I en studie publisert i Reaction Chemistry and Engineering av forskere ved University of Surrey ble kunstig intelligens brukt til å forbedre karbonfangsten i kraftverk, noe som reduserte energiforbruket med over en tredjedel.
Den forskning, ledet av professor Jin Xuan, professor i bærekraftige prosesser ved University of Surreys School of Chemistry and Chemical Engineering, fokuserte på å optimalisere systemer for karbonfangst.
Den viser et modellsystem basert på et ekte kullkraftverk som bruker kunstig intelligens til å oppnå en økning på 16,7% i karbondioksidfangst (CO2), samtidig som det ikke-energirelaterte forbruket fra Storbritannias nasjonale nett reduseres med 36,3%.
Prof. Xuan understreket det nye ved denne tilnærmingen, i en artikkel fra University of Surrey"Vanligvis kjører karbonfangstsystemer konstant, med samme hastighet - uavhengig av endringer i omgivelsene. Men vi har vist at man kan oppnå store energibesparelser ved å lære systemet å gjøre små tilpasninger hele tiden - og samtidig fange mer karbon."
Karbonfangst er en viktig prosess for å redusere miljøpåvirkningen fra CO2, den viktigste klimagassen som produseres av de fleste kraftverk.
Dette oppnås vanligvis ved hjelp av forbedret forvitring, en metode der røykgassen bobles gjennom vann som inneholder kalkstein, og reagerer med kalsiumkarbonat for å danne ufarlig bikarbonat.
Denne prosessen er imidlertid energikrevende, og det kreves strøm for å pumpe vann og CO2. CO2-fangstanlegget i studien hadde sin egen vindturbin for fornybar energi, men i roligere vær hvor dette ikke var tilstrekkelig, brukte det energi fra strømnettet.
Forskerteamets prestasjoner ligger i å bruke kunstig intelligens til å gjøre modellsystemet i stand til å forutsi svingninger i CO2-produksjonen og tilgjengeligheten av fornybar energi. Dermed kunne systemet justere vannpumpingen deretter, slik at energibruken ble optimalisert over tid.
Dr. Lei Xing, som underviser i kjemi og kjemiteknikk ved University of Surrey, fremhever implikasjonene av funnene og sier: "Selv om vi testet modellen vår på forbedret forvitring, gjelder prinsippene mer generelt. Modellen vår kan hjelpe alle som prøver å fange og lagre mer CO2 med mindre energi - uansett hvilken prosess de bruker."
Forskerne håper at disse funnene kan bidra til FNs bærekraftsmål, som tar sikte på å redusere belastningen på ikke-fornybare energikilder og investere i innovative teknologier for karbonfangst.
Tidligere i januar i år brukte Microsoft kunstig intelligens til å skape en ny litiumbatterielektrolytt som kan redusere litiuminnhold i batterier av noen 70%.
Mer om studien
Målet med studien var å optimalisere karbonfangsten for å redusere bruken av ikke-fornybare energikilder og samtidig opprettholde eller forbedre CO2-fangsten.
Den brukte kunstig intelligens til å justere systemet basert på små endringer i stedet for å kjøre kontinuerlig med samme hastighet.
Slik fungerer det:
- Skaper modeller for CO2-håndtering: Forskerne utviklet maskinlæringsmodeller for å forutsi hvor effektivt en reaktor kan fange CO2 og hvor mye strøm den vil bruke. De brukte to typer modeller: LSTM (Long Short-Term Memory) og MLP (Multilayer Perceptron).
- Prognoser for nøkkelfaktorer med kunstig intelligens: De brukte kunstig intelligens til å forutsi to avgjørende faktorer: hvor mye CO2 det ville være i gassen fra et kullkraftverk, og hvor mye vindenergi som ville være tilgjengelig for å drive fangstprosessen. Disse prognosene er viktige for planleggingen av fangstprosessen.
- Testing og forbedring av modellene: Teamet testet AI-modellene sine grundig for nøyaktighet ved hjelp av statistiske metoder. De brukte også en teknikk som kalles konform prediksjon for å avgjøre hvor sikre de kunne være på modellens spådommer.
- Optimalisering av fangstprosessen: Ved hjelp av data fra AI-modellene brukte forskerne en sofistikert algoritme for å finne den beste balansen mellom å fange mest mulig CO2 og bruke minst mulig ikke-fornybar energi.
- Analyse av resultatene: Resultatene var lovende. De viste at reaktoren i gjennomsnitt fanget 16,7% mer CO2 og brukte 36,3% mindre energi fra ikke-fornybare kilder i løpet av en måned.
Dette viser at kunstig intelligens kan være nyttig innen energireduksjonsteknologi.
Lette AI-systemer som monteres på energikrevende prosesser og apparater, kan optimalisere funksjonaliteten for å redusere ressursforbruket på en effektiv måte.
