Data science

การทำงานอย่างชาญฉลาด: ใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อเพิ่มประสิทธิภาพการดูดซับ CO2

นักวิทยาศาสตร์ใช้ปัญญาประดิษฐ์เพื่อเป็นแนวทางในการออกแบบวัสดุใหม่ที่มาจากของเสียจากชีวมวลสำหรับการดักจับ CO2 ของเสียจากชีวมวลสามารถนำมาใช้ในการผลิตคาร์บอนที่มีรูพรุนซึ่งสามารถกักเก็บก๊าซ CO2 ที่ปล่อยออกมาจากแหล่งกำเนิดที่มีจุดขนาดใหญ่ (เช่น โรงไฟฟ้า อุตสาหกรรมปูนซีเมนต์) อย่างไรก็ตาม ไม่มีแนวทางทั่วไปเกี่ยวกับวิธีการสังเคราะห์คาร์บอนที่มีรูพรุนคุณภาพสูงดังกล่าวหรือสภาวะการทำงานที่เหมาะสมที่สุด ในการศึกษาเมื่อเร็วๆ นี้ นักวิทยาศาสตร์ได้ใช้วิธีการเรียนรู้ด้วยเครื่องเพื่อพิจารณาว่าปัจจัยหลักใดควรจัดลำดับความสำคัญในคาร์บอนที่มีรูพรุนที่มาจากชีวมวลเพื่อให้ได้ประสิทธิภาพการดูดซับ CO2 ที่ดีที่สุด ซึ่งปูทางไปสู่เศรษฐกิจหมุนเวียน หากเราต้องการบรรเทาการเปลี่ยนแปลงสภาพภูมิอากาศ เราต้องหาวิธีที่คุ้มค่าและยั่งยืนในการลดการปล่อยก๊าซคาร์บอนไดออกไซด์ในอุตสาหกรรม (CO2) น่าเสียดายที่วิธีการดักจับและกักเก็บคาร์บอน (CCS) ที่เป็นที่ยอมรับมากที่สุดในอุตสาหกรรมหลังการเผาไหม้ของอุตสาหกรรมมีข้อเสียที่สำคัญ เช่น ค่าใช้จ่ายสูง ความเป็นพิษต่อสิ่งแวดล้อม หรือปัญหาด้านความทนทาน กับฉากหลังนี้ นักวิจัยหลายคนได้มุ่งเน้นไปที่สิ่งที่อาจเป็นทางออกที่ดีที่สุดของเราสำหรับระบบ CCS รุ่นต่อไป: การดูดซับ CO2 โดยใช้วัสดุคาร์บอนที่มีรูพรุนที่เป็นของแข็ง ข้อดีอย่างหนึ่งที่มีชื่อเสียงของการใช้คาร์บอนที่มีรูพรุนในการกักเก็บ CO2 คือสามารถผลิตได้จากขยะชีวมวล เช่น ของเสียจากการเกษตร เศษอาหาร ของเสียจากสัตว์ และเศษซากป่า สิ่งนี้ทำให้คาร์บอนที่มีรูพรุนจากของเสียจากชีวมวล (BWDPC) น่าสนใจไม่เพียงเพราะต้นทุนต่ำเท่านั้น แต่ยังเป็นอีกทางเลือกหนึ่งในการนำของเสียจากชีวมวลไปใช้ให้เกิดประโยชน์ แม้ว่า BWDPCs สามารถพาเราเข้าใกล้เศรษฐกิจหมุนเวียนได้อย่างแน่นอน แต่สาขาวิชานี้ยังค่อนข้างใหม่ และไม่มีแนวทางหรือฉันทามติที่ชัดเจนระหว่างนักวิทยาศาสตร์เกี่ยวกับวิธีการสังเคราะห์ BWDPC หรือคุณสมบัติของวัสดุและองค์ประกอบที่ควรมุ่งมั่น ปัญญาประดิษฐ์ (AI) สามารถช่วยเราแก้ปัญหานี้ได้หรือไม่? ในการศึกษาล่าสุดที่ตีพิมพ์ในวารสาร Environmental Science and Technology ทีมวิจัยจากมหาวิทยาลัยเกาหลีและมหาวิทยาลัยแห่งชาติสิงคโปร์ได้ใช้วิธีการเรียนรู้ด้วยเครื่องจักรซึ่งอาจเป็นแนวทางในการพัฒนากลยุทธ์การสังเคราะห์คาร์บอนที่มีรูพรุนในอนาคต นักวิทยาศาสตร์ตั้งข้อสังเกตว่ามีปัจจัยหลักสามประการที่ส่งผลต่อคุณสมบัติการดูดซับ CO2 ใน BWDPCs ได้แก่ องค์ประกอบองค์ประกอบของของแข็งที่มีรูพรุน คุณสมบัติเนื้อสัมผัส และพารามิเตอร์การดูดซับที่ทำงาน เช่น อุณหภูมิและความดัน อย่างไรก็ตาม ปัจจัยหลักเหล่านี้ควรได้รับการจัดลำดับความสำคัญอย่างไรเมื่อพัฒนา BWDPC ยังไม่ชัดเจนจนถึงขณะนี้ เพื่อช่วยแก้ไขปัญหานี้ อันดับแรก ทีมงานได้ดำเนินการทบทวนวรรณกรรมและเลือกสิ่งพิมพ์ 10 ที่อธิบายทั้งการสังเคราะห์และประสิทธิภาพของ BWDPC ต่างๆ หลังจากการดูแล เอกสารเหล่านี้ได้จัดเตรียมจุดข้อมูล 500 ที่ใช้ในการฝึกอบรมและทดสอบแบบจำลองแบบต้นไม้สามแบบ “วัตถุประสงค์หลักของงานของเราคือเพื่ออธิบายว่าเครื่องมือการเรียนรู้ของเครื่องสามารถใช้ประโยชน์จากการวิเคราะห์เชิงคาดการณ์ได้อย่างไรและใช้เพื่อดึงข้อมูลเชิงลึกอันมีค่าในกระบวนการดูดซับ CO2 โดยใช้ BWDPCs” ศาสตราจารย์ Yong Sik Ok จากมหาวิทยาลัยเกาหลีซึ่งเป็นผู้นำการศึกษาอธิบาย คุณสมบัติอินพุตของแบบจำลองเป็นปัจจัยหลักสามประการ ในขณะที่ผลลัพธ์คือระดับการดูดซับ CO2 แม้ว่าตัวแบบเองจะกลายเป็น 'กล่องดำ' โดยพื้นฐานแล้วหลังจากกระบวนการฝึกอบรม แต่ก็สามารถนำมาใช้เพื่อคาดการณ์ประสิทธิภาพของ BWDPC ได้อย่างแม่นยำโดยพิจารณาจากปัจจัยหลักที่พิจารณาเท่านั้น ที่สำคัญที่สุด ผ่านการวิเคราะห์คุณลักษณะ ทีมวิจัยได้กำหนดความสำคัญสัมพัทธ์ของคุณลักษณะอินพุตแต่ละอย่างสำหรับการคาดการณ์ที่แม่นยำ กล่าวอีกนัยหนึ่ง พวกเขาได้กำหนดว่าปัจจัยหลักใดที่สำคัญที่สุดในการบรรลุการดูดซับ CO2 สูง ผลลัพธ์ระบุว่าพารามิเตอร์การดูดซับมีส่วนสำคัญมากกว่าปัจจัยหลักสองประการอื่นๆ สำหรับแบบจำลองในการคาดการณ์ที่ถูกต้อง โดยเน้นย้ำถึงความสำคัญของการปรับสภาพการทำงานให้เหมาะสมก่อนเป็นอันดับแรก คุณสมบัติเนื้อสัมผัสของ BWDPC เช่น ขนาดรูพรุนและพื้นที่ผิว มาเป็นอันดับสอง และองค์ประกอบขององค์ประกอบอยู่ท้ายสุด น่าสังเกต การคาดการณ์ของแบบจำลองและผลของการวิเคราะห์ความสำคัญของคุณลักษณะได้รับการสนับสนุนโดยเอกสารที่มีอยู่และความเข้าใจในปัจจุบันของเราเกี่ยวกับกลไกที่อยู่เบื้องหลังกระบวนการดักจับ CO2 สิ่งนี้ประสานการบังคับใช้จริงของกลยุทธ์ที่ขับเคลื่อนด้วยข้อมูลนี้ ไม่เพียงแต่สำหรับ BWDPC แต่สำหรับวัสดุประเภทอื่นๆ ตามที่ Prof. Ok อธิบายว่า “วิธีการสร้างแบบจำลองของเราปรับใช้ข้ามกันได้ และสามารถใช้เพื่อตรวจสอบคาร์บอนที่มีรูพรุนประเภทอื่นๆ ได้ สำหรับการดูดซับ CO2 เช่น ซีโอไลต์และโครงสร้างโลหะอินทรีย์ ไม่ใช่แค่ที่ได้จากของเสียชีวมวลเท่านั้น” ตอนนี้ทีมงานวางแผนที่จะสร้างกลยุทธ์การสังเคราะห์สำหรับ BWDPC โดยมุ่งเน้นที่การปรับปัจจัยหลักที่สำคัญที่สุดสองประการให้เหมาะสม นอกจากนี้ พวกเขายังจะเพิ่มจุดข้อมูลทดลองลงในฐานข้อมูลที่ใช้ในการศึกษานี้ และทำให้เป็นโอเพ่นซอร์สเพื่อให้ชุมชนวิจัยได้รับประโยชน์จากมันด้วย ขอให้เราหวังว่าความพยายามทั้งหมดนี้จะนำเราไปสู่สังคมที่ยั่งยืนอย่างแท้จริง ซึ่งสามารถหยุดการเปลี่ยนแปลงสภาพภูมิอากาศและบรรลุเป้าหมายการพัฒนาที่ยั่งยืนของสหประชาชาติ เช่น เป้าหมาย : Climate Action เกี่ยวกับผู้แต่ง ผู้แต่ง: Xiangzhou Yuan1,2, Manu Suvarna3, Sean Low3, Pavani Dulanja Dissanayake1, Ki Bong Lee4, Jie Li3, Xiaonan Wang3 และ Yong Sik Ok1 Affiliations: Korea Biochar Research Center, APRU Sustainable Waste Management Program & Division of Environmental Science and Ecological Engineering, Korea UniversityR&D Centre, Sun Brand Industrial Inc.Department of Chemical and Biomolecular Engineering, National University of SingaporeDepartment of Chemical & Biological Engineering, Korea University Title of original paper: Applied Machine Learning for Predictment of CO2 Adsorption on Biomass Waste- คาร์บอนที่มีรูพรุนที่ได้รับ วิทยาศาสตร์สิ่งแวดล้อมและเทคโนโลยี DOI: https://doi.org/10.1021/acs.est.1c01849 ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • ธุรกิจ
  • วิทยาศาสตร์ข้อมูล
  • การตลาดดิจิทัล

  • ตลาดการค้า
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button