含哌嗪(PZ)三元混合胺水溶液中CO2吸收过程——结合实验与人工智能(AI)技术的研究

针对现有三元混合胺体系CO2捕集研究中组分协同机制不明确、多因素调控规律未量化及缺乏全工况预测模型等问题，本研究以两种典型三元混合胺体系——MEA/MDEA/PZ（单乙醇胺/甲基二乙醇胺/哌嗪）与MEA/AMP/PZ（单乙醇胺/2-氨基-2-甲基-1-丙醇/哌嗪）为研究对象，结合实验研究与机器学习(machine learning, ML)技术探究CO2吸收性能的调控规律并建立高效预测模型。研究人员在不同摩尔比、PZ浓度、温度及气体流速下考察了混合溶液的吸收性能。实验结果表明，1.25 mol/L PZ可通过协同效应提升体系的CO2吸收速率与吸收量；筛选出两体系最优工艺参数及组分配比：在313 K、N2流速250 mL/min、CO2流速50 mL/min条件下，2.25 mol/L MEA＋1.5 mol/L MDEA＋1.25 mol/L PZ体系平均吸收速率为5.48×10−5mol/s、吸收容量为0.496 mol，2.25 mol/L MEA＋1.5 mol/L AMP＋1.25 mol/L PZ体系平均吸收速率为5.11×10−5mol/s、吸收容量为0.46 mol。基于20 000个实验数据点，选取吸收时间、温度及各胺浓度为输入特征，构建传统监督学习、集成学习(ensemble learning)与深度学习(deep learning)共三大类八种机器学习模型预测CO2吸收速率，通过分层随机数据集划分与标准化优化训练效果，并量化各因素对吸收性能的影响权重。其中支持向量回归(Support Vector Regression, SVR)模型预测偏差最大（对数空间绝对误差最大值0.9115），XGBoost与长短期记忆网络(Long Short-Term Memory, LSTM)表现最优（平均误差低于0.05）。

该论文发表于《Journal of Environmental Management》，题为"CO₂absorption process in aqueous tri-solvent blended amine systems with experiments and artificial intelligence techniques"，由西南交通大学机械工程学院Yongliang Xie与Yangjun Wang完成。

一、研究背景与意义

燃烧后碳捕集、利用与封存(Carbon Capture, Utilization and Storage, CCUS)是实现近零CO₂排放的关键技术，其中胺法化学吸收(post-combustion CO₂capture by amine-based chemical absorption)因对烟气分压不敏感、技术成熟度高而成为主流工艺。单一胺溶剂（如伯胺MEA、仲胺DEA、叔胺MDEA、位阻胺AMP、环状胺哌嗪PZ）普遍存在再生能耗高、腐蚀性强、反应动力学慢、吸收容量低或热稳定性差等缺陷。二元混合胺虽可通过协同作用部分改善性能，但组分灵活性不足、难以兼顾吸收速率与容量等多指标优化、协同机制较简单。三元混合胺(tri-solvent blended amine systems)通过整合反应速率促进剂（MEA）、吸收容量增强剂（MDEA或AMP）及中间调节组分（PZ），有望解耦冲突的性能要求实现综合优化，但现有文献对三元体系组分协同中介机制认识不清、缺乏系统的配比—工况调控规律探索，且专门针对三元胺体系CO₂吸收预测的机器学习研究极为匮乏，多数模型依赖异源大数据、算法单一、泛化能力受限。为此，研究人员以MEA/MDEA/PZ与MEA/AMP/PZ两种典型三元胺体系为对象，通过平行实验结合专属数据驱动的机器学习建模，阐明多因素耦合下CO₂吸收性能调控规律与组分协同机制，建立高精度全工况预测模型，为工业溶剂筛选与工艺设计提供支撑。

二、主要关键技术方法

研究人员选用MEA、MDEA、AMP、PZ配制MEA+MDEA+PZ与MEA+AMP+PZ两组三元胺水溶液，系统改变各胺摩尔比、PZ浓度（重点考察1.25 mol/L）、温度（重点考察313 K）及N₂/CO₂气体流速（重点考察N₂250 mL/min、CO₂50 mL/min），在鼓泡吸收装置中测定CO₂吸收速率与吸收容量，获得20 000组实验数据点。以吸收时间、温度及三种胺浓度为输入特征、CO₂吸收速率为输出变量，经分层随机抽样划分数据集与标准化预处理后，分别构建并训练三类共八种预测模型：传统监督学习——支持向量机(Support Vector Machine, SVM)回归(SVR)；集成学习——GBDT(Gradient Boosting Decision Tree)、XGBoost(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)、CatBoost(Categorical Boosting)；深度学习——ANN(Artificial Neural Network, 多层感知器)、BPNN(Back Propagation Neural Network, 反向传播神经网络)、LSTM(Long Short-Term Memory network)。经交叉验证比较模型精度，量化各输入特征影响权重。

三、研究结果

Experimental results（实验结果）

研究人员在相同温度、气体流量条件下对比两种三元体系。结果表明加入1.25 mol/L PZ可通过与MEA形成快速氨基甲酸反应路径、与MDEA或AMP产生质子传递协同作用，显著提高CO₂初始吸收速率与饱和吸收容量。经参数扫描确定最佳配比为2.25 mol/L MEA＋1.5 mol/L MDEA＋1.25 mol/L PZ（平均吸收速率5.48×10⁻⁵mol/s，吸收容量0.496 mol）与2.25 mol/L MEA＋1.5 mol/L AMP＋1.25 mol/L PZ（平均吸收速率5.11×10⁻⁵mol/s，吸收容量0.46 mol）；MEA/MDEA/PZ体系在吸收速率与容量上均略优于MEA/AMP/PZ体系，而AMP的位阻效应使其在相同总胺浓度下吸收容量稍低但溶液黏度较高。升温可加快初期反应速率但降低平衡溶解度，PZ浓度过低则协同活化不足、过高存在低温析出风险。

Prediction models（预测模型）

基于本实验生成的20 000条同源性数据，研究人员训练八大模型并对比性能。SVR模型在CO₂吸收速率对数变换空间的最大绝对误差达0.9115，拟合能力有限；集成学习模型中XGBoost表现突出，深度学习模型中LSTM因能捕捉吸收过程的时间序列特征而表现优异，二者平均预测误差均低于0.05（对数空间无量纲误差），决定系数R²最高、均方根误差RMSE最低，显著优于传统SVM及普通ANN/BPNN。特征重要性分析显示PZ浓度与MEA浓度对吸收速率影响权重最大，其次为温度与吸收时间，MDEA与AMP权重相对较低但不可忽视。三类模型互补验证表明XGBoost与LSTM适于三元胺体系CO₂吸收速率的高精度预测与新工况外推。

四、讨论与结论翻译（Conclusion）

本研究考察了MEA＋MDEA＋PZ与MEA＋AMP＋PZ两种混合有机胺溶液体系的CO₂捕集性能，分析了不同摩尔比、PZ浓度、温度及气体流速对CO₂吸收效率的影响，并采用SVM(SVR)、GBDT、XGBoost、LightGBM、CatBoost、ANN、BPNN及LSTM共八种机器学习模型预测CO₂吸收速率，主要发现如下：

(1) 在313 K温度下……[原文接续列举最优工况数值，与上文摘一致]……

(2) 1.25 mol/L PZ通过协同效应可提升两三元体系的CO₂吸收速率与吸收容量，且MEA/MDEA/PZ体系综合吸收性能略优于MEA/AMP/PZ体系。

(3) 基于本实验20 000数据点的八种机器学习模型中，SVR预测偏差最大，XGBoost与LSTM预测精度最高（平均误差＜0.05），可实现三元胺体系CO₂吸收速率的可靠预测与工况外推。

该研究通过建立"双三元体系平行实验＋专属数据驱动机器学习"的整合范式，明确了三元混合胺组分协同机制与多因素调控准则，构建了涵盖传统监督、集成与深度学习的互补预测体系，为三元胺溶剂配方优化、工艺设计及CCUS技术规模化应用提供了实验依据与方法学参考。