I en studie som publicerades i Reaction Chemistry and Engineering av forskare vid University of Surrey användes AI för att förbättra koldioxidavskiljningen vid kraftverk, vilket minskade energiförbrukningen med över en tredjedel.
Den forskningunder ledning av professor Jin Xuan, ämnesföreträdare för hållbara processer vid University of Surrey's School of Chemistry and Chemical Engineering, fokuserade på att optimera system för koldioxidavskiljning.
Den visar upp ett modellsystem baserat på ett riktigt kolkraftverk som använder AI för att uppnå en 16,7% ökning av koldioxidavskiljningen (CO2) samtidigt som förbrukningen av icke-energi från Storbritanniens nationella nät minskar med 36,3%.
Prof. Xuan betonade det nya i detta tillvägagångssätt, som anges i en artikel från University of Surrey"Vanligtvis körs system för koldioxidavskiljning konstant, i samma takt - oavsett hur miljön förändras utifrån. Men vi visade att om man lär systemet att fortsätta göra små anpassningar kan det ge stora energibesparingar - och samtidigt fånga in mer koldioxid."
Koldioxidavskiljning är en viktig process för att minska miljöpåverkan från CO2, den ledande växthusgasen som produceras av de flesta kraftverk.
Detta uppnås vanligtvis genom förstärkt vittring, en metod där rökgasen bubblas genom vatten som innehåller kalksten, som reagerar med kalciumkarbonat för att bilda ofarligt bikarbonat.
Processen är dock energikrävande, eftersom det krävs energi för att pumpa vatten och CO2. Anläggningen för avskiljning av CO2 i studien hade en egen vindturbin för förnybar energi, men i lugnare väder, när detta inte räckte till, användes energi från elnätet.
Forskargruppens framgångar ligger i att med hjälp av AI göra det möjligt för modellsystemet att förutse fluktuationer i CO2-produktionen och tillgången på förnybar energi. Detta gjorde det möjligt för systemet att justera vattenpumpningen i enlighet med detta och optimera energianvändningen över tid.
Dr. Lei Xing, lektor i kemi och kemiteknik vid University of Surrey, belyste konsekvenserna av deras resultat och sa: "Även om vi testade vår modell på förstärkt vittring, gäller principerna mer allmänt. Vår modell kan hjälpa alla som försöker fånga in och lagra mer CO2 med mindre energi - oavsett vilken process de använder."
Forskarna hoppas att dessa resultat kan bidra till FN:s mål för hållbar utveckling, som syftar till att minska belastningen på icke-förnybara energikällor och investera i innovativa tekniker för att fånga upp koldioxid.
Tidigare i januari i år använde Microsoft AI för att skapa en ny elektrolyt för litiumbatterier som kan minska litiuminnehåll i batterier av vissa 70%.
Mer om studien
Studien syftade till att optimera koldioxidavskiljningen för att minska användningen av icke förnybara energikällor samtidigt som koldioxidavskiljningen bibehålls eller förbättras.
AI användes för att justera systemet baserat på små förändringar i stället för att köra kontinuerligt i samma takt.
Så här fungerar det:
- Skapa modeller för avskiljning av CO2: Forskare utvecklade maskininlärningsmodeller för att förutsäga hur effektivt en reaktor kan fånga CO2 och hur mycket energi den skulle använda. De använde två typer av modeller: LSTM (Long Short-Term Memory) och MLP (Multilayer Perceptron).
- Prognoser för nyckelfaktorer med AI: De använde AI för att förutse två avgörande faktorer: hur mycket CO2 som skulle finnas i gasen från ett kolkraftverk och hur mycket vindkraft som skulle finnas tillgänglig för att driva avskiljningsprocessen. Dessa prognoser är viktiga för planeringen av avskiljningsprocessen.
- Testning och förbättring av modellerna: Teamet testade rigoröst sina AI-modeller för noggrannhet med hjälp av statistiska metoder. De använde också en teknik som kallas conformal prediction för att avgöra hur säkra de kunde vara på modellens förutsägelser.
- Optimera inspelningsprocessen: Med hjälp av data från sina AI-modeller använde forskarna en sofistikerad algoritm för att hitta den bästa balansen mellan att fånga in mest CO2 och använda minst mängd icke-förnybar energi.
- Analys av resultaten: Resultaten var lovande. De visade att reaktorn i genomsnitt fångade in 16,7% mer CO2 och använde 36,3% mindre energi från icke-förnybara källor under en månad.
Detta visar på AI:s användbarhet inom teknik för att minska energiförbrukningen.
Lättviktiga AI-system som monteras på energiförbrukande processer och apparater kan optimera deras funktionalitet för att effektivt minska resursförbrukningen.
