基于AI的碳捕获：用于碳捕获的渗透膜设计与参数估计

Bishwash Panerua; Biplov Paneru

基于AI的碳捕获：用于碳捕获的渗透膜设计与参数估计

化学物理 2025-10-23 v2 机器学习

作者: Bishwash Panerua , Biplov Paneru

摘要

本研究聚焦于基于膜的系统用于CO $_2$ 分离, 解决高效碳捕获解决方案以缓解气候变化的紧迫需求。基于膜方程的线性回归模型用于估计关键参数, 包括孔隙率 ( $\epsilon$ ) 为0.4805, Kozeny常数 (K) 为2.9084, 比表面积 ( $\sigma$ ) 为105.3272 m $^2$ /m $^3$ , 平均压力 (Pm) 为6.2166 MPa, 粘度 ( $\mu$ ) 为0.1997 Ns/m $^2$ , 以及气体通量 (Jg) 为3.2559 kg m $^{-2}$ s $^{-1}$ 。这些参数源自对合成数据集进行线性回归分析得出。该研究还提供了关于膜性能的见解, 流速 (Q) 为9.8778 $\times$ 10 $^{-4}$ m $^3$ /s, 注入压力 (P $_1$ ) 为2.8219 MPa, 出口压力 (P $_2$ ) 为2.5762 MPa。CO $_2$ 的渗透率值为0.045, 表示高效分离的潜力。优化膜属性以选择性地阻止CO $_2$ 而允许其他气体通过对于提高碳捕获效率至关重要。通过将这些技术集成到工业过程中, 可实现显著的温室气体排放减少, 促进循环碳经济, 并为全球气候目标作出贡献。该研究还探讨了人工智能 (AI)如何有助于为碳捕获设计膜, 以应对全球气候变化挑战, 并支持联合国设定的可持续发展目标 (SDGs)。

关键词

碳捕获膜设计线性回归 AI优化 CO2分离

引用

@article{arxiv.2501.13373,
  title  = {Advancing Carbon Capture using AI: Design of permeable membrane and estimation of parameters for Carbon Capture using linear regression and membrane-based equations},
  author = {Bishwash Panerua and Biplov Paneru},
  journal= {arXiv preprint arXiv:2501.13373},
  year   = {2025}
}

备注

The data is outdated and ML portion requires update, we are working on it

基于AI的碳捕获：用于碳捕获的渗透膜设计与参数估计

摘要

关键词

引用

备注

相关论文