کاربرد هوش مصنوعی در بهینه سازی جذب دی اکسیدکربن

اگر بخواهیم تاثیر تغییرات اقلیمی را کاهش دهیم، باید روش‌هایی مقرون‌به‌صرفه و پایدار برای کاهش انتشار دی اکسیدکربن صنعتی بیابیم. متأسفانه، اکثر روش‌های شناخته شده برای جذب و ذخیره کربن (CCS) در منابع پس احتراقی صنعتی با معایب چشمگیری از قبیل هزینه بالا، آلودگی محیط‍زیست یا مسائل مربوط به پایداری همراه هستند. برای مقابله با این معایب، بسیاری از محققان بر روی روشِ جذب دی اکسیدکربن با استفاده از مواد کربن متخلخل جامد متمرکز شده‌اند، روشی که احتمالاً بهترین گزینه برای نسل بعد سیستم‌های CCS است.

یکی از بزرگ‌ترین مزایای استفاده از کربن‌های متخلخل برای رسوب دادن و تخلیه کربن موجود در جو دی اکسیدکربن این است که می‌توان آن‌ها را از ضایعات زیست‌توده، مانند ضایعات کشاورزی، ضایعات مواد غذایی، ضایعات حیوانی و بقایای جنگل تولید کرد. کربن‌های متخلخل ناشی از زباله‌های زیست‌توده (BWDPCs) نه تنها به دلیل هزینه پایین، بلکه به دلیل ارائه روشی جایگزین برای استفاده از ضایعات زیست‌توده مورد توجه قرار گرفته‌اند.

اگرچه BWDPCs قطعاً می‌تواند جوامع را به اقتصادی چرخشی نزدیک کند، اما این حوزه پژوهشی نسبتاً جوان است و هیچ راهنمای مشخص یا اجماعی بین دانشمندان در مورد چگونگی سنتز BWDPC‌ها یا ویژگی‌ها و ترکیبات موادی که باید مورد آزمایش قرار بگیرند، وجود ندارد.

آیا هوش مصنوعی می‌تواند در حل این معما به بشر کمک کند؟ در پژوهشی که اخیراً در مجله علوم و فناوری محیط زیست منتشر شده است، یک تیم تحقیقاتی مشترک از دانشگاه کره و دانشگاه ملی سنگاپور از رویکردی استفاده کردند که ممکن است منجر به پیشرفت استراتژی‌های سنتز کربن متخلخل در آینده باشد.

استفاده از یادگیری ماشین

این رویکرد مبتنی بر یادگیری ماشین است. دانشمندان خاطرنشان کردند که سه عامل اصلی بر خواص جذب دی اکسیدکربن در BWDPC‌ها تأثیر می‌گذارد: (الف) ترکیب عنصری جامد متخلخل، (ب) خواص بافتی آن و (ج) پارامترهای جذبی که جذب دی اکسیدکربن در آن‌ها اتفاق می‌افتد، از جمله دما و فشار. با این حال، تاکنون نحوه‌ی اولویت‌بندی این عوامل اصلی هنگام توسعه کربن‌های متخلخل ناشی از زباله‌های زیست‌توده نامشخص بوده است.

به منظور حل این مسئله، این تیم پژوهشی ابتدا به جمع‌‌آوری پیشینه پژوهشی پرداختند و 76 مقاله را انتخاب کردند. هر یک از این مقاله‌ها ترکیب و عملکرد کربن‌های متخلخل ناشی از زباله‌های زیست‌توده‌‌های مختلف را توصیف می‌کرند. پس از سازماندهی مطالب این مقاله‌ها، بیش از 500 نقطه داده بدست آمد که برای آموزش و آزمایش سه مدل درختی استفاده شدند.

پروفسور یونگ سیک اوک از دانشگاه کره، که سرپرستی این پژوهش را بر عهده داشت، توضیح می‌دهد که «هدف اصلی این پژوهش این بود که نشان دهند چگونه می‌توان از ابزارهای یادگیری ماشین برای تجزیه و تحلیل پیش‌بینی‌ها و برای دست‌یابی به بینش‌های ارزشمند در مورد فرآیند جذب دی اکسیدکربن با استفاده از BWDPCها استفاده کرد».

ورودی مدل‌ها سه عامل اصلی و خروجی آن سطح جذب دی اکسیدکربن بود. اگرچه خود مدل‌ها پس از فرآیند آموزش اساساً به «جعبه سیاه» تبدیل می‌شوند، اما می‌توان از آن‌ها صرفاً بر اساس عوامل اصلی در نظر گرفته شده، برای پیش‌بینی دقیق عملکرد BWDPC‌ها استفاده کرد.

مهم‌ترین عامل دستیابی به جذب بالای دی اکسیدکربن

از همه مهم‌تر، تیم تحقیق با انجام تحلیل ویژگی، اهمیت نسبی هر یک از ویژگی‌های ورودی را در رسیدن به پیش‌بینی دقیق مشخص نمود. به عبارت دیگر، این پژوهشگران مهم‌ترین عاملِ دستیابی به جذب بالای دی اکسیدکربن در بیم این عوامل اصلی را تعیین کردند. نتایج پژوهش آن‌ها نشان می‌داد که سهم پارامتر‌های جذب از دو عامل دیگر در پیش‌بینی دقیق مدل‌ها بسیار بیشتر است و در نتیجه بهینه‌سازی اولیه شرایط عملیاتی اهمیت بیشتری پیدا می‌کند.

خواص بافتی BWDPC‌ها، مانند اندازه منافذ و سطح آن‌ها، در مرتبه دوم اهمیت قرار دارد و ترکیب عنصری کمترین اولویت را در بین این سه عامل اصلی به خود اختصاص داد.

شایان ذکر است پژوهش‌هایی که تاکنون صورت گرفته است در مورد مکانیسم‌های فرآیند جذب کربن از پیش‌بینی مدل‌های این پژوهش و نتایج تجزیه و تحلیلِ اهمیت ویژگی‌ها پشتیبانی می‌کند. این امر بنیادی مستحکم برای استفاده از این استراتژی مبتنی بر داده نه تنها برای BWDPC‌ها، بلکه برای انواع دیگر مواد، در خارج از محیط‌های آزمایشگاهی به‌شمار می‌آید.
[irp posts=”19758″]

پروفسور اوک در این باره توضیح می‌دهد: «رویکرد مدل‌سازی ما به صورت متقابل قابل استفاده است و می‌تواند علاوه بر بررسی مواد بدست‌آمده از زباله‌های زیست‌توده در بررسی انواع دیگر کربن‌های متخلخل برای جذب دی اکسیدکربن، مانند زئولیت‌ها و چارچوب‌های آلی-فلزی، مورد استفاده قرار گیرد».

این تیم در حال حاضر قصد دارد با تمرکز بر بهینه‌سازی دو عامل اصلی و مهم، راهبردی ترکیبی برای BWDPC‌ها طراحی کند. علاوه بر این، آن‌ها به اضافه نمودن نقطه داده‌های آزمایشی به داده‌های مورد استفاده خود در این پژوهش ادامه می‌دهند و این داده‌ها را به منبعی متن‌باز تبدیل خواهند کرد تا جامعه تحقیقاتی نیز از آن بهره‌مند شوند.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید