Notícia

Aprendizado de máquina pode ajudar a prever emissões de aminas a partir de processos industriais

Fonte

EPFL | Escola Politécnica Federal de Lausanne

Data

quarta-feira, 11 janeiro 2023 19:55

Áreas

Carbono. Ciência Ambiental. Ciência de Dados. Energia. Engenharia Ambiental. Indústria. Inovação. Inteligência Artificial. Monitoramento Ambiental. Química. Saúde. Sustentabilidade. Tecnologias.

O aquecimento global se deve em parte à grande quantidade de dióxido de carbono liberado, principalmente da geração de energia e de processos industriais, como a fabricação de aço e cimento. Neste sentido, engenheiros químicos vêm explorando a captura de carbono, um processo que pode separar o dióxido de carbono e armazená-lo de forma a mantê-lo fora da atmosfera.

Isso é feito em indústrias dedicadas à captura de carbono e cujo processo químico envolve as aminas, que são compostos químicos orgânicos nitrogenados derivados da amônia e  que já são usados para capturar o dióxido de carbono das indústrias de processamento e refino de gás natural. As aminas também são usadas em certos produtos farmacêuticos, resinas epóxi e corantes.

O problema é que as aminas também podem ser potencialmente prejudiciais ao meio ambiente, bem como um perigo para a saúde, tornando essencial mitigar seu impacto. Isso requer monitoramento e previsão precisos das emissões de aminas a partir de uma indústria, o que provou não ser uma tarefa fácil, pois as plantas industriais de captura de carbono são complexas e diferem umas das outras.

Recentemente, um grupo de cientistas criou uma solução de aprendizado de máquina para prever as emissões de aminas a partir de plantas industriais de captura de carbono usando dados experimentais de um teste de estresse em uma indústria real na Alemanha. O trabalho foi liderado pelos grupos do Dr. Berend Smit, professor na Escola de Ciências Básicas da Escola Politécnica Federal de Lausanne (EPFL), na Suíça, e também da professora Dra. Susana Garcia, no Centro de Pesquisa para Soluções de Carbono da Universidade Heriot-Watt, no Reino Unido.

“Os experimentos foram feitos em Niederhauẞen, em uma das maiores usinas a carvão da Alemanha”, disse o professor Berend Smit. “E a partir desta usina, as emissões são enviadas para uma planta piloto de captura de carbono, onde a próxima geração de solução de amina foi testada por mais de um ano. Mas uma das questões pendentes é que as aminas podem ser emitidas com gases de combustão, e essas emissões de aminas precisam ser controladas”.

A professora Susana Garcia colaborou no desenvolvimento de um teste de estresse para estudar as emissões de aminas em diferentes condições de processo. A professora Garcia descreveu como foi realizado o teste: “Desenvolvemos uma campanha experimental para entender como e quando seriam geradas as emissões de aminas. Mas alguns de nossos experimentos também causaram intervenções dos operadores da usina para garantir que ela estivesse operando com segurança”.

Essas intervenções levaram à questão de como interpretar os dados. As emissões de aminas são resultado do próprio teste de estresse ou as intervenções dos operadores afetavam indiretamente as emissões? Isso foi ainda mais complicado pela falta de compreensão dos mecanismos por trás das emissões de aminas. “Resumindo, tivemos uma campanha cara e bem-sucedida que mostrou que as emissões de aminas podem ser um problema, principalmente sem ferramentas para analisar os dados”, disse o Dr. Berend Smit.

O pesquisador continuou: “Quando a Susana Garcia me falou isso, pareceu-me mesmo um problema impossível de resolver. Mas ela também mencionou que eles mediam tudo a cada cinco minutos, coletando muitos dados. E, se há alguém no meu grupo que pode resolver problemas impossíveis com dados, é Kevin”. Kevin Maik Jablonka, doutorando na EPFL, desenvolveu uma abordagem de aprendizado de máquina que transformou o quebra-cabeça das emissões de aminas em um problema de reconhecimento de padrões.

Então, Kevin Jablonka usou o aprendizado de máquina para prever futuras emissões de aminas a partir dos dados da planta industrial. “Com este modelo, poderíamos prever as emissões causadas pelas intervenções dos operadores e, em seguida, separá-las daquelas induzidas pelo teste de estresse. Além disso, poderíamos usar o modelo para executar todos os tipos de cenários de redução dessas emissões”, explicou o doutorando.

A conclusão foi descrita como ‘surpreendente’. A planta piloto havia sido projetada para amina pura, mas os experimentos de medição foram realizados em uma mistura de duas aminas: 2-amino-2-metil-1-propanol e piperazina (CESAR1). Os cientistas descobriram que essas duas aminas na verdade respondem de maneiras opostas: reduzir a emissão de uma na verdade aumenta as emissões da outra.

“Estou muito entusiasmado com o impacto potencial deste trabalho; é uma maneira completamente nova de olhar para um processo químico complexo. Esse tipo de previsão não é algo que se possa fazer com nenhuma das abordagens convencionais, então [essa nova abordagem] pode mudar a forma como operamos as indústrias de produtos químicos”.

Os resultados foram publicados na revista Science Advances.

Acesse o artigo científico completo (em inglês).

Acesse a notícia completa na página da Escola Politécnica Federal de Lausanne (em inglês).

Fonte: Nik Papageorgiou, EPFL. Imagem: Usina de Niederhauẞen, na Alemanha. Fonte: Jörg Kutzera via Wikimedia Commons.