A systematic approach to using artificial intelligence as surrogate and generative models in energy systems : applications in carbon capture and electricity markets

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:The systematic framework for surrogate and generative modeling provides a replicable methodology for energy system optimization, with open-source code and data available.

🏢実務担当者:The visual design guide for carbon capture process configuration and the Deepforkit forecasting toolkit are directly applicable for plant engineers and energy traders.

🏛政策担当者:The demonstrated potential of AI to reduce CCS costs and improve grid forecasting supports policies promoting clean energy technology adoption.

人工知能（AI）は多くの分野に革命をもたらしているが、エネルギーシステムへの応用は進んでいない。本博士論文は、AIを活用するための体系的なアプローチを紹介し、検証するものであり、計算集約的な工学シミュレーションを置き換えるサロゲートモデルの開発と、その後の生成的設計および予測分析におけるこれらのサロゲートの使用に焦点を当てている。提案するフレームワークは、収束問題を起こしにくい、高速で軽量かつ堅牢なモデルを生み出し、勾配ベースの最適化を可能にして、より信頼性の高い設計空間探索を実現する。このデータ駆動型アプローチはまた、大規模なモデル開発と較正の必要性を低減し、変化するシステム条件へのシームレスな適応を可能にする。このアプローチはまず、重要だがエネルギー集約的な技術である燃焼後炭素回収（ACC）において実証された。ACCプラントのエネルギー消費を予測するサロゲートモデルが開発され、このモデルは、比リボイラ熱量を最小化する最適なプロセス構成を迅速に特定する新しい生成的設計フレームワークに統合された。調査により、実務者向けの視覚的設計ガイドが作成され、さらなる研究を促進するためにモデルとデータがオープンソース化された。2つ目の応用は、欧州の電力市場に対処するものである。大規模な日前価格予測のためのオープンアクセスの深層学習ツールキットであるDeepforkitが作成された。19の入札地域にわたる包括的な分析は、高い価格変動性が市場の予測不可能性と同等であるという従来の前提に異議を唱え、最近の世界的なエネルギー危機のような主要な出来事の間でも、高度なモデルが高い予測精度を維持できることを実証した。最終的に、本博士論文は、エネルギーシステムにAIを適用するための、検証済みの体系的なフレームワークを提供する。炭素回収プロセス設計と電力市場分析への影響力のあるオープンソースの貢献を通じて、サロゲートモデルと生成的モデルが、より効率的で適応性があり、経済的に実行可能なエネルギーソリューションにどのようにつながるかを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Artificial intelligence (AI) is revolutionizing numerous fields, yet its application in energy systems has been slow. This dissertation introduces and validates a systematic approach to leveraging AI, focusing on the development of surrogate models to replace computationally intensive engineering simulations and the subsequent use of these surrogates in generative design and predictive analytics. The proposed framework yields fast, lightweight, and robust models that are not prone to convergence issues, enabling gradient-based optimization for more reliable design space exploration. This data-driven approach also reduces the need for extensive model development and calibration, while allowing for seamless adaptation to changing system conditions. This approach is first demonstrated in post-combustion carbon capture (ACC), a critical but energy-intensive technology. A surrogate model was developed to predict the energy consumption of an ACC plant, and this model was integrated into a novel generative design framework that rapidly identifies optimal process configurations to minimize specific reboiler duty. The investigation produced a visual design guide for practitioners and open-sourced the models and data to facilitate further research. The second application addresses European electricity markets. An open-access deep learning toolkit, Deepforkit, was created for large-scale, day-ahead price forecasting. A comprehensive analysis across 19 bidding zones challenged the conventional assumption that high price volatility equates to market unpredictability, demonstrating that advanced models can maintain high forecast accuracy even during major events like the recent global energy crisis. Ultimately, this dissertation provides a validated, systematic framework for applying AI in energy systems. Through impactful and open-sourced contributions to carbon capture process design and electricity market analysis, it demonstrates how surrogate and generative models can lead to more efficient, adaptive, and economically viable energy solutions.

• openalex https://lutpub.lut.fi/handle/10024/171694first seen 2026-05-17 05:02:20 · last seen 2026-05-29 05:19:54