Utiliser l'apprentissage automatique pour prévoir les émissions d'amines

Utiliser l’apprentissage automatique pour prévoir les émissions d’amines

Une centrale électrique faite avec l’IA. Crédit : Kevin Maik Jablonka (EPFL)

Le réchauffement climatique est en partie dû à la grande quantité de dioxyde de carbone que nous rejetons, principalement à partir de la production d’électricité et des processus industriels, tels que la fabrication de l’acier et du ciment. Depuis un certain temps maintenant, les ingénieurs chimistes explorent la capture du carbone, un processus qui peut séparer le dioxyde de carbone et le stocker de manière à le garder hors de l’atmosphère.

Cela se fait dans des usines dédiées à la capture du carbone, dont le processus chimique implique des amines, des composés déjà utilisés pour capturer le dioxyde de carbone 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 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.

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 à l’aide de données expérimentales provenant d’un test de résistance dans une usine réelle en Allemagne. Les travaux ont été menés par les groupes du professeur Berend Smit de la Faculté des sciences de base de l’EPFL et du professeur Susana Garcia du Research Centre for Carbon Solutions de l’Université Heriot-Watt en Écosse.

« Les expériences ont été menées à Niederhaussen, sur l’une des plus grandes centrales électriques au charbon d’Allemagne », explique Berend Smit. « Et à partir de cette centrale électrique, un sillage est envoyé dans une usine pilote de capture du carbone, où la prochaine génération de solution d’amine a été testée pendant plus d’un an. Mais l’un des problèmes en suspens est que les amines peuvent être émises avec les gaz de combustion, et ces émissions d’amines doivent être contrôlées. »

Le professeur Susana Garcia, en collaboration avec le propriétaire de l’usine, RWE, et TNO aux Pays-Bas, a mis au point un test de résistance pour étudier les émissions d’amines dans différentes conditions de procédé. Le professeur Garcia décrit le déroulement du test : « 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. »

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 notre manque général de compréhension des mécanismes derrière les 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 », explique Smit.

Il poursuit : « 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. Et, s’il y a quelqu’un dans mon groupe qui peut résoudre des problèmes impossibles avec les données, c’est Kevin. »

Kevin Maik Jablonka, un Ph.D. étudiant, a ensuite 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 », explique 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. Il dit : « Avec ce modèle, nous pourrions prédire les émissions causées par les interventions des opérateurs, puis les dissocier de celles induites par le test de résistance. De plus, nous pourrions utiliser le modèle pour exécuter toutes sortes de scénarios sur la réduction de ces émissions. . »

La conclusion a été qualifiée de « surprenante ». Il s’est avéré que l’usine pilote avait été conçue pour l’amine pure, mais les expériences de mesure ont été réalisées sur un mélange de deux amines : le 2-amino-2-méthyl-1-propanol et la pipérazine (CESAR1). Les scientifiques ont découvert que ces deux amines réagissent en fait de manière opposée : la réduction des émissions de l’une augmente en fait les émissions de l’autre.

« Je suis très enthousiaste quant à l’impact potentiel de ce travail ; c’est une toute nouvelle façon d’envisager un processus chimique complexe », déclare 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. »

Fourni par l’Ecole Polytechnique Fédérale de Lausanne