.
O aquecimento global se deve em parte à grande quantidade de dióxido de carbono que liberamos, principalmente da geração de energia e de processos industriais, como a fabricação de aço e cimento. Já há algum tempo, os 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 plantas dedicadas à captura de carbono, cujo processo químico envolve aminas, compostos que já são usados para capturar o dióxido de carbono das plantas 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 de uma planta, o que provou não ser uma tarefa fácil, pois as plantas de captura de carbono são complexas e diferem umas das outras.
Um grupo de cientistas criou uma solução de aprendizado de máquina para prever as emissões de aminas de plantas de captura de carbono usando dados experimentais de um teste de estresse em uma planta real na Alemanha. O trabalho foi liderado pelos grupos do professor Berend Smit da Escola de Ciências Básicas da EPFL e da professora Susana Garcia do Centro de Pesquisa para Soluções de Carbono da Universidade Heriot-Watt, na Escócia.
“Os experimentos foram feitos em Niederhau?en, em uma das maiores usinas a carvão da Alemanha”, disse Berend Smit. “E a partir desta usina, um vácuo é enviado 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 gás de combustão e essas emissões de aminas precisam ser controladas.”
A professora Susana Garcia, juntamente com a proprietária da planta, RWE, e a TNO na Holanda, desenvolveram um teste de estresse para estudar as emissões de aminas em diferentes condições de processo. O professor Garcia descreve como foi o teste: “Desenvolvemos uma campanha experimental para entender como e quando as emissões de aminas seriam geradas. Mas alguns de nossos experimentos também causaram intervenções dos operadores da usina para garantir que a usina 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 afetaram indiretamente as emissões? Isso foi ainda mais complicado por nossa falta geral 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, mas não temos ferramentas para analisar os dados”, diz Smit.
E continua: “Quando a Susana Garcia me referiu a isto, pareceu-me mesmo um problema impossível de resolver. Mas também referiu que medem tudo de cinco em cinco minutos, recolhendo muitos dados. E, se houver alguém no meu grupo que consiga resolver problemas impossíveis com dados, é Kevin.” Kevin Maik Jablonka, um estudante de doutorado, desenvolveu uma abordagem de aprendizado de máquina que transformou o quebra-cabeça das emissões de aminas em um problema de reconhecimento de padrões.
“Queríamos saber quais seriam as emissões se não tivéssemos o teste de estresse, mas apenas as intervenções dos operadores”, explica Smit. Este é um problema semelhante ao que podemos ter em finanças; por exemplo, se você quiser avaliar o efeito das mudanças no código tributário, gostaria de separar o efeito do código tributário de, digamos, intervenções causadas pela crise na Ucrânia.”
Na próxima etapa, a Jablonka usou um poderoso aprendizado de máquina para prever futuras emissões de aminas a partir dos dados da planta. Ele diz: “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 na redução dessas emissões .”
A conclusão foi descrita como “surpreendente”. Como se viu, 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”, diz Smit. “Esse tipo de previsão não é algo que se possa fazer com nenhuma das abordagens convencionais, então pode mudar a forma como operamos as fábricas de produtos químicos.”
.
