Deep Learning-Enhanced for Amine Emission Monitoring and Performance Analysis in Industrial Carbon Capture Plants

📄 arXiv: 2509.05241v1 📥 PDF

作者: Lokendra Poudel, David Tincher, Duy-Nhat Phan, Rahul Bhowmik

分类: cs.LG

发布日期: 2025-09-05

💡 一句话要点

利用深度学习预测胺排放和性能，优化工业碳捕集

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 碳捕集 胺排放 深度学习 LSTM 性能优化

📋 核心要点

  1. 现有胺基碳捕集系统缺乏实时监控和优化，导致胺排放和性能不稳定。
  2. 利用深度学习模型，通过历史数据预测胺排放和关键性能参数，实现实时监控和优化。
  3. 实验表明，该模型预测精度超过99%，并通过因果分析优化操作参数，降低胺排放。

📝 摘要（中文）

本文提出了一种数据驱动的深度学习模型，用于预测和监测胺基后燃烧碳捕集系统中的胺排放和关键性能参数。利用Technology Center Mongstad的CESAR1溶剂实验的运行数据，开发了四种深度学习架构，包括基本长短期记忆网络（LSTM）、堆叠LSTM、双向LSTM和卷积LSTM，以捕捉随时间变化的过程行为。针对排放预测，模型设计用于预测通过FTIR和IMR-MS方法测量的2-氨基-2-甲基-1-丙醇（AMP）和哌嗪排放。系统性能模型针对四个关键参数：CO₂产品流量、吸收器出口温度、贫烟气出口温度和RFCC汽提塔底部温度。这些模型实现了超过99%的高预测精度，并有效地跟踪了稳定趋势和突发波动。此外，我们进行了因果影响分析，以评估操作变量如何影响排放和系统性能。通过在标称值的±20%范围内系统地扰动八个输入变量来模拟偏差并评估其影响。该分析表明，调整特定的操作参数，如贫溶剂温度和水洗条件，可以显著减少胺排放并提高系统性能。这项研究强调了机器学习不仅是一种预测工具，而且是一种决策支持系统，用于优化稳态和动态条件下的碳捕集操作。通过实现实时监测、情景测试和操作优化，开发的机器学习框架为减轻环境影响提供了一条切实可行的途径。这项工作代表了朝着智能化、数据驱动的控制策略迈出的一步，这些策略可以提高碳捕集和储存技术的效率、稳定性和可持续性。

🔬 方法详解

问题定义：论文旨在解决胺基后燃烧碳捕集系统中胺排放难以预测和系统性能难以优化的问题。现有方法依赖于经验模型或简单的统计方法，无法准确捕捉复杂的时序依赖关系，导致预测精度低，难以指导实际操作。

核心思路：论文的核心思路是利用深度学习模型强大的时序建模能力，从历史运行数据中学习胺排放和关键性能参数的变化规律，从而实现高精度的预测和优化。通过因果影响分析，进一步探究操作变量对排放和性能的影响，为操作优化提供理论依据。

技术框架：整体框架包括数据收集与预处理、模型构建与训练、预测与评估、因果影响分析四个主要阶段。首先，收集碳捕集系统的历史运行数据，包括胺排放、关键性能参数和操作变量。然后，构建四种深度学习模型（LSTM、Stacked LSTM、Bi-directional LSTM、Convolutional LSTM），并使用历史数据进行训练。接着，利用训练好的模型进行预测，并与实际数据进行比较，评估模型性能。最后，通过因果影响分析，评估不同操作变量对胺排放和系统性能的影响。

关键创新：论文的关键创新在于将深度学习模型应用于胺基碳捕集系统的胺排放预测和性能优化，并结合因果影响分析，为操作优化提供更深入的理解。与传统方法相比，深度学习模型能够更好地捕捉复杂的时序依赖关系，提高预测精度。

关键设计：论文采用了四种不同的LSTM变体，以探索不同网络结构对预测性能的影响。模型输入包括胺排放、关键性能参数和操作变量的历史数据。损失函数采用均方误差（MSE），优化器采用Adam。因果影响分析通过系统地扰动操作变量，并观察其对胺排放和系统性能的影响来实现。

📊 实验亮点

实验结果表明，所提出的深度学习模型能够以超过99%的精度预测胺排放和关键性能参数。因果影响分析揭示了贫溶剂温度和水洗条件等操作参数对胺排放和系统性能的显著影响。通过调整这些参数，可以有效降低胺排放并提高碳捕集效率。

🎯 应用场景

该研究成果可应用于工业碳捕集工厂的实时监控、性能优化和故障诊断。通过预测胺排放，可以帮助工厂更好地控制排放水平，减少环境污染。通过优化操作参数，可以提高碳捕集效率，降低运行成本。此外，该模型还可以用于模拟不同操作条件下的系统性能，为工厂设计和改造提供参考。

📄 摘要（原文）

We present data driven deep learning models for forecasting and monitoring amine emissions and key performance parameters in amine-based post-combustion carbon capture systems. Using operational data from the CESAR1 solvent campaign at Technology Center Mongstad, four DL architectures such as Basic Long Short-Term Memory (LSTM), Stacked LSTM, Bi-directional LSTM, and Convolutional LSTM were developed to capture time-dependent process behavior. For emission prediction, models were designed for 2-amino-2-methyl-1-propanol (AMP) and Piperazine emissions measured via FTIR and IMR-MS methods. System performance models target four critical parameters: CO$_2$ product flow, absorber outlet temperature, depleted flue gas outlet temperature, and RFCC stripper bottom temperature. These models achieved high predictive accuracy exceeding 99% and effectively tracked both steady trends and abrupt fluctuations. Additionally, we conducted causal impact analysis to evaluate how operational variables influence emissions and system performance. Eight input variables were systematically perturbed within $\pm$20% of nominal values to simulate deviations and assess their impact. This analysis revealed that adjusting specific operational parameters, such as lean solvent temperature and water wash conditions, can significantly reduce amine emissions and enhance system performance. This study highlights ML not only as a predictive tool but also as a decision support system for optimizing carbon capture operations under steady state and dynamic conditions. By enabling real time monitoring, scenario testing, and operational optimization, the developed ML framework offers a practical pathway for mitigating environmental impacts. This work represents a step toward intelligent, data-driven control strategies that enhance the efficiency, stability, and sustainability of carbon capture and storage technologies.