Deep Learning optimiert Amine-Emissionen und Leistung in CO₂-Abscheideanlagen

In einer wegweisenden Studie wurden datengetriebene Deep‑Learning‑Modelle entwickelt, die die Emissionen von Aminen sowie die wichtigsten Leistungsparameter in industriellen CO₂-Abscheideanlagen vorhersagen und überwachen können. Die Modelle basieren auf Betriebsdaten der CESAR1‑Kampagne am Technology Center Mongstad und nutzen vier unterschiedliche Architekturen: Basic LSTM, Stacked LSTM, Bi‑directional LSTM und Convolutional LSTM.

Für die Emissionsvorhersage wurden speziell Modelle für 2‑Amino‑2‑Methyl‑1‑Propanol (AMP) und Piperazin erstellt, die mittels FTIR‑ und IMR‑MS‑Messungen erfasst wurden. Gleichzeitig wurden Leistungsmodelle für vier kritische Parameter – CO₂‑Produktfluss, Ausgassystemtemperatur, Temperatur des depletiven Abgasauslasses und Stripper‑Bottom‑Temperatur – entwickelt. Alle Modelle erreichten eine Vorhersagegenauigkeit von über 99 % und konnten sowohl stabile Trends als auch plötzliche Schwankungen zuverlässig verfolgen.

Ein weiterer Schwerpunkt der Arbeit war die kausale Einflussanalyse. Durch gezielte Störungen von acht Eingangsvariablen um ±20 % wurden die Auswirkungen auf Emissionen und Systemleistung simuliert. Die Ergebnisse zeigen, dass gezielte Anpassungen, etwa der Temperatur des Lean‑Solvents oder der Wasserwaschbedingungen, die Amine‑Emissionen deutlich senken und die Gesamtleistung verbessern können.

Diese Forschung unterstreicht, dass maschinelles Lernen nicht nur ein leistungsfähiges Vorhersagewerkzeug ist, sondern auch als Entscheidungsunterstützungssystem dient, um CO₂-Abscheideanlagen sowohl im stationären als auch im dynamischen Betrieb zu optimieren.