En undersøgelse offentliggjort i Reaction Chemistry and Engineering af forskere ved University of Surrey brugte AI til at forbedre kulstofopsamling på kraftværker, hvilket reducerede energiforbruget med over en tredjedel.
Den forskningDet blev ledet af professor Jin Xuan, der er professor i bæredygtige processer ved University of Surreys School of Chemistry and Chemical Engineering, og fokuserede på at optimere systemer til opsamling af kulstof.
Den viser et modelsystem baseret på et rigtigt kulfyret kraftværk, der bruger AI til at opnå en stigning på 16,7% i opsamling af kuldioxid (CO2), samtidig med at det ikke-energimæssige forbrug fra Storbritanniens nationale net reduceres med 36,3%.
Prof. Xuan understregede det nye i denne tilgang, Det fremgår af en artikel fra University of Surrey"Normalt kører kulstofopsamlingssystemer konstant med samme hastighed - uanset de eksterne ændringer i miljøet. Men vi viste, at hvis man lærer systemet at blive ved med at foretage små tilpasninger, kan det give store energibesparelser - og samtidig opsamle mere kulstof."
Kulstofopsamling er en kritisk proces til at mindske miljøpåvirkningen fra CO2, den største drivhusgas, der produceres af de fleste kraftværker.
Det sker typisk ved hjælp af forstærket forvitring, en metode, hvor røggas bobles gennem vand, der indeholder kalksten, som reagerer med kalciumkarbonat og danner harmløst bikarbonat.
Denne proces er dog energikrævende, da der skal bruges strøm til at pumpe vand og CO2. CO2-fangstanlægget i undersøgelsen havde sin egen vindmølle til vedvarende energi, men i roligere vejr, hvor det ikke var tilstrækkeligt, brugte det energi fra elnettet.
Forskerteamets resultater ligger i at bruge kunstig intelligens til at gøre modelsystemet i stand til at forudsige udsving i CO2-produktionen og tilgængeligheden af vedvarende energi. Det gjorde det muligt for systemet at justere vandpumpningen i overensstemmelse hermed og optimere energiforbruget over tid.
Dr. Lei Xing, der er lektor i kemi og kemiteknik ved University of Surrey, fremhævede konsekvenserne af deres resultater og sagde: "Selvom vi testede vores model på forbedret forvitring, gælder principperne mere bredt. Vores model kan hjælpe alle, der forsøger at indfange og lagre mere CO2 med mindre energi - uanset hvilken proces de bruger."
Forskerne håber, at disse resultater kan bidrage til FN's mål for bæredygtig udvikling, som sigter mod at reducere presset på ikke-vedvarende energikilder og investere i innovative teknologier til kulstofindfangning.
Tidligere i januar i år brugte Microsoft AI til at skabe en ny elektrolyt til litiumbatterier, der kunne reducere litiumindhold i batterier med nogle 70%.
Mere om undersøgelsen
Undersøgelsen havde til formål at optimere kulstofindfangningen for at reducere brugen af ikke-vedvarende energikilder og samtidig bevare eller forbedre CO2-indfangningen.
Den brugte AI til at justere systemet baseret på små ændringer i stedet for at køre kontinuerligt med samme hastighed.
Sådan her fungerer det:
- Oprettelse af modeller til CO2-fangst: Forskere udviklede maskinlæringsmodeller til at forudsige, hvor effektivt en reaktor kunne opfange CO2, og hvor meget strøm den ville bruge. De brugte to typer modeller: LSTM (Long Short-Term Memory) og MLP (Multilayer Perceptron).
- Forudsigelse af nøglefaktorer med AI: De brugte kunstig intelligens til at forudsige to afgørende faktorer: hvor meget CO2 der ville være i gassen fra et kulkraftværk, og hvor meget vindenergi der ville være til rådighed til at drive opsamlingsprocessen. Disse prognoser er vigtige for planlægningen af opsamlingsprocessen.
- Test og forbedring af modellerne: Teamet testede grundigt deres AI-modeller for nøjagtighed ved hjælp af statistiske metoder. De brugte også en teknik kaldet konform forudsigelse til at afgøre, hvor sikre de kunne være på modellens forudsigelser.
- Optimering af indfangningsprocessen: Ved hjælp af data fra deres AI-modeller anvendte forskerne en sofistikeret algoritme til at finde den bedste balance mellem at indfange mest mulig CO2 og bruge mindst mulig ikke-vedvarende energi.
- Analyse af resultaterne: Resultaterne var lovende. De viste, at reaktoren i gennemsnit opfangede 16,7% mere CO2 og brugte 36,3% mindre energi fra ikke-vedvarende kilder i løbet af en måned.
Dette viser AI's anvendelighed inden for energireduktionsteknologi.
Letvægts AI-systemer, der monteres på energiforbrugende processer og apparater, kan optimere deres funktionalitet for effektivt at sænke ressourceforbruget.
