guest ::
Predictive life cycle assessment for chemical processes using machine learning = Prädiktives Life Cycle Assessment für chemische Prozesse mittels Ansätzen des maschinellen Lernens
2022 & 2023
Dissertation, RWTH Aachen University, 2022
Druckausgabe: 2022. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2023
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2022-05-23
Online
DOI: 10.18154/RWTH-2022-09001
URL: https://publications.rwth-aachen.de/record/853664/files/853664.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
carbon capture and utilization (frei) ; consequential LCA (frei) ; gaussian process regression (frei) ; solvent design (frei) ; steel mill off-gas (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Aufgrund des wachsenden Bewusstseins für den Klimawandel berücksichtigt die chemische Industrie neben ökonomischen zunehmend auch ökologische Kriterien in der Prozessentwicklung. Daher werden bereits in frühen Prozessentwicklungsphasen ökologische Bewertungsmethoden benötigt, um Designentscheidungen zu unterstützen. Eine anerkannte, 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 prädiktive LCA vorgestellt, die es ermöglicht, die LCA bereits in frühe Phasen der Prozessentwicklung zu integrieren und Einflüsse aus dem Hintergrundsystem zu berücksichtigen. Im Gegensatz 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 Deskriptoren 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 beispielhaft in ein computergestütztes Molekül- und Prozessdesign 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 Vorhersagegenauigkeit steigern und prozess-spezifische Vorhersagen ermöglichen. Die vorgestellte Methode ermöglicht somit die Integration ökologischer Kriterien in der frühen Entwicklung chemischer Prozesse.Due to the growing awareness of climate change, the chemical industry is increasingly considering not only economic but also ecological criteria in process development. Thus, environmental assessment methods are required that can be applied in early process development stages to support decision-making. An accepted, ISO-normed environmental assessment method is Life Cycle Assessment (LCA). However, LCA requires detailed information on mass and energy balances, which is usually not available in early process development. Furthermore, when assessing emerging technologies, future changes not only of the technology itself but also in the background system, e.g., the energy supply, have to be considered. In this thesis, the example of sector coupling of the steel and chemical industries is first used to investigate how changes in the background system can be considered in the assessment of emerging technologies and how these changes affect the assessment result. Afterwards, a framework for predictive LCA is presented that allows LCA to be integrated at early stages of process development. In contrast to existing approaches from literature using machine learning for component-specific predictions, this work combines machine learning regression models with methods of automated process design. Thereby, process-specific predictions of environmental impacts are enabled only based on the molecular structure of the desired product and the reaction equation. For this purpose, descriptors are determined purely predictively using quantum mechanics and statistical thermodynamics, as well as process shortcuts. In addition, an encoder-decoder neural network is used to increase the information density in the molecular descriptors. As regression models, an artificial neural network and a Gaussian process regression are trained on a consistent data set. The method is exemplarily integrated into computer-aided molecular and process design and used for the design of ecologically optimal solvents. In addition, the process-specific prediction is discussed for the example of CO2-based methanol. The results show that the integration of process-specific features into the LCA prediction increases the prediction accuracy and enables process-specific predictions. The presented method thus enables the integration of ecological criteria in the early development of chemical processes.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online, print
Sprache
English
Externe Identnummern
HBZ: HT021583232
Interne Identnummern
RWTH-2022-09001
Datensatz-ID: 853664
Beteiligte Länder
Germany
|
The record appears in these collections: |