零碳排放甲烷分解制氢系统的机器学习优化与热力学性能比较研究

为解决传统氢能生产过程中CO2排放高、能效低的问题，研究人员对比了碳驱动（C-MD）和氢驱动（H-MD）甲烷分解系统的性能。通过机器学习建模和双目标优化，发现H-MD系统能效达76.32%，生命周期成本（LCC）仅319万美元，显著优于C-MD系统（能效64.62%，LCC 373万美元）。该研究为零碳能源系统设计提供了量化优化范式。

　　

在全球能源转型背景下，氢能作为清洁能源载体面临重大挑战：当前主流的蒸汽甲烷重整（SMR）技术每生产1kg氢气会排放10kg CO₂，即便采用碳捕获技术（蓝氢），成本仍居高不下。更棘手的是，现有碳捕获系统普遍存在20-40%的能源惩罚效应，严重制约其商业化应用。如何开发零碳排放、高效率、低成本的氢能生产技术，成为能源领域亟待突破的瓶颈问题。

针对这一挑战，乌尔米亚大学机械工程学院的研究团队在《Journal of CO2 Utilization》发表创新研究，首次将机器学习优化与热力学分析相结合，系统比较了两种预燃料电池碳捕获系统的性能。研究人员构建了碳驱动甲烷分解（C-MD）和氢驱动甲烷分解（H-MD）两套系统模型，前者通过燃烧副产物碳获取反应热能，后者利用系统自产氢燃烧供热。通过Aspen Plus软件进行流程模拟，采用Peng-Robinson物性方法计算热力学参数，并运用遗传算法（GA）进行双目标（效率最大化与成本最小化）优化。

关键技术方法包括：1）基于Gibbs反应器建立甲烷热分解动力学模型；2）采用钯银合金膜（Pd-Ag）实现氢分离，渗透率9.86×10^-6 mol/(s·kPa^0.5)；3）构建SOFC电化学模型，考虑活化损耗、欧姆损耗和浓度损耗；4）应用多项式回归机器学习预测系统性能（R²>99%）；5）采用化学工程设备成本指数（CEPCI）进行经济性评估。

【系统描述】

研究对比的两套系统核心差异在于供热方式：C-MD系统通过燃烧甲烷分解产生的固体碳（C）获取800℃反应热，而H-MD系统则燃烧自产氢（H₂）。两者均包含甲烷分解反应器、氢分离膜和SOFC发电单元。热力学模拟显示，H-MD系统因避免碳燃烧过程的不可逆损失，具有先天效率优势。

【机器学习建模】

研究团队创新性地建立了12个回归模型预测系统性能。对于H-MD系统，能量效率（η_en）预测模型达到R²=1的完美拟合，其数学表达式包含温度三次项和交叉项，如：η_en=0.7305+0.001T_MD-2.9×10^-9T_MD²。这种高精度模型为系统优化提供了可靠数字孪生平台。

【优化结果】

遗传算法优化揭示：H-MD系统在900℃分解温度、452℃膜温、89.96%氢利用率时达到最优，能效76.32%比C-MD系统（64.62%）提高18.1%，LCC降低14.5%。值得注意的是，提高氢分离膜温度对两系统影响相反：C-MD系统效率随膜温升高而提升（500℃时达峰值），而H-MD系统则呈现下降趋势，这源于氢燃烧供热与膜分离的复杂耦合效应。

【讨论与意义】

该研究首次量化比较了两种零碳氢能系统的优劣：H-MD系统虽净功率输出（261.2kW）略低于C-MD系统（350.7kW），但其卓越的能效和更低成本（3.19vs3.73百万美元）使其更具商业化潜力。特别是H-MD系统每kW电力所需热输入（55.3kW）较C-MD系统（94.2kW）降低41.3%，大幅提升了能源利用率。

这项研究为碳中和氢能系统设计提供了重要指导：1）验证了机器学习在复杂能源系统优化中的有效性；2）揭示了供热方式选择对系统性能的决定性影响；3）开发的回归模型可直接用于工程实践。未来研究可进一步探索太阳能驱动甲烷分解与燃料电池的耦合，有望将系统能效提升至80%以上。论文成果对推进氢能产业脱碳具有重要理论和实践价值。