位妥妥的 90 后学霸。

诚如多位化学领域的资深人士所说，机器学习在化学及过程工程 (process engineering) 领域，可能产生比计算机视觉领域更大的影响。

在 CV 应用场景中，模型学习的图像基本特征，往往与人类大脑感知图像的方式密切相关，如目标检测、人脸识别。

然而在工业场景中，人类往往缺乏对基本机制的了解，但通过机器学习，科研人员发现了从参数到目标观察物映射的基本规则，并对迄今无法预测的现象进行了预测。

在预测电厂胺排放这一案例中，机器学习超越传统方法，被认为是提供了一种观察复杂化学过程的全新视角，极有可能彻底改变未来燃煤电厂的运行方式。

人工智能将更多地应用于基础科学研究，为其提供动力、提升效率、加速科研成果落地。你如何看待 AI for Science 下半场的发展？它将带来哪些突破，又会面临怎样的挑战？欢迎留言分享你的观点和看法~

未来超神经还将关注更多 ScienceAI 相关话题，感兴趣快关注吧~