Die globale Erwärmung ist zum Teil auf die enormen Mengen an Kohlendioxid zurückzuführen, die wir freisetzen, vor allem bei der Stromerzeugung und bei industriellen Prozessen wie der Stahl- und Zementherstellung. Seit einiger Zeit befassen sich Chemieingenieure mit der Kohlenstoffabscheidung, einem Verfahren, mit dem Kohlendioxid abgetrennt und so gespeichert werden kann, dass es nicht in die Atmosphäre gelangt. Dies geschieht in speziellen Anlagen zur Abscheidung von Kohlendioxid, deren chemischer Prozess Amine umfasst, Verbindungen, die bereits zur Abscheidung von Kohlendioxid aus Erdgasverarbeitungs- und Raffinerieanlagen verwendet werden. Amine werden auch in bestimmten Arzneimitteln, Epoxidharzen und Farbstoffen verwendet.
Potenziell umwelt- und gesundheitsschädlich
Das Problem ist, dass Amine auch potenziell umweltschädlich und gesundheitsgefährdend sein können, so dass es wichtig ist, ihre Auswirkungen zu verringern. Dies erfordert eine genaue Überwachung und Vorhersage der Aminemissionen einer Anlage, was sich als keine leichte Aufgabe erweist, da Kohlenstoffabscheidungsanlagen komplex sind und sich voneinander unterscheiden. Eine Gruppe von Wissenschaftlern hat eine maschinelle Lernlösung für die Vorhersage von Aminemissionen aus Kohlenstoffabscheidungsanlagen entwickelt, die auf experimentellen Daten aus einem Stresstest in einer realen Anlage in Deutschland beruht. Die Arbeit wurde von den Gruppen von Professor Berend Smit an der School of Basic Sciences der EPFL und Professor Susana Garcia am Research Centre for Carbon Solutions der Heriot-Watt University in Schottland geleitet.
"Die Experimente wurden in Niederhaussen durchgeführt, in einem der grössten Kohlekraftwerke Deutschlands", sagt Berend Smit. "Von diesem Kraftwerk aus wird ein Windschatten in eine Pilotanlage zur Kohlenstoffabscheidung geleitet, wo die nächste Generation von Aminlösungen seit über einem Jahr getestet wird. Eine der offenen Fragen ist jedoch, dass Amine mit dem Rauchgas emittiert werden können, und diese Aminemissionen müssen kontrolliert werden.
Professor Susana Garcia entwickelte zusammen mit dem Eigentümer der Anlage, RWE, und TNO in den Niederlanden einen Stresstest, um die Aminemissionen unter verschiedenen Prozessbedingungen zu untersuchen. Professor Garcia beschreibt, wie der Test ablief: "Wir entwickelten eine Versuchskampagne, um zu verstehen, wie und wann Aminemissionen entstehen würden. Einige unserer Experimente führten aber auch zu Eingriffen der Anlagenbetreiber, um einen sicheren Betrieb der Anlage zu gewährleisten."
Interpretation der Daten
Diese Eingriffe führten zu der Frage, wie die Daten zu interpretieren sind. Sind die Aminemissionen das Ergebnis des Stresstests selbst, oder haben die Eingriffe der Betreiber die Emissionen indirekt beeinflusst? Erschwerend kam hinzu, dass wir die Mechanismen, die den Aminemissionen zugrunde liegen, im Allgemeinen nicht verstanden haben. "Kurz gesagt, wir hatten eine teure und erfolgreiche Kampagne, die zeigte, dass Aminemissionen ein Problem sein können, aber keine Instrumente, um die Daten weiter zu analysieren", sagt Smit. Er fährt fort: "Als Susana Garcia mich darauf ansprach, klang es in der Tat wie ein unmöglich zu lösendes Problem. Aber sie erwähnte auch, dass sie alles alle fünf Minuten messen und viele Daten sammeln. Und wenn es in meiner Gruppe jemanden gibt, der unmögliche Probleme mit Daten lösen kann, dann ist es Kevin." Kevin Maik Jablonka, ein Doktorand, entwickelte einen Ansatz des maschinellen Lernens, der das Rätsel der Aminemissionen in ein Mustererkennungsproblem verwandelte.
"Wir wollten wissen, wie die Emissionen aussehen würden, wenn wir nicht den Stresstest, sondern nur die Eingriffe der Betreiber hätten", erklärt Smit. Das ist ein ähnliches Problem, wie wir es im Finanzwesen haben können; wenn man zum Beispiel die Auswirkungen von Änderungen im Steuerrecht bewerten will, möchte man die Auswirkungen des Steuerrechts von den Interventionen trennen, die zum Beispiel durch die Krise in der Ukraine verursacht wurden."
Maschinelles Lernen für die Vorhersage
Im nächsten Schritt nutzte Jablonka leistungsstarkes maschinelles Lernen, um aus den Daten der Anlage künftige Aminemissionen vorherzusagen. Er sagt: "Mit diesem Modell konnten wir die durch die Eingriffe der Betreiber verursachten Emissionen vorhersagen und sie dann von den durch den Stresstest verursachten Emissionen trennen. Darüber hinaus konnten wir mit dem Modell alle möglichen Szenarien zur Reduzierung dieser Emissionen durchspielen."
Die Schlussfolgerung wurde als "überraschend" bezeichnet. Wie sich herausstellte, war die Pilotanlage für reines Amin konzipiert worden, die Messversuche wurden jedoch mit einem Gemisch aus zwei Aminen durchgeführt: 2-Amino-2-methyl-1-propanol und Piperazin (CESAR1). Die Wissenschaftler fanden heraus, dass diese beiden Amine entgegengesetzt reagieren: Wird die Emission des einen Amins reduziert, erhöht sich die Emission des anderen.
"Ich bin von den potenziellen Auswirkungen dieser Arbeit sehr begeistert; es ist eine völlig neue Art, einen komplexen chemischen Prozess zu betrachten", sagt Smit. "Diese Art der Vorhersage ist mit keinem der herkömmlichen Ansätze möglich und könnte daher die Art und Weise, wie wir Chemieanlagen betreiben, verändern."
Literatur
Kevin Maik Jablonka, Charithea Charalambous, Eva Sanchez Fernandez, Georg Wiechers, Peter Moser, Juliana Monteiro, Berend Smit, Susana Garcia. Machine learning for industrial processes: Forecasting amine emissions from a carbon capture plant. Science Advances 04 January 2023