Prediction of environmental performance in absorption-based carbon capture : addressing process enhancements and data uncertainties

Abstract

In dieser Diplomarbeit wird die Integration der Lebenszyklusanalyse (Life CycleAssessment, LCA) im Prozessdesign eines lösungsmittelbasierten Absorptionsprozesses zur Kohlenstoffabscheidung adressiert. Ziel ist es, das Potenzial der effizienten Berechnung von LCA mithilfe von Techniken des maschinellen Lernens (ML) zu untersuchen, da diese Modelle in der Praxis stabiler und einfacher zu handhaben sind als der traditionelle Ansatz in der Systemverfahrenstechnik. Indem mehrere Metamodelle entwickelt werden, wird die Eignung verschiedener ML-Algorithmen für die Vorhersage der Umweltauswirkungen des Prozesses bewertet. Zur Datengenerierung wird eine Methodik mittels der Softwarepakete Aspen Plus für die Prozesssimulation und Brightway für die LCA-Berechnungen, welche durch Python verbunden werden, entwickelt. Der Ansatz wird anhand des Standardprozesses sowie verschiedener Prozessverbesserungen gezeigt. In der LCA wird ein cradle-to-gate Ansatz verwendet und die Indikatoren Erderwärmungspotenzial (Global Warming Potential, GWP) und fossiles Brennstoffpotenzial (Fossil Fuel Potential, FFP) der ReCiPe 2016 Methode werden als geeignet für die Bewertung der Umweltauswirkungen erachtet. Es wird gezeigt, dass neuronale Netze die Abbildung der Beziehungen zwischen den Prozessparametern und den LCA-Indikatoren ermöglichen. Jedoch konnte die vollständige Automatisierung der Datengenerierung nicht erreicht werden, wodurch die Datenmenge zu gering ist, um robuste ML-Modelle zu erhalten. Daraufhin werden die Relevanz der automatisierten Datengenerierung sowie geeignete ML-Methoden für die Handhabung kleiner Datensätze diskutiert. Zusätzlich werden verschiedene Ansätze für die Analyse und Verbesserung der Datenqualität vorgeschlagen. Um Unsicherheiten in den Einträgen des Inventars der LCA zu modellieren, werden Monte-Carlo Simulationen durchgeführt und die resultierenden stochastischen LCA-Ergebnisse mittels eines intuitiven Ansatzes für das Training der ML-Modelle verwendet. Dies ermöglicht die Abbildung von Daten- und Modellunsicherheiten, wodurch der signifikante Einfluss von Unsicherheiten aus verschiedenen Quellen auf die Leistung der ML-Modelle ersichtlich wird. Auf Grundlage der Ergebnisse dieser Diplomarbeit wird empfohlen, zukünftige Forschung auf die Erhöhung der Datenmenge, die Analyse und Verbesserung der Datenqualität sowie die Anwendung fortgeschrittener ML-Algorithmen und Methoden zur Implementierung und Quantifizierung von Unsicherheiten zu konzentrieren.

This thesis aims to facilitate the integration of life cycle assessment (LCA) into the process design of solvent-based absorption for carbon capture. The objective is to investigate the potential of streamlining the LCA calculation utilizing Machine Learning (ML) techniques, as the models obtained with this methods are expected to be more stable and easier to handle in practice than the traditional approach in process systems engineering. It is aimed to evaluate the suitability of different ML algorithms for predicting the environmental impact of the process by developing several meta-models. A framework for data generation is created, including the software packages Aspen Plus for process simulation and Brightway for LCA calculation, which are connected by Python. The approach is demonstrated for a standard process flowsheet and various process enhancements. A cradle-to-gate LCA framework is defined, in which the midpoints global warming potential (GWP) and fossil fuel potential (FFP) of the ReCiPe 2016 method are considered suitable to determine the environmental performance. It is demonstrated that neural networks are capable of mapping the relationships between the process parameters and LCA indicators. However, challenges in automating data generation limited the amount of data available, preventing the creation of robust models. Consequently, the thesis discusses the importance of automating data generation and explores ML methods suitable for small datasets. Additionally, strategies to analyze and improve data quality are proposed. To address uncertainty in the life cycle inventory, Monte-Carlo simulations are conducted. The obtained stochastic LCA results are integrated into the ML training to map the data and model uncertainty. It demonstrates the importance of considering uncertainties from multiple sources in ML applications to obtain reliable predictions. Based on the results of this thesis, it is proposed to focus future research on increasing the amount of data, analysing and enhancing the data quality as well as applying advanced ML algorithms to integrate and quantify uncertainty.