基于启发式模型的胺溶剂CO2捕集过程关键参数实时监测与优化研究

针对CO2捕集过程中胺溶剂碱度（alkalinity）、碳负载（carbon loading）和降解（degradation）监测滞后的问题，美国肯塔基大学团队开发了基于pH、温度、密度和黏度在线传感器的启发式模型，实现关键参数实时计算（误差≤7.27%），成功应用于0.7 MWe中试装置，为动态工况下的过程控制提供新方案。

　　

随着全球气候变化加剧，碳捕集与封存（CCS）技术成为应对工业排放的关键手段。其中，胺溶剂化学吸收法因处理量大、适应性广，成为燃煤电厂和工业设施的主流选择。然而，传统离线分析方法存在滞后性高、成本昂贵等问题，难以满足动态工况下的实时优化需求。特别是在电网负荷波动或工业产能调整时，胺溶剂的碱度、CO₂负载和降解程度会显著影响捕集效率——碱度过低会降低溶剂循环容量，过高则增加黏度导致吸收塔填料润湿性下降；而CO₂负载直接关联捕集效率，降解产物更会引发设备腐蚀和溶剂损耗。如何实现这些关键参数的实时监测，成为制约CCS技术灵活运行的核心瓶颈。

针对这一挑战，肯塔基大学的研究团队在《International Journal of Greenhouse Gas Control》发表论文，创新性地将常规在线传感器数据与启发式建模相结合。该研究依托0.7 MWe小型中试装置（位于肯塔基公用事业公司E.W. Brown发电站），通过pH-温度-密度-黏度的多参数协同分析，构建了碳氮比（C/N）、碱度和降解的实时计算模型。关键技术包括：1）基于最小二乘法建立碳负载与pH的温度修正关联模型；2）利用密度-温度-碳负载的耦合关系推算碱度；3）整合黏度数据与碱度模型输出估算降解程度；4）采用575组样本训练神经网络验证模型精度。

实验和方法学
研究团队首先在实验室制备8组新鲜及负载CO₂的CAER溶剂（肯塔基大学自主研发的伯胺基溶剂），测量其碱度、碳负载、pH和温度等基础数据。通过最小二乘法拟合，建立了碳负载与pH的负相关模型——当CO₂负载增加时，pH值下降而密度上升，经温度校正后相关性显著（R²>0.95）。该模型进一步扩展至碱度计算，通过密度-温度-碳负载的三维关联实现动态校准。

结果与讨论
实际中试数据显示，模型计算的C/N比与实验室测量值的相对误差为7.27%，碱度计算误差仅4.02%，降解产物估算偏差控制在±2000 ppm以内。值得注意的是，该精度与重复离线分析的固有误差（C/N测量误差±3.0%）相当，却实现了分钟级响应。研究还发现，黏度对降解产物的敏感性高于密度，尤其在热稳定性盐积累阶段，黏度变化率与降解程度呈指数关系。

结论与展望
这项工作首次证明常规传感器数据通过智能算法可替代昂贵的傅里叶变换红外光谱（FTIR）系统，为工业级CCS装置提供了经济高效的监测方案。其核心突破在于：1）通过物化参数关联性挖掘，将离线分析指标转化为实时可测变量；2）建立的动态模型能适应燃煤电厂负荷波动（如±15%烟气流量变化）；3）为神经网络等先进控制算法提供了实时数据接口。目前该技术已应用于肯塔基中试装置的闭环控制，在维持90%捕集率目标的同时，减少30%的溶剂检测耗材成本。未来通过集成更多传感器数据（如电导率、声速），有望进一步将误差压缩至FTIR水平（1.4%），推动CCS技术向智能化方向发展。