Modeling of CO2 Capture using Machine Learning: A data-driven approach for specific reboiler duty prediction of a pilot plant

Abstract

Nasjoner over hele verden streber etter å nå målene for utslippsreduksjon fastsatt i Parisavtalen, og i den anledning spiller karbonfangst og -lagring en avgjørende rolle i å redusere klimagassutslipp. Det fullskala karbonfangst- og lagringsprosjektet basert på CO2-utslipp fra industrielle kilder Langskip setter Norge i spissen for teknologiutvikling, med Aker Carbon Capture som teknologileverandør. Driften av karbonfangstanlegg krever betydelige mengder energi, og presise modeller av anlegg er avgjørende for energioptimalisering og reduksjon av driftskostnader. Datadrevne modelleringsteknikker, spesielt maskinlæring, har fått økt oppmerksomhet de siste årene for ulike anvendelser innen karbonfangstdomenet. De fleste studier har imidlertid basert seg på mekanistiske modeller eller data fra små pilotanlegg, som ikke representerer virkelige scenarier.

For å fremme feltet datadrevet modellering innen karbonfangst, er det viktig å utforske bruken av større datasett innhentet fra industriell representative anlegg. Denne avhandlingen tar for seg å utvikle maskinlæringsmodeller basert på data fra Aker Carbon Capture sin mobile pilotanlegg, med fokus på å predikere den spesifikk varmeeffekt i kokeren til desorberen. Målene inkluderer identifisering av nødvendige preprosesseringstrinn, bruk av en domenekunnskap-basert tilnærming for å bestemme systemstabilitet, og utforsking av styrker og svakheter ved forskjellige maskinlæringsmodeller for interpolasjon og ekstrapolasjon. Prosjektet vil utvikle to kategorier med modeller: interpolasjonsbaserte modeller ved hjelp av tradisjonelle lineære modeller, ensemble-beslutningstrær og kunstige nevrale nettverk, og ekstrapolasjonsmodeller med fokus på dyp læring. Datasettet vil bli delt inn i stasjonære og ikke-stasjonære underkategorier for å vurdere modellytelsen under forskjellig dynamikk.

Resultatene demonstrerer potensialet til maskinlæring for å predikere spesifikk varmeeffekt i kokeren, med interpolasjonsmodeller som oppnår høy nøyaktighet ved bruk av tilfeldig skog og kunstige nevrale nettverk. Ekstrapolasjonsmodeller, spesielt de basert på langt korttidshukommelse, viser lovende resultater for prognoser, spesielt under stasjonære tilstander. Begge typer modeller gir mindre nøyaktige prediksjoner under ikke-stasjonære tilstander og understreker viktigheten av å håndtere prosessparametre utenfor normale driftsforhold. Funnene fremhever viktigheten av datamengde, preprosessering og modellarkitektur for å oppnå nøyaktige prediksjoner.

Fremtidig arbeid vil fokusere på flerstegs tidsserieprediksjon, mer avanserte preprosesseringsmetoder for håndtering av høye verdier og utvidelse av datasettet til å inkludere ulike løsemidler og røykgasssammensetninger. Denne studien bidrar til fremgangen innen datadrevet modellering i karbonfangst, og legger grunnlaget for mer effektiv energioptimalisering, noe som til syvende og sist bidrar til å redusere klimagassutslipp og bekjempe klimaendringer.

As nations worldwide strive to meet emission reduction goals set by the Paris Agreement, carbon capture and storage plays a crucial role in mitigating greenhouse gas emissions. The full-scale carbon capture and storage project based on CO2 emission from industrial sources Longship puts Norway at the forefront of technology development, with Aker Carbon Capture as the technology provider. The operation of carbon capture plants requires significant amounts of energy, and accurate models of plants are essential for energy optimization and reducing operating costs. Data-driven modeling techniques, particularly machine learning, have gained traction in recent years for various applications in the carbon capture domain. However, most studies have relied on first-principle models or data from small-scale pilot plants, which may not accurately represent real-world scenarios.

To further advance the field of data-driven modeling in carbon capture, it is essential to explore the use of more extensive datasets acquired from plants representative of real industrial applications. This thesis aims to develop machine learning models based on data from Aker Carbon Capture's mobile test unit pilot plant, focusing on predicting the specific reboiler duty of the desorber. The objectives include identifying necessary preprocessing steps, employing a domain knowledge-based approach for determining system stability, and exploring the strengths and weaknesses of different machine learning models for interpolation and extrapolation. The project will develop two categories of models: interpolation-based models using traditional linear models, ensemble decision trees, and artificial neural networks, and extrapolation models focusing on deep learning approaches. The dataset will be partitioned into steady-state and transient-state subsets to assess model performance under different dynamics.

The results demonstrate the potential of machine learning for predicting specific reboiler duty, with interpolation models achieving high accuracy using random forest and artificial neural networks. Extrapolation models, particularly those based on long short-term memory networks, show promise for forecasting, especially during steady-state operation. Both types of models yield less accurate outputs during transient states and underline the importance of handling process parameters outside of normal operating conditions. The findings highlight the importance of data quantity, preprocessing, and model architecture in achieving accurate predictions.

Future work will focus on multi-step time series forecasting, more advanced preprocessing methods for handling high values and expanding the dataset to include various solvents and flue gas compositions. This study contributes to the progress of data-driven modeling in carbon capture, laying the groundwork for more efficient energy optimization, ultimately aiding in reducing greenhouse gas emissions and fighting climate change.