Innovative Methoden zur Schätzung des Zustands von CO2-Abscheidung

Die Kohlenstoffabscheidungstechnologie spielt eine wichtige Rolle bei der Reduzierung von Treibhausgasemissionen, indem sie Kohlenstoffdioxid (CO₂) aus der Atmosphäre auffängt. Eine Form dieser Technologie findet sich in post-combustion CO₂-Abscheideanlagen (PCCPs), die häufig in Kraftwerken und anderen Industrien eingesetzt werden, die erhebliche Emissionen produzieren. Eine effektive Betriebsweise dieser Anlagen ist wichtig, um hohe Effizienz und Zuverlässigkeit bei der Kostenkontrolle zu gewährleisten.

Für einen effizienten Betrieb benötigen PCCPs präzise Informationen über verschiedene Prozessvariablen. Allerdings ist es oft unpraktisch, all diese Variablen in Echtzeit mit physischen Sensoren zu messen. Daher werden Methoden zur Schätzung von Zuständen verwendet, um den Gesamtzustand des Kohlenstoffabscheideprozesses ohne direkte Messungen nachzubilden. Trotz des wachsenden Bedarfs an Zustandsschätzungen in PCCPs war die Forschung zu diesem Thema begrenzt.

#Bestehende Methoden und Herausforderungen

Viele bestehende Methoden zur Schätzung von Zuständen in PCCPs basieren auf komplexen mathematischen Modellen, die die physikalischen und chemischen Prozesse beschreiben. Diese Modelle können schwer zu erstellen und zu simulieren sein, insbesondere weil PCCPs gross und aus zahlreichen miteinander verbundenen Komponenten bestehen. Ausserdem konzentrieren sich traditionelle Ansätze häufig auf einfachere Systeme und haben Schwierigkeiten, die Komplexität der nichtlinearen Verhaltensweisen in PCCPs zu bewältigen.

Jüngste Forschungen haben gezeigt, dass datengestützte Methoden, insbesondere neuronale Netze (NNs), die Dynamik komplexer Prozesse effektiv modellieren können. NNs können Muster aus grossen Datenmengen lernen, ohne ein tiefes Verständnis der zugrunde liegenden Physik zu erfordern. Allerdings kann die direkte Anwendung von NNs auf hochdimensionalen Daten aus PCCPs zu hohen Rechenkosten und Ineffizienzen führen. Dieses Problem wird als "Fluch der Dimensionalität" bezeichnet, bei dem eine zunehmende Anzahl von Variablen die Modelle unnötig komplex und langsam machen kann.

#Vorgeschlagene Lösung

Um diese Herausforderungen zu überwinden, wird ein kombinierter Ansatz mit der Methode der proper orthogonal decomposition (POD) und neuronalen Netzen zur Zustandsschätzung in PCCPs vorgeschlagen. POD hilft, die Komplexität hochdimensionaler Daten zu reduzieren, indem die wichtigsten Muster erfasst und weniger wichtige Details verworfen werden. Durch die Anwendung von POD auf Daten aus einer PCCP können wir ein vereinfachtes Modell erstellen, das die Dynamik des Systems dennoch genau darstellt.

Sobald wir ein reduziertes Modell aus der POD haben, können wir ein mehrlagiges Perzeptron (MLP) nutzen, um die komplexen Verhaltensweisen des Prozesses zu erfassen. Das MLP verarbeitet die reduzierten Daten und lernt die zugrunde liegenden Beziehungen, was es ermöglicht, die Zustandsschätzung mit grösserer Effizienz durchzuführen.

Durch die Kombination dieser Techniken können wir die Zustände einer PCCP mit erheblich reduziertem Rechenaufwand schätzen und dabei die Genauigkeit beibehalten. Dieser Ansatz vereinfacht nicht nur den Prozess des Modelltrainings, sondern macht auch die Echtzeit-Zustandsschätzung erreichbar und praktikabel.

#Wie die Methode funktioniert

1. Daten-Normalisierung: Bevor POD angewendet wird, werden die gesammelten Daten aus der PCCP normalisiert. Dieser Schritt stellt sicher, dass alle Variablen auf einer ähnlichen Skala sind, was für effektives Modellieren entscheidend ist.

2. Anwendung der Proper Orthogonal Decomposition: Die normalisierten Daten durchlaufen die POD, die die Dimensionalität des Datensatzes reduziert. Dieser Prozess extrahiert die Hauptmerkmale aus den Daten, sodass wir uns auf die wesentlichen Dynamiken konzentrieren können, während wir kleinere Schwankungen ignorieren, die den Gesamtprozess nicht beeinflussen.

3. Training des neuronalen Netzes: Mit dem reduzierten Datensatz wird ein mehrlagiges Perzeptron-Netzwerk trainiert, um die Beziehungen zwischen den Eingaben (Prozessvariablen) und Ausgaben (geschätzte Zustände) zu lernen. Durch die Anpassung der Gewichte im Netzwerk kann das MLP die Dynamik der PCCP effektiv approximieren. Der Trainingsprozess zielt darauf ab, den Unterschied zwischen den vorhergesagten Ausgaben und den tatsächlichen Ausgaben zu minimieren.

4. Implementierung der erweiterten Kalman-Filterung: Nach dem Training des MLP wird ein Erweiterter Kalman-Filter (EKF) eingesetzt, um die Zustandsschätzungen basierend auf neuen während des Betriebs erhaltenen Messungen zu aktualisieren. Der EKF hilft dabei, die Vorhersagen des neuronalen Netzwerks zu korrigieren, wenn neue Daten verfügbar sind, was die Genauigkeit der Zustandsschätzungen verbessert.

#Vorteile des vorgeschlagenen Ansatzes

Der vorgeschlagene Ansatz bietet mehrere Vorteile, die die Leistung von PCCPs verbessern können:

• Reduzierte Rechenkosten: Durch die Verwendung von POD zur Erstellung eines vereinfachten Modells minimieren wir die Komplexität des neuronalen Netzwerks, das für die Zustandsschätzung erforderlich ist. Diese Reduktion führt zu geringeren Rechenkosten und schnelleren Verarbeitungszeiten.

• Verbesserte Genauigkeit: Die Kombination von POD und MLP ermöglicht eine genaue Schätzung der Prozesszustände, selbst bei nichtlinearer Dynamik.

• Echtzeit-Schätzfähigkeit: Der Ansatz ist so konzipiert, dass Echtzeitverarbeitung ermöglicht wird. So können Betreiber schnell informierte Entscheidungen basierend auf den geschätzten Zuständen der PCCP treffen, was die operative Effizienz und Sicherheit verbessert.

• Flexibilität und Anpassungsfähigkeit: Die Methode kann auf verschiedene Arten von Systemen über PCCPs hinaus angewendet werden und ist somit ein vielseitiges Werkzeug im Bereich der Prozesskontrolle und -überwachung.

#Simulationsresultate

Das vorgeschlagene Modell wurde mit simulierten Daten aus einer PCCP getestet. Während der Simulationen wurden verschiedene Eingaben verwendet, um das System anzuregen, und die Leistung des Modells wurde bewertet, indem die geschätzten Zustände mit den tatsächlichen Zuständen des Originalmodells verglichen wurden.

Die Ergebnisse zeigten, dass das reduzierte Modell die wesentlichen Dynamiken der PCCP genau erfasst und gleichzeitig die erforderliche Rechenzeit erheblich reduziert. Auch die Leistung des neuronalen Netzwerks bei der Vorhersage von Zuständen wurde validiert, was seine Fähigkeit zeigt, auf neue Daten zu generalisieren.

Weitere Analysen deuteten darauf hin, dass der erweiterte Kalman-Filter die Schätzungen erfolgreich verbesserte, indem er die Echtzeitmessungen einbezog, was auf eine robuste Methode zur Zustandsschätzung hinweist, die sich an veränderte Bedingungen in der PCCP anpassen kann.

#Fazit

Die vorgeschlagene Methode, die proper orthogonal decomposition mit neuronalen Netzwerken kombiniert, bietet einen innovativen Ansatz zur Zustandsschätzung in post-combustion CO₂-Abscheideanlagen. Durch die Reduzierung der Komplexität des Modellierungsprozesses und die Nutzung datengestützter Techniken können wir genaue Zustandsschätzungen bei gleichzeitiger Effizienz erreichen.

Da die Nachfrage nach effektiven Kohlenstoffabscheidungstechnologien weiter wächst, hat dieser Ansatz das Potenzial, die Betriebsleistung von PCCPs zu verbessern und zu den breiteren Bemühungen zur Reduzierung von Treibhausgasemissionen beizutragen. Mit seiner Anwendung, die über die Kohlenstoffabscheidung hinausgeht, stellt diese Modellierungsstrategie einen positiven Schritt in der Prozesskontrolle und -überwachung in verschiedenen Ingenieurbereichen dar.