In een onderzoek gepubliceerd in Reaction Chemistry and Engineering door onderzoekers van de Universiteit van Surrey werd AI gebruikt om het afvangen van koolstof in energiecentrales te verbeteren, waardoor het energieverbruik met meer dan een derde daalde.
De onderzoekonder leiding van professor Jin Xuan, leerstoel duurzame processen aan de School of Chemistry and Chemical Engineering van de Universiteit van Surrey, richtte zich op het optimaliseren van koolstofafvangsystemen.
Het laat een modelsysteem zien dat is gebaseerd op een echte kolengestookte elektriciteitscentrale die AI gebruikt om 16,7% meer kooldioxide (CO2) af te vangen en tegelijkertijd het niet-energiegebruik van het Britse elektriciteitsnet met 36,3% te verminderen.
Prof. Xuan benadrukte de nieuwigheid van deze aanpak, vermeld in een artikel van de Universiteit van SurreyGewoonlijk draaien koolstofafvangsystemen constant op dezelfde snelheid, ongeacht de extern veranderende omgeving. Maar wij toonden aan dat door het systeem te leren om steeds kleine aanpassingen te maken, grote energiebesparingen kunnen worden bereikt - en tegelijkertijd meer koolstof kan worden vastgelegd."
Koolstofafvang is een cruciaal proces voor het verminderen van de milieu-impact van CO2, het belangrijkste broeikasgas dat door de meeste energiecentrales wordt geproduceerd.
Dit wordt meestal bereikt door verbeterde verwering, een methode waarbij rookgassen door water met kalksteen worden geblazen, waardoor een reactie met calciumcarbonaat plaatsvindt en onschadelijk bicarbonaat wordt gevormd.
Dit proces is echter energie-intensief, omdat er energie nodig is om water en CO2 op te pompen. De CO2-afvanginstallatie in het onderzoek had een eigen windturbine voor hernieuwbare energie, maar bij rustiger weer, als dat niet voldoende was, werd energie van het elektriciteitsnet gebruikt.
De prestaties van het onderzoeksteam liggen in het gebruik van AI om het modelsysteem in staat te stellen fluctuaties in CO2-productie en beschikbaarheid van hernieuwbare energie te voorspellen. Hierdoor kon het systeem het pompen van water dienovereenkomstig aanpassen, waardoor het energieverbruik in de loop van de tijd werd geoptimaliseerd.
Dr. Lei Xing, docent scheikunde en chemische technologie aan de Universiteit van Surrey, benadrukte de implicaties van hun bevindingen door te zeggen: "Hoewel we ons model hebben getest op versterkte verwering, zijn de principes breder toepasbaar. Ons model kan iedereen helpen die meer CO2 probeert op te vangen en op te slaan met minder energie, ongeacht het proces dat ze gebruiken."
De onderzoekers hopen dat deze bevindingen kunnen bijdragen aan de Sustainable Development Goals van de Verenigde Naties, die als doel hebben om de druk op niet-hernieuwbare energiebronnen te verminderen en te investeren in innovatieve technologieën om koolstof op te vangen.
Eerder in januari van dit jaar gebruikte Microsoft AI om een nieuwe lithiumbatterij-elektrolyt te maken dat in staat is om lithiumgehalte in batterijen door sommige 70%.
Meer over het onderzoek
Het onderzoek was gericht op het optimaliseren van koolstofafvang om het gebruik van niet-hernieuwbare energiebronnen te verminderen en tegelijkertijd de CO2-afvang te behouden of te verbeteren.
Het gebruikte AI om het systeem aan te passen op basis van kleine veranderingen in plaats van continu op dezelfde snelheid te draaien.
Zo werkt het:
- Modellen maken voor CO2-afvang: Onderzoekers ontwikkelden machine-learningmodellen om te voorspellen hoe efficiënt een reactor CO2 zou kunnen afvangen en hoeveel stroom deze zou verbruiken. Ze gebruikten twee soorten modellen: LSTM (Long Short-Term Memory) en MLP (Multilayer Perceptron).
- Belangrijke factoren voorspellen met AI: Ze gebruikten AI om twee cruciale factoren te voorspellen: hoeveel CO2 er in het gas van een kolencentrale zou zitten en hoeveel windenergie er beschikbaar zou zijn om het afvangproces van energie te voorzien. Deze voorspellingen zijn belangrijk voor de planning van het afvangproces.
- De modellen testen en verbeteren: Het team testte hun AI-modellen rigoureus op nauwkeurigheid met behulp van statistische methoden. Ze gebruikten ook een techniek genaamd conforme voorspelling om te bepalen hoeveel vertrouwen ze konden hebben in de voorspellingen van het model.
- Het vastleggingsproces optimaliseren: Met behulp van de gegevens van hun AI-modellen gebruikten de onderzoekers een geavanceerd algoritme om de beste balans te vinden tussen het opvangen van de meeste CO2 en het gebruik van de minste hoeveelheid niet-hernieuwbare energie.
- De resultaten analyseren: De resultaten waren veelbelovend. Ze toonden aan dat de reactor gemiddeld 16,7% meer CO2 afvangt en 36,3% minder energie uit niet-hernieuwbare bronnen verbruikt gedurende een maand.
Dit bewijst het nut van AI in energiereductietechnologie.
Lichtgewicht AI-systemen die worden aangebracht op energieverbruikende processen en apparaten kunnen hun functionaliteit optimaliseren om het verbruik van hulpbronnen effectief te verlagen.
