相変化吸収液を用いた炭素回収プロセスのAT-BiGRU-MHAに基づく動的モデリング
Dynamic modelling of phase‐change solvent carbon capture process based on AT ‐ BiGRU ‐ MHA (原題)
Xu Liu, Aimin An, Kaifeng Li, Yiting Chang, Zhipeng Luo, Bo Yu, Zheng Cao
🤖 gxceed AI 要約
日本語
相変化吸収液を用いた燃焼後CO2回収（PCC）システムの非線形性・時間遅れに対応するため、中国華能集団の実機プラットフォームデータを用い、適応的多頭注意機構を組み込んだAT-BiGRU-MHAニューラルネットを開発。CO2回収率とストリッパー底部温度を高精度で予測し、ベースラインを上回った。注意重みの可視化によりプロセス動態の解釈性も向上し、NMPCの基盤を提供する。
English
Using real operational data from China Huaneng Group's phase-change CO2 capture platform, this study develops an AT-BiGRU-MHA neural network with adaptive multi-head attention to model the nonlinear, time-delayed dynamics of post-combustion carbon capture. The model predicts CO2 capture rate and stripper bottom temperature with high accuracy, outperforming baselines, and attention visualization offers interpretability. It provides a differentiable foundation for nonlinear model predictive control and energy management.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本ではCCUSはGX推進戦略の重点分野であり、実機データに基づくAI予測制御は回収コスト低減・運用最適化に直結する。JCMやアジア展開を見据えた技術知見として参考になる。
In the global GX context
Globally, this work advances data-driven control for CCUS, a key pillar of industrial decarbonization pathways under net-zero scenarios. It demonstrates how real plant data and attention-based models can improve capture efficiency and energy management, relevant to scaling carbon capture deployment.
👥 読者別の含意
🔬研究者:実機データと注意機構を組み合わせた動的モデリング手法は、CCUSプロセス制御研究の新たなベンチマークを提供する。
🏢実務担当者:回収率と温度の高精度予測は、CCUSプラントの運転最適化とエネルギーコスト削減に活用できる。
🏛政策担当者:CCUSの実装効率向上は、脱炭素政策におけるコスト低減と普及促進に寄与する可能性がある。
📄 Abstract（原文）
Abstract While it is crucial to address the pronounced nonlinearity, substantial time delays, and complex dynamics of post‐combustion carbon capture (PCC) systems using phase‐change solvents, most existing studies rely on idealized simulation data and thus have difficulty representing real industrial noise and long‐range temporal dependencies. To overcome these limitations, this study develops a high‐fidelity dynamic prediction model. Using operational data from the China Huaneng Group phase‐change CO 2 capture platform, we propose an improved AT‐BiGRU‐MHA neural network. The model utilizes a bidirectional gated recurrent unit (BiGRU) to extract temporal features and integrates an adaptive multi‐head attention mechanism—with positional encoding and a learnable temperature coefficient—to emphasize critical historical states. A global–local feature fusion strategy is introduced to enhance responsiveness to recent trends. Experimental results demonstrate high accuracy for 2 key variables. For the CO 2 capture rate, the model achieves an RMSE of 0.0158, a MAPE of 1.0460%, and an of 0.9753. For the stripper bottom temperature, it yields an RMSE of 1.9796, a MAPE of 0.3359%, and an of 0.9846, consistently outperforming baseline models. Attention‐weight visualization enhances the transparency of the model and offers insights into the underlying process dynamics, showing that different heads capture distinct long‐range and short‐term dynamics. This model offers a continuously differentiable foundation for nonlinear model predictive control (NMPC), facilitating CO 2 capture rate tracking and energy management under variable operating conditions.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1002/cjce.70591first seen 2026-10-10 05:10:50
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。