2022-01-19 | 울산=장지승 기자

UNIST开发基于机器学习的制氢工艺综合评价模型

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

建设大型化工工厂(成套装置)时,需要通过模拟程序对工艺进行试运行。现在,将人工智能与此类模拟技术相结合、可综合评估制氢工艺性能的预测模型问世。

蔚山科学技术院(UNIST)能源化学工程系林汉权教授团队19日表示,已开发出可提前预测化学工艺性能的模型。

这是结合了人工智能分支领域机器学习的预测模型。该模型的优点在于,不仅能预测收率等技术性能,还能一次性预测生产成本、二氧化碳排放量等。此前需经过三个阶段的复杂过程才能完成评估。用所开发的预测模型评估下一代制氢工艺性能的结果显示,可获得与三阶段评估方式最高达99.9%相似的结果值。这意味着虽比三阶段方式简便得多,但准确度毫不逊色。

研究团队将该预测模型用于新设计的甲醇湿式重整工艺性能评估。甲醇湿式重整工艺比目前广泛用于制氢的方式二氧化碳排放和能耗更少,但需额外增加将氢单独分离出来的精制工艺。为解决这一问题,团队设计了集成氢渗透分离膜的新工艺,并用预测模型考察了该工艺的性能。

研究团队首先用商用化学工艺模拟程序设计改进后的工艺,再将该工艺以数学式形式反映到数值解析程序中。基于由此获得的海量数据,利用基于机器学习的回归算法完成了预测模型。

用预测模型改变反应温度、人工费等12项技术与经济因子来评估所设计的工艺,结果显示该工艺的氢产量和二氧化碳排放量每小时分别为4.52-5.99公斤、4.13-6.62公斤。制氢成本为每公斤4.31-13.15美元。与用原有三阶段方式评估的结果相比,预测准确度分别为99%、99.9%、96%。

第一作者、UNIST研究员边万熙在说明研究结果时表示:“通过本次研究查明,在12项技术与经济因子中,反应器数量、反应温度、甲醇原料价格和人工费是对该工艺性能最重要的因子”,“若根据工艺运营目的调整这些因子,将能形成更高效的制氢工艺。”

林汉权教授期待道:“近来将人工智能、机器学习技术结合到材料或药品开发等微观领域的案例很多,但应用于宏观化学工艺技术的情况却很少”,“如果利用将持续积累的工艺运行数据,该模型的预测准确度会进一步提高。”

本次研究成果已于去年12月刊载于国际学术期刊《化学工程杂志》(Chemical Engineering Journal)。研究获得了韩国科学技术情报通信部财源的韩国研究财团(NRF)氢能创新技术开发项目和气候变化应对技术开发项目的支持。

阅读韩文原文