本文从公众号开始：HyperAI超级神经

内容摘要：近两年来，作为技术热点的ScienceAI引起了业界的广泛关注和讨论。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化学工程胺排放国际能源署发布的报告显示，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，并查看2021年全球CO2排放量的完整报告。

碳捕获：减少温室气体排放，将废物变成宝物的行业专家提出了减少电力行业CO2排放量的三项变革措施。

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。

发电厂的碳捕获设备

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、先导工厂实验碳捕获工厂非常复杂。因为“流程模型”通常侧重于捕获steady-state。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。

NIEDERAUEM燃烧后碳捕获试点研讨会的简化流程图。

实验积累了大量捕获车间行为的数据，但除了压力测试外，由于电厂专家的介入，在实验期间无法从质量上预测未来胺的排放，以确保工厂的安全运行。

2、数据集试点讲习班实验中，研究者每5分钟进行一次数据收集，积累了大量的数据，如何将这些数据转换成机器学习模型中可用的数据集，成为了研究的重点。

研究人员的方法是以图像(数据矩阵)的形式表示时间-无关过程和排放数据，在此基础上建立预测模型，然后使用机器学习技术进行模式识别，预测胺排放。

在此显示中，工厂在指定的时间T定义了状态特征向量x(t)。其中P元素表示过程变量，如烟雾温度和水洗温度。

取t时间戳的车间状态向量，得到t p的矩阵。该矩阵与未来排放曲线y(t)相连的& ampquot图片& ampquot中选择光源族。

本实验使用的数据是& ampquot图像& ampquot可以看作是。

宽度=输入序列(t)的长度

高度=参数数p

颜色=特定时间参数XJ ti的值

接下来，将工厂历史图像中的pattern与特定的未来排放相关联。为此，研究人员采用了梯度增强决策树模型，该模型将描述各种参数和排放量的行(row)组合成一个长矢量。使用quantile loss (quantile loss)对模型进行培训，以进行不确定性评估。

在评估不确定性时，研究人员使用支持蒙特卡罗dropout的时间卷积神经网络(TEMPORAL CONVOLUTIONAL NEURAL Network)，从note S8展示了该模型得到的结果。

通过这组数据，可以开发数据分析的机器学习模型。

3.从机器学习中获得胺排放的洞察力后，可以用机器学习模型做出以下预测。

1、未来排放量(实时):根据历史目前的运营和排放情况预测未来x小时的排放量。

2.数据的Causal impact分析：要测量特定压力测试对胺排放的影响，需要凡士林，在没有压力测试的情况下提供胺排放。

3.减少胺排放：利用模型& amp# 039；家庭& amp# 039；预测城市排放量。例如，如果降低水洗温度，预测是否会影响排放量

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、沈庆华学8年这篇论文由洛桑联邦理工大学基础科学学院的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共同领导的研究小组发表。

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是Smit教授组的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系，2017年本科毕业后Kevin进入瑞士洛桑联邦理工大学继续攻读硕士和博士，在化学领域继续深造。

从2014年到2022年，Kevin在8年的时间里积累了对化学和化学工程的深刻理解，在此期间通过对应用数据科学、机器学习的学习，将化学研究和人工智能融合在一起，提高了化学工程领域研究的效率和准确性，是妥妥的90后学霸。

正如许多化学领域的老手所说，机器学习在化学和工艺工程(process engineering)领域比计算机视觉领域的影响更大。

在CV应用场景中，模型学习的图像基本功能往往与人脑识别图像的方式密切相关，如大象检测、人脸识别等。

但是，在工业场景中，人类往往对基本机制缺乏了解，但通过机器学习，研究人员发现了从参数到目标观察物映射的基本规则，并预测了迄今无法预测的现象。

在预测电厂胺排放的情况下，机器学习被认为超越传统方法，为观察复杂的化学过程提供了新的视角，很可能彻底改变未来燃煤火力发电厂的运行方式。

人工智能将更多地应用于基础科学研究，提供动力，提高效率，加快科研成果的落地。你如何看待AI for Science下半场的发展？会带来什么样的突破，会面临什么样的挑战？欢迎评论分享你的观点和看法~未来的超神经也会关注更多ScienceAI相关话题。请关心~