Utilización del aprendizaje automático para predecir las emisiones de aminas
Los científicos han desarrollado un método de aprendizaje automático para predecir con exactitud las emisiones de aminas potencialmente nocivas de las plantas de captura de carbono
El calentamiento global se debe en parte a la enorme cantidad de dióxido de carbono que liberamos, sobre todo por la generación de energía y los procesos industriales, como la fabricación de acero y cemento. Desde hace algún tiempo, los ingenieros químicos estudian la captura de carbono, un proceso que permite separar el dióxido de carbono y almacenarlo de forma que se mantenga fuera de la atmósfera.
Una central eléctrica hecha con IA.
Kevin Maik Jablonka (EPFL), CC BY-SA 4.0
Esto se hace en plantas dedicadas a la captura de carbono, cuyo proceso químico implica aminas, compuestos que ya se utilizan para capturar el dióxido de carbono de las plantas de procesamiento y refinado de gas natural. Las aminas también se utilizan en ciertos productos farmacéuticos, resinas epoxi y tintes.
El problema es que las aminas también pueden ser potencialmente nocivas para el medio ambiente, además de un peligro para la salud, por lo que es esencial mitigar su impacto. Para ello es necesario controlar y predecir con exactitud las emisiones de aminas de una planta, lo que no resulta fácil porque las plantas de captura de carbono son complejas y diferentes entre sí.
Un grupo de científicos ha ideado una solución de aprendizaje automático para predecir las emisiones de aminas de las plantas de captura de carbono utilizando datos experimentales de una prueba de estrés en una planta real de Alemania. El trabajo ha sido dirigido por los grupos del profesor Berend Smit, de la Escuela de Ciencias Básicas de la EPFL, y la profesora Susana García, del Centro de Investigación de Soluciones de Carbono de la Universidad Heriot-Watt de Escocia.
"Los experimentos se hicieron en Niederhauẞen, en una de las mayores centrales eléctricas de carbón de Alemania", explica Berend Smit. "Y desde esta central se envía un torbellino a una planta piloto de captura de carbono, donde se ha probado durante más de un año la nueva generación de solución amínica. Pero una de las cuestiones pendientes es que las aminas pueden emitirse con los gases de combustión, y hay que controlar estas emisiones de aminas."
La profesora Susana García, junto con el propietario de la planta, RWE, y TNO en los Países Bajos, desarrolló una prueba de estrés para estudiar las emisiones de aminas en diferentes condiciones de proceso. La profesora García describe cómo se desarrolló la prueba: "Desarrollamos una campaña experimental para entender cómo y cuándo se generarían emisiones de aminas. Pero algunos de nuestros experimentos también provocaron intervenciones de los operarios de la planta para garantizar su funcionamiento seguro".
Estas intervenciones llevaron a preguntarse cómo interpretar los datos. ¿Las emisiones de aminas son el resultado de la propia prueba de estrés o las intervenciones de los operarios han afectado indirectamente a las emisiones? Esto se complicó aún más por nuestra falta general de comprensión de los mecanismos que subyacen a las emisiones de aminas. "En resumen, teníamos una campaña cara y exitosa que demostraba que las emisiones de aminas pueden ser un problema, pero ninguna herramienta para analizar los datos", dice Smit.
Y continúa: "Cuando Susana García me mencionó esto, sonaba efectivamente como un problema imposible de resolver. Pero también mencionó que lo medían todo cada cinco minutos, recopilando muchos datos. Y, si hay alguien en mi grupo que puede resolver problemas imposibles con datos, ese es Kevin". Kevin Maik Jablonka, estudiante de doctorado, desarrolló un enfoque de aprendizaje automático que convirtió el rompecabezas de las emisiones de aminas en un problema de reconocimiento de patrones.
"Queríamos saber cuáles serían las emisiones si no tuviéramos la prueba de esfuerzo, sino sólo las intervenciones de los operarios", explica Smit. Es un problema similar al que podemos tener en finanzas; por ejemplo, si quieres evaluar el efecto de los cambios en el código tributario, te gustaría desligar el efecto del código tributario de, digamos, las intervenciones causadas por la crisis en Ucrania".
En el siguiente paso, Jablonka utilizó un potente aprendizaje automático para predecir las futuras emisiones de aminas a partir de los datos de la planta. Con este modelo pudimos predecir las emisiones causadas por las intervenciones de los operadores y separarlas de las inducidas por la prueba de resistencia. Además, podíamos utilizar el modelo para ejecutar todo tipo de escenarios sobre la reducción de estas emisiones".
La conclusión se calificó de "sorprendente". Resultó que la planta piloto se había diseñado para amina pura, pero los experimentos de medición se realizaron con una mezcla de dos aminas: 2-amino-2-metil-1-propanol y piperazina (CESAR1). Los científicos descubrieron que estas dos aminas responden de forma opuesta: al reducir la emisión de una, aumenta la de la otra.
"Estoy muy entusiasmado con el impacto potencial de este trabajo; es una forma completamente nueva de ver un proceso químico complejo", afirma Smit. "Este tipo de previsión no es algo que se pueda hacer con ninguno de los enfoques convencionales, por lo que puede cambiar la forma en que operamos las plantas químicas".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
