Un groupe de scientifiques a mis au point une solution d’apprentissage automatique pour prévoir les émissions d’amines des usines de capture de carbone en utilisant les données expérimentales d’un test de résistance dans une usine réelle en Allemagne.
Dans un article publié dans la revue Avancées scientifiques, les chercheurs expliquent que les amines sont des composés utilisés dans les processus chimiques des usines de captage du carbone et des usines de traitement et de raffinage du gaz naturel. Les amines sont également utilisées dans certains produits pharmaceutiques, résines époxy et colorants.
Le problème est que les amines pourraient également être potentiellement nocives pour l’environnement ainsi qu’un danger pour la santé, ce qui rend essentiel d’atténuer leur impact. Cela nécessite une surveillance et une prévision précises des émissions d’amines d’une usine, ce qui s’est avéré être une tâche difficile car les usines de capture du carbone sont complexes et différentes les unes des autres.
C’est là qu’intervient le nouveau développement.
Testée à Niederhauẞen, sur l’une des plus grandes centrales électriques au charbon d’Allemagne, la solution a été utilisée pendant une année complète pour surveiller un sillage envoyé de la centrale électrique vers une usine pilote de captage de carbone.
Test de stress
Les scientifiques ont créé un test de résistance pour étudier les émissions d’amines dans différentes conditions de processus. « Nous avons développé une campagne expérimentale pour comprendre comment et quand les émissions d’amines seraient générées. Mais certaines de nos expériences ont également provoqué des interventions des opérateurs de l’usine pour s’assurer que l’usine fonctionnait en toute sécurité », a déclaré Susana Garcia, co-auteur de l’étude, dans un communiqué de presse.
Ces interventions ont conduit à la question de savoir comment interpréter les données. Les émissions d’amines sont-elles le résultat du test de résistance lui-même ou les interventions des opérateurs ont-elles indirectement affecté les émissions ? Cela a été encore compliqué par un manque général de compréhension des mécanismes à l’origine des émissions d’amines.
« En bref, nous avons eu une campagne coûteuse et réussie qui a montré que les émissions d’amines peuvent être un problème, mais aucun outil pour analyser davantage les données », a déclaré le co-auteur de l’étude, Berend Smit. « Quand Susana Garcia m’a mentionné cela, cela ressemblait en effet à un problème impossible à résoudre. Mais elle a également mentionné qu’ils mesuraient tout toutes les cinq minutes, collectant de nombreuses données.
À la recherche de modèles
Avec l’aide du doctorant Kevin Maik Jablonka, le groupe a développé une approche d’apprentissage automatique qui a transformé le puzzle des émissions d’amines en un problème de reconnaissance de formes.
« Nous voulions savoir quelles seraient les émissions si nous n’avions pas le test de résistance mais seulement les interventions des opérateurs », a expliqué Smit. «C’est un problème similaire à celui que nous pouvons avoir en finance; par exemple, si vous souhaitez évaluer l’effet des modifications du code des impôts, vous souhaitez démêler l’effet du code des impôts de, disons, les interventions causées par la crise en Ukraine.
Dans l’étape suivante, Jablonka a utilisé un puissant apprentissage automatique pour prédire les futures émissions d’amines à partir des données de l’usine.
Avec ce modèle, l’équipe a pu prédire les émissions causées par les interventions des opérateurs puis les démêler de celles induites par le stress test. Ils ont également pu utiliser le modèle pour exécuter toutes sortes de scénarios de réduction de ces émissions.
La conclusion de ce travail a été qualifiée de « surprenante ». Il s’est avéré que l’installation pilote avait été conçue pour l’amine pure, mais les expériences de mesure ont été réalisées sur un mélange de deux amines : 2-amino-2-méthyl-1-propanol et pipérazine. Les scientifiques ont découvert que ces deux amines réagissent de manière opposée : réduire l’émission de l’une augmente les émissions de l’autre.
« Je suis très enthousiaste quant à l’impact potentiel de ce travail ; c’est une toute nouvelle façon de voir un processus chimique complexe », a déclaré Smit. « Ce type de prévision n’est pas quelque chose que l’on peut faire avec l’une des approches conventionnelles, donc cela peut changer la façon dont nous exploitons les usines chimiques. »
