Machine Learning Modelling of the Oxidative and Thermal Degradation of Monoethanolamine (MEA)

Folketallet i verden vokser, noe som fører til en økning i forbruket av ressurser og utslipp av klimagasser. Som et resultat av dette øker konsentrasjonene av klimagasser i atmosfæren til farlige nivåer, og behovet for tiltak for å redusere utslippene øker. Ett tiltak som kan redusere utslipp er CO2-fangst og lagring, som åpner mulighetene for å fjerne CO2 fra røykgass, komprimere og lagre det i stedet for å slippe den ut i atmosfæren. Et eksempel på en CO2-fangstteknologi er kjemisk absorbsjon med aminbasert solvent. Med denne teknologien er det også utfordringer, hovedsakelig degradering av solventen. Ytterligere forståelse av degradering er viktig for å redusere driftskostnader, kontroll av solventen og utslippskontroll. I denne oppgaven har hovedfokuset vært på oksidativ og termisk degradering av monoetanolamin (MEA), som er et det absorbsjonskjemikaliet som er forsket mest på innen kjemisk absorbsjon. Matematisk maskinlæringsmodellering har blitt brukt til å lage en prediktiv modell som kan beskrive degradering og trender i eksperimentelle data. Målet med arbeidet har vært å se om maskinlæringsmodellering har potensial til å gi gode modellforutsigelser, beskrive degradering av MEA og dannelsen av utvalgte degraderingsforbindelser. For de oksidative degraderingsmodellene ble det utviklet to modeller. Den første modellen hadde 3 inputs (MEA-konsentrasjon, oksygenkonsentrasjon, temperatur) og den andre modellen hadde 10 eller 11 inputs, og inkluderte eksperimentelle data fra de andre målte degraderingsproduktene. Dette ble gjort for å se om de modellerte resultatene ville forbedres med flere inputs til modellen. Output fra modellene var den beregnede eksperimentelle reaksjonshastigheten. For modellene for termisk degradering ble det også utviklet to modeller. Her var det en modell med 3 inputs (MEA-konsentrasjon, CO2-loading, temperatur) og en med 6 inputs, som inkluderte de andre målte degraderingsproduktene. Fra resultatene ser modellene ut til å være i stand til å fange trenden til den eksperimentelle dataen. Modellene er datadrevne, og krever derfor eksperimentell data. Modellen ser ut til å være følsom for avvikende verdier i datasettene, og kan anvendes til å identifisere avvikere i eksperimentelle data. Resultatene er lovende for videre modellering, og med mer forskning og eksperimentelle data, bør modellprediksjonene lett forbedres