内容一览：ScienceAI 作为近两年的技术热点，引起了业界广泛关注和讨论。本文将围绕 ScienceAdvances 的一篇论文，介绍如何利用机器学习，对燃煤电厂的胺排放量进行预测。
关键词：AI for Science 化学工程 胺排放
国际能源署公布的报告显示，2021 年全球能源相关的CO2 排放量较 2020 年增长 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和供热行业，增幅超过 9 亿吨，占全球 CO2 排放量增幅的 46%。控制并减少发电及供热行业 CO2 排放量刻不容缓。
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
查看 2021 全球 CO2 排放完整报告：
https://www.iea.org/reports/global-energy-review-co2-emissions-in-2021-2
在《中国电力行业碳达峰、碳中和的发展路径研究》中，行业专家给出了降低电力行业 CO2 排放量的三种改变措施：
1、大力发展风电、水电、核电等低碳电源，抛弃煤电、油电等高碳电源
2、对于燃煤电厂，用天然气、秸秆、生物质等低碳燃料，代替煤炭进行发电
3、利用碳捕捉技术，对燃煤电厂排放的 CO2 进行捕捉利用
其中，碳捕捉因为改造幅度小、想象空间大、具备变废为宝的能力，备受商业公司、能源公司以及电力行业科研院所的关注。
碳捕捉是指利用 CO2 和胺类物质发生反应，捕捉电厂释放到大气中的 CO2 并进行压缩，封存至枯竭的油田、天然气领域，或其他安全的地下场所，供后续石油开采、冶炼、汽车等产业利用。
然而，CO2 在与胺类物质发生反应的过程中，也会产生危害公共健康和生态系统的胺排放，有效监控并预测不同电厂的胺排放，成为碳捕捉的一大难点。
近日，由洛桑联邦理工学院和赫瑞瓦特大学组成的研究小组，开发出了一种机器学习方法，可依据电厂过往数据，
更准确地预测碳捕捉过程中胺类有害气体的排放量。目前该论文已发表在 ScienceAdvances 上。
完整论文请访问：
https://www.science.org/doi/10.1126/sciadv.adc9576#sec-2
1、先导工场试验
碳捕捉工场非常复杂，因为过程模型 (process model) 通常侧重于捕捉 steady-state 运行。然而，当前和未来发电厂的设计和运行，需要考虑到可再生能源发电份额的增加，这种增加是间歇性的、不规律的，因此还需要考虑到 steady-state 之外运行的动态和多变量行为。
为了模拟未来电厂运行的间歇性，科研人员对德国 Niederaußem 发电厂先导工场 (pilot plant) 的捕获装置，进行了一系列压力测试，试图发现电厂间歇性运行与胺排放量的关系。
Niederaußem 燃烧后碳捕捉先导工场的简化流程示意图
实验虽然积累了大量捕捉工场行为的数据，但无法利用这些数据定性预测未来的胺排放，因为除压力测试外，实验过程中还存在另一变量--电厂专业人员的干预，以确保实验期间工场的安全运行。
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。
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
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~
