Prediction of CO2 absorption in amine solutions via Machine Learning techniques

Abstract

CO2 captatie in een sproeikolom met behulp van amineoplossingen is een van de meest beloftevolle technieken om de uitstoot van CO2, een van de oorzaken van de opwarming van de aarde, te verminderen. Voor een implementatie op grote schaal is een nauwkeurig model van het CO2 captatieproces nodig. First-principle modellen hebben gefaald en het doel van deze masterproef is om een nauwkeurig model te maken van het CO2 captatieproces met behulp van Machine Learning technieken. De modellen zijn: een artificial neural network (ANN), een decision tree regressor (DTR) en drie support vector regressors (SVR). De modellen werden getraind met datapunten over monoethanolamine, 2-amino-2-methly-1-propanol en N-methyldiethanolamine. De inputs van het model zijn: de procesomstandigheden, informatie over de kolommen en de absorberende vloeistof. De output is de KGae-coëfficiënt, die de prestaties van de massaoverdracht aangeeft. Om de modellen met elkaar te vergelijken werden de R² score, MSE en MAE berekend voor elk model. Het ANN model kon de KGae niet accuraat voorspellen, maar toonde potentieel voor verdere verbetering. Het DTR model en SVR model met de lineaire kernel functie konden de KGae niet accuraat voorspellen, het DTR model door een gebrek aan output variantie en het SVR-lin door de niet-lineaire relatie tussen inputs en output. De SVR-modellen met de polynomiaal en radiale kernel functie voorspelde de KGae nauwkeurig en waren zeer flexibel, zowel wat betreft procesconditie, captatietechnologie, als absorberende oplossingen.