Enerji verimliliğini artırmak ve hidrojen yakıt üretiminin karbon ayak izini azaltmak için, Worcester Politeknik Enstitüsü Kimya Mühendisliği Bölümü’nde doçent olan Fanglin Che, makine öğrenimi ve hesaplama modellemesinin gücünü ve potansiyelini kullanıyor. Yönettiği çok üniversite ekibi, yeni yayınlanan bir çalışmayı tamamladı Doğa Kimya Mühendisliği. Çalışma, temizleyici ve daha verimli hidrojen üretimini kolaylaştırma potansiyeline sahip katalizörleri tanımlamak için yapay zeka kullanılmıştır.
Makalede, Che ve ekip iki zorluğun üstesinden gelmek için yeni bir strateji sunuyor:
- Karbondioksit yaymayan bir yakıt olan hidrojenin daha fazla benimsenmesini önleyen üretim engelleri
- Temiz hidrojen üretimi için optimal katalizörler olan malzemeleri tanımlamak için gereken sürenin uzunluğu
Çevresel sürdürülebilirliği iyileştirme ve temiz enerjinin mevcudiyetini artırma çabaları uzun zamandır hidrojene odaklanmıştır. Bununla birlikte, hidrojen genellikle karbondioksit üreten fosil yakıtlar kullanılarak üretilir.
Hidrojen üretmek için alternatif bir yöntem, karbon içermeyen amonyakları hidrojen içeren elementlerine parçalamak için bir katalizör kullanmaktır. Bununla birlikte, şu anda tasarlandığı gibi bu yaklaşım, genellikle fosil yakıtlar tarafından üretilen çok fazla enerji ve katalizör olarak kullanılan pahalı bir nadir metal olan rutenyum kullanılarak çok yüksek sıcaklıklar gerektirir.
Che’nin ekibi, geleneksel kimyasal reaksiyonlardan daha düşük sıcaklıklarda yapılabilen plazma teknolojisi kullanarak amonyak ayrıştırarak hidrojen üretiminin karbon ayak izini azaltmayı önermektedir. Araştırmacılar ayrıca, katalizörler olarak daha yaygın bulunan ve demir-bakır veya nikel-molibden gibi uygun fiyatlı metal alaşımlarının kullanılmasını önermektedir. Analizleri, bu yöntemin daha az enerji kullanacağını ve hidrojen üretimine mevcut yaklaşımların yanı sıra gerçekleştireceğini buldu.
Katalizörlerin tanımlanması
3.300’den fazla bimetalik alaşım olası katalizörleri dikkate almak için, her birini geleneksel deneyler kullanarak bir laboratuvarda test etmek uzun bir deneme ve hata dönemi alacaktır. Bilgisayar modellerinden ve yapay zekadan yararlanarak, Che’nin ekibi, plazma destekli amonyak ayrışmasında rutenyum katalizörlerinden daha iyi performans gösteren toprak bol metal alaşımlarını tanımlamak için yorumlanabilir makine öğrenme algoritmaları geliştirdi.
Bu simülasyon ve makine öğrenimi kombinasyonu, uygun olmayan malzemeleri hızla ortadan kaldırarak süreci kolaylaştırdı ve altı adayı bol ve kolay kaynaklı kritik olmayan minerallerden tanımladı. Laboratuvar testleri metal alaşımlarının beklenen performansını doğruladı ve sonuçta araştırmacılar en iyi katalizörler olarak dört alaşım seçtiler.
Potansiyel uygulamalar
Che’nin ekibi, hidrojen üretmeye yönelik bu yeni yaklaşımın mevcut yöntemlerden daha uygun fiyatlı ve daha temiz olma potansiyeline sahip olduğuna inanıyor. Ek olarak, amonyağın saklanması ve taşınması kolay olduğundan, bu işlem, deniz gemilerinde yerinde hidrojen üretimini sağlayarak deniz damarlarının hidrojen yakıt hücreleri tarafından güçlendirilmesine izin verebilir.
WPI’da Che’s Mac (katalizde modelleme ve AI) laboratuvarı, çok ölçekli simülasyonları, tahminler geliştirmek için yorumlanabilir makine öğrenimi ile birleştirdi.
” Doğa Kimya Mühendisliği Laboratuarımız için bir kilometre taşıdır “diyor Che.” Kimyasal süreçleri daha enerji verimli ve çevre dostu hale getirmek için hesaplama ve AI tekniklerini kullanarak büyük ilerleme kaydediyoruz. “
Çin’deki Dalian Teknoloji Üniversitesi araştırmacıları laboratuvar tabanlı doğrulama deneyleri gerçekleştirdiler. Northeastern Üniversitesi’ndeki araştırmacılar, plazma teknolojisinin küçük, modüler reaktörlerde uygulandığında hidrojen üretimindeki maliyetleri ve karbon emisyonlarını azalttığını gösteren ekonomik ve çevresel analiz gerçekleştirdiler.
