Predictive Life Cycle Assessment for Chemical Processes using Machine Learning

Rabatt

Von:

Johanna Kleinekorte

Beschreibung

Format auswählen

PaperbackCHF 37.65

Paperback

CHF 41.85

CHF37.65

-10%Sie sparen CHF 4.20

41.85

CHF37.65

Auslieferung erfolgt in der Regel innert 1 bis 2 Wochen.

Kostenlose Lieferung

Kein Rückgaberecht

Beschreibung

Aufgrund des wachsenden Bewusstseins für den Klimawandel berücksichtigt die chemische Industrie neben ökonomischen zunehmend ökologische Kriterien in der Prozessentwicklung. Daher werden bereits in frühen Prozessentwicklungsphasen ökologische Bewertungsmethoden benötigt, um Designentscheidungen zu unterstützen. Eine anerkannt, ISO-genormte Methode zur ökologischen Bewertung ist die Ökobilanz (engl.: Life Cycle Assessment, LCA). Für eine LCA werden jedoch detaillierte Informationen zu Massen- und Energiebilanzen benötigt, die in der Regel in frühen Entwicklungsphasen noch nicht verfügbar sind. Zusätzlich muss bei der Bilanzierung noch zu entwickelnder Technologien berücksichtigt werden, dass sich nicht nur die Technologien selbst sondern auch die Rahmenbedingungen wie z.B. die Energieversorgung in der Zukunft ändern können. In dieser Arbeit wird zunächst am Beispiel der Sektorenkopplung aus Stahl- und Chemieindustrie der Einfluss der Rahmenbedingungen auf das Bilanzergebnis untersucht. Anschließend wird eine Methode für prädikative LCA vorgestellt, die es ermöglicht, die LCA bereits in frühe Phasen der Prozessentwicklung zu integrieren und Einflüsse aus dem Hintergrundsystem zu berücksichtigen. Im Gegensatzu zu bestehenden Ansätzen aus der Literatur, die mittels Maschinellem Lernen molekül-spezifische Vorhersagen treffen, werden in dieser Arbeit Regressionsmodelle des Maschinellen Lernens mit Methoden des automatisierten Prozessdesigns kombiniert. Hierdurch wird eine prozess-spezifische Vorhersage der Umweltwirkungen nur basierend auf der molekularen Struktur des Produktes und der Reaktionsgleichung ermöglicht. Dazu werden Deskritoren rein prädiktiv mithilfe der Quantenmechanik und statistischer Thermodynamik, sowie Prozess-Shortcuts bestimmt. Zusätzlich wird ein neuronales Encoder-Decoder-Netzwerk verwendet, um die Informationsdichte in den molekularen Deskriptoren zu erhöhen. Als Regressionsmodelle werden ein künstliches neuronales Netz und eine Gauß-Prozess Regression auf einem konsistenten Datensatz trainiert. Die Methode wird beispieljaft in ein computer-gestütztes Molekül- und Prozess-design integriert und für das Design ökologisch optimaler Lösungsmittel verwendet. Zusätzlich wird die prozess-spezifische Vorhersage am Beispiel von CO2-basiertem Methanol diskutiert. Die Ergebnisse zeigen, dass die Integration prozess-spezifischer Merkmale in die LCA-Vorhersage die Vorhersagegenauigktei steigern und prozess-spezifische Vorhersagen ermöglichen. Die vorgestellte Methode ermöglicht somit die Integration ökologischer Kriterien in der frühen Entwicklung chemischer Prozesse.