Новые мембраны и прогнозы ИИ снижают затраты энергии и воды в нефтепереработке

Новый вид полимерных мембран, созданный исследователями из Технологического института Джорджии, может изменить подход к переработке нефти на нефтеперерабатывающих заводах, значительно сократив потребление энергии и воды и извлекая при этом еще больше полезных веществ.

О так называемых полимерах DUCKY сообщается 16 октября в журнале Nature Materials. И это только начало работы команды химиков, инженеров-химиков и материаловедов из Georgia Tech. Они также создали инструменты искусственного интеллекта для прогнозирования характеристик подобных полимерных мембран, что может ускорить разработку новых.

Последствия этого весьма очевидны: на первичное разделение компонентов сырой нефти приходится около 1% энергии, потребляемой в мире. Более того, технология мембранного разделения, разрабатываемая исследователями, может найти широкое применение — от биотоплива и биоразлагаемых пластиков до целлюлозно-бумажной продукции.

Мы создаем концепции, которые затем можно использовать для различных молекул или полимеров, но применяем их к сырой нефти, поскольку это наиболее сложная задача на сегодняшний день, — сказал М.Г. Финн, профессор и заведующий кафедрой химии и биохимии им.

Сырая нефть включает в себя тысячи соединений, которые необходимо переработать и очистить, чтобы получить полезные материалы — газ и другие виды топлива, а также пластмассы, текстиль, пищевые добавки, медицинские препараты и многое другое. Извлечение ценных веществ включает в себя десятки этапов, но начинается все с дистилляции — водо- и энергоемкого процесса.

Исследователи пытаются разработать мембраны, которые будут выполнять эту работу вместо нефти, отфильтровывая нужные молекулы и минуя все этапы кипячения и охлаждения.

Сырая нефть является чрезвычайно важным сырьем практически для всех сфер жизни, но большинство людей не задумываются о том, как она перерабатывается, — говорит Райан Лайвли, профессор факультета химической и биомолекулярной инженерии Томас К. ДеЛоуч-младший.

Эти дистилляционные системы потребляют огромное количество воды, а мембраны просто не потребляют ее. Они не используют тепло или горение. Они просто используют электричество. При желании их можно запустить от ветряной турбины. Это просто принципиально иной способ разделения.

В основе новой формулы мембраны лежит новое семейство полимеров. Исследователи использовали строительные блоки, называемые спироциклическими мономерами, которые собираются в цепочки с большим количеством 90-градусных поворотов, образуя извилистый материал, который не сжимается легко и образует поры, избирательно связывающие и пропускающие нужные молекулы. Полимеры не являются жесткими, поэтому их легче производить в больших количествах. Кроме того, они обладают хорошо контролируемой гибкостью или подвижностью, что позволяет порам нужной фильтрующей структуры появляться и исчезать с течением времени.

Полимеры DUCKY создаются в результате химической реакции, которую легко проводить в масштабах, пригодных для промышленных целей. Это одна из разновидностей семейства реакций, получивших Нобелевскую премию, называемых «химией щелчков», что и дало название полимерам. Реакция называется катализируемым медью азидо-алкиновым циклоприсоединением — сокращенно CuAAC и произносится как „кряк“. Таким образом: DUCKY-полимеры.

По словам Финна, три ключевые характеристики полимерных мембран сами по себе не являются чем-то новым; именно их уникальное сочетание делает их новыми и эффективными.

В состав исследовательской группы входили ученые компании ExxonMobil, которые и выяснили, насколько эффективными могут быть эти мембраны. Ученые компании взяли самые грубые компоненты сырой нефти — осадок, оставшийся на дне после дистилляции, — и протолкнули его через одну из мембран. В результате были извлечены еще более ценные вещества.

В этом, собственно, и заключается бизнес-обоснование для многих компаний, занимающихся переработкой нефти. Они хотят знать, что нового они могут сделать. Может ли мембрана сделать что-то новое, чего не может сделать дистилляционная колонна? — сказал Лайвли.

Конечно, наша тайная мотивация — сокращение энергетического, углеродного и водного следа, но если мы можем помочь им одновременно с этим получить новые продукты, то это беспроигрышный вариант.

Прогнозирование таких результатов — это один из способов, с помощью которого команда может использовать модели искусственного интеллекта. В другом исследовании, недавно опубликованном в журнале Nature Communications, Лайвли, Финн и ученые из лаборатории Рампи Рампрасада в Georgia Tech рассказали об использовании алгоритмов машинного обучения и моделирования массопереноса для прогнозирования эффективности полимерных мембран в сложных процессах разделения.

Вся эта схема, на мой взгляд, является значительным достижением. И это также первый шаг к реальному проектированию материалов, — сказал Рампрасад, профессор и заведующий кафедрой Майкла Э. Тенненбаума в Школе материаловедения и инженерии.

Мы называем это «задачей на будущее», т.е. у вас есть материал и смесь, которые поступают внутрь — что получится на выходе? Это проблема прогнозирования. В конечном итоге мы хотим разработать новые полимеры, которые позволят достичь определенных целевых показателей проницаемости.

Сложные смеси, такие как сырая нефть, могут содержать сотни или тысячи компонентов, поэтому точное математическое описание каждого соединения, его взаимодействия с мембраной и экстраполяция результатов, по словам Рампрасада, «нетривиальны».

Для обучения алгоритмов пришлось также прочесать всю экспериментальную литературу по диффузии растворителей через полимеры, чтобы собрать огромный массив данных. Но, по словам Рампрасада, как и сам потенциал мембран в плане реорганизации нефтепереработки, заблаговременное знание того, как может работать предлагаемая полимерная мембрана, позволит ускорить процесс разработки материалов, который в настоящее время в основном осуществляется методом проб и ошибок.

Стандартный подход заключается в изготовлении материала и его испытании, а это требует времени. Этот подход, основанный на данных или машинном обучении, очень эффективно использует прошлые знания, — сказал он.

Это цифровой партнер: Вам не гарантирован точный прогноз, поскольку модель ограничена пространством, охватываемым данными, которые вы используете для ее обучения. Но она может немного экстраполировать и потенциально может вести вас в новых направлениях. Вы можете провести первоначальный отбор, перебирая обширные химические пространства, и заранее принять решения «можно» или „нельзя“.

По словам Лайвли, он долгое время скептически относился к способности инструментов машинного обучения справляться с такими сложными разделениями, с которыми он работает.

Я всегда говорил: «Я не думаю, что можно предсказать сложность переноса через полимерные мембраны. Системы слишком большие, физика слишком сложная. Невозможно».

Но потом он встретил Рампрасада.

Вместо того чтобы просто отмахнуться, мы с Рампи и несколькими студентами попробовали сделать это, создали большую базу данных, и, черт возьми. На самом деле, вы можете это сделать, — говорит Лайвли.

Разработка инструментов ИИ также включала в себя сравнение предсказаний алгоритмов с реальными результатами, в том числе с полимерными мембранами DUCKY. Эксперименты показали, что предсказания моделей ИИ находятся в пределах 6-7% от реальных измерений.

Это поразительно, — заключает Финн.

Моя карьера была посвящена попыткам предсказать, что будут делать молекулы. Подход, основанный на машинном обучении, и его реализация Рампи просто революционны.

16.10.2023