脱碳吸收剂降解程度测定方法、装置及船舶管理系统与流程

1.本发明涉及温室气体治理技术领域，尤其涉及一种脱碳吸收剂降解程度测定方法、装置及船舶管理系统。


背景技术：

2.化石燃料的燃烧是大气co2的主要源头，人类生产生活中的各种设备特别是交通运输工具，例如船舶等每年燃烧大量的碳氢燃料，因此向大气排放着大量co2温室气体，造成全球平均气温不断攀升。从技术层面来看，相较于物理吸附法等其它技术方案，基于有机胺吸收剂的化学吸收法因为系统成熟度高、经济性好等特点备受关注，但陆用电厂的二氧化碳捕集与封存系统(称为ccs系统)试验已经说明有机胺吸收剂存在降解变质的问题，因而在船舶ccs系统中，也急需开发一种现场实时的脱碳吸收剂降解程度测定方法。


技术实现要素：

3.本发明提供一种脱碳吸收剂降解程度测定方法、装置及船舶管理系统，用以解决现有技术中不能实时获知脱碳吸收剂是否存在降解变质的问题。
4.第一方面，本发明提供一种脱碳吸收剂降解程度测定方法，应用于二氧化碳捕集与封存系统，所述方法包括：
5.将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型，并对所述神经网络模型进行训练，以得到所述神经网络模型的目标参数；
6.基于所述目标参数，将所述二氧化碳捕集与封存系统监测到的系统参数输入至已训练好的所述神经网络模型，以得到所述脱碳吸收剂降解程度的预测值。
7.在本发明一实施例中，所述系统参数包括反映所述二氧化碳捕集与封存系统的状态参数和反映所述脱碳吸收剂降解过程的时间序列参数，
8.其中，所述状态参数包括以下一种或多种组合：
9.吸收塔与再生塔的塔高、直径，以及塔内设备的结构参数；
10.吸收塔与再生塔塔内的压力、温度以及再沸器功率的运行参数；
11.有机胺的种类、初始浓度、流量的物性与内因参数；
12.其中，所述时间序列参数包括以下一种或多种组合：
13.吸收塔与再生塔的塔顶气种类及其浓度；
14.吸收塔与再生塔的塔底降解物种类及其浓度。
15.在本发明一实施例中，所述将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型的步骤包括：
16.将系统参数样本x＝[x
l1
，x
l2
，x
l3
，x
l4
(4)，x
l5
(t)]和表示降解程度的目标结果y输入至所述神经网络模型；
[0017]
其中，x
l1
表示吸收塔与再生塔的塔高、直径，以及塔内设备的结构参数，x
l2
表示吸收塔与再生塔塔内的压力、温度以及再沸器功率的运行参数，x
l3
表示有机胺的种类、初始浓
度、流量的物性与内因参数，x
l4
(t)表示吸收塔与再生塔的塔顶气种类及其浓度变化时间序列累积数据，x
l5
(t)表示吸收塔与再生塔的塔底降解物种类及其浓度变化时间序列累积数据。
[0018]
在本发明一实施例中，所述神经网络模型包括前馈网络、循环网络以及拼接模块，所述将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型，并对所述神经网络模型进行训练，以得到所述神经网络模型的目标参数的步骤还包括：
[0019]
将表示状态参数的x
l1
、x
l2
以及x
l3
输入至所述前馈网络，并经过所述前馈网络进行非线性变换后，输出第一结果y1；
[0020]
将表示时间序列参数的累积参数x
l4
(t)和x
l5
(t)输入至所述循环网络，并经过所述循环网络进行非线性变换后，输出第二结果y2(t)；
[0021]
将所述第一结果y1和所述第二结果y2(t)输入至所述拼接模块以得到预测结果y^＝f(x；θ)，θ表示所述前馈网络和所述循环网络所有的训练参数，f表示函数；
[0022]
基于所述预测结果y^和所述目标结果y，通过回归损失函数对所述训练参数θ进行迭代优化求解，以得到所述目标参数θ～。
[0023]
在本发明一实施例中，所述通过回归损失函数对所述训练参数θ进行迭代优化求解，以得到所述目标参数θ～的步骤包括：
[0024]
计算第t次迭代过程的损失值loss＝ψ(y^，y)，ψ表示损失函数；
[0025]
计算损失函数相对于所述训练参数θ的梯度
[0026]
通过预设的学习率α，对训练参数θ进行梯度下降更新θ
t+1
＝θ
t-αg，以得到θ
t+1
后进入第t+1次迭代过程，直至损失值loss低于设定的阈值时得到所述目标参数θ～；
[0027]
其中，已训练好的所述神经网络模型表示为y^＝f(x；θ～)，。
[0028]
在本发明一实施例中，所述状态参数和所述时间序列参数是通过所述二氧化碳捕集与封存系统上的传感器测量得到，所述目标结果是采用光谱分析方法测量得到。
[0029]
第二方面，本发明提供一种脱碳吸收剂降解程度测定装置，所述装置包括：
[0030]
训练模块，用于将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型，并对所述神经网络模型进行训练，以得到所述神经网络模型的目标参数；
[0031]
预测模块，用于基于所述目标参数，将所述二氧化碳捕集与封存系统监测到的系统参数输入至已训练好的所述神经网络模型，以得到所述脱碳吸收剂降解程度的预测值。
[0032]
在本发明一实施例中，所述系统参数样本包括反映所述二氧化碳捕集与封存系统的状态参数和反映所述脱碳吸收剂降解过程的时间序列参数，所述训练模块还用于：
[0033]
将系统参数样本x＝[x
l1
，x
l2
，x
l3
，x
l4
(t)，x
l5
(t)]和表示降解程度的目标结果y输入至所述神经网络模型；
[0034]
其中，x
l1
表示吸收塔与再生塔的塔高、直径，以及塔内设备的结构参数，x
l2
表示吸收塔与再生塔塔内的压力、温度以及再沸器功率的运行参数，x
l3
表示有机胺的种类、初始浓度、流量的物性与内因参数，x
l4
(t)表示吸收塔与再生塔的塔顶气种类及其浓度变化时间序列累积数据，x
l5
(t)表示吸收塔与再生塔的塔底降解物种类及其浓度变化时间序列累积数
据。
[0035]
在本发明一实施例中，所述神经网络模型包括前馈网络、循环网络以及拼接模块，所述训练模块还用于：
[0036]
将表示状态参数的x
l1
、x
l2
以及x
l3
输入至所述前馈网络，并经过所述前馈网络进行非线性变换后，输出第一结果y1；
[0037]
将表示时间序列参数的x
l4
(t)和x
l5
(t)输入至所述循环网络，并经过所述循环网络进行非线性变换后，输出第二结果y2(t)；
[0038]
将所述第一结果y1和所述第二结果y2(t)输入至所述拼接模块以得到预测结果y^＝f(x；θ)，θ表示所述前馈网络和所述循环网络所有的训练参数，f表示函数；
[0039]
基于所述预测结果y^和所述目标结果y，通过回归损失函数对所述训练参数θ进行迭代优化求解，以得到所述目标参数θ～。
[0040]
第三方面，本发明提供一种船舶管理系统，所述系统用于执行如第一方面任一项所述的脱碳吸收剂降解程度测定方法。
[0041]
本发明提供的一种脱碳吸收剂降解程度测定方法、装置及船舶管理系统，通过构建用于预测脱碳吸收剂降解程度的神经网络模型，并对所述神经网络模型进行训练，以得到训练好的神经网络模型，通过所述神经网络模型能够直接利用二氧化碳捕集与封存系统(ccs系统)输出的系统参数对脱碳吸收剂降解程度提供实时预测，解决了现有技术中不能实时获知脱碳吸收剂是否存在降解变质的问题。
附图说明
[0042]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1是本发明提供的脱碳吸收剂降解程度测定方法的流程图；
[0044]
图2是本发明实施例提供的神经网络模型训练过程的示意图；
[0045]
图3是本发明实施例提供的神经网络模型的结构示意图；
[0046]
图4是本发明提供的神经网络模型预测过程的示意图；
[0047]
图5是本发明提供的脱碳吸收剂降解程度测定装置的结构示意图。
具体实施方式
[0048]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
[0050]
为了解决现有技术中不能实时获知脱碳吸收剂是否存在降解变质的问题，本发明提供一种脱碳吸收剂降解程度测定方法、装置及船舶管理系统，通过构建用于预测脱碳吸收剂降解程度的神经网络模型，并对所述神经网络模型进行训练，以得到训练好的神经网络模型，通过所述神经网络模型能够直接利用二氧化碳捕集与封存系统(ccs系统)输出的系统参数对脱碳吸收剂降解程度提供实时预测，解决了现有技术中不能实时获知脱碳吸收剂是否存在降解变质的问题。
[0051]
下面结合图1-图5描述本发明的脱碳吸收剂降解程度测定方法、装置及船舶管理系统。
[0052]
请参考图1，图1是本发明提供的脱碳吸收剂降解程度测定方法的流程图。一种脱碳吸收剂降解程度测定方法，应用于二氧化碳捕集与封存系统(即ccs系统)，所述方法包括：
[0053]
步骤110，将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型，并对所述神经网络模型进行训练，以得到所述神经网络模型的目标参数。
[0054]
系统参数样本是来自船舶ccs系统的系统参数以用于训练神经网络模型的样本数据。系统参数包括两类，第一类是反映所述二氧化碳捕集与封存系统的状态参数，第二类是反映所述脱碳吸收剂降解过程的时间序列参数。
[0055]
示例性地，所述状态参数包括以下一种或多种组合：
[0056]
吸收塔与再生塔的塔高、直径，以及塔内设备等结构参数；
[0057]
吸收塔与再生塔塔内的压力、温度以及再沸器功率等运行参数；
[0058]
有机胺的种类、初始浓度、流量等物性与内因参数；
[0059]
示例性地，所述时间序列参数包括以下一种或多种组合：
[0060]
吸收塔与再生塔的塔顶气种类及其浓度；
[0061]
吸收塔与再生塔的塔底降解物种类及其浓度。
[0062]
由此可知，本发明构建的神经网络模型的输入端是来自船舶ccs系统的系统参数。
[0063]
步骤120，基于所述目标参数，将所述二氧化碳捕集与封存系统监测到的系统参数输入至已训练好的所述神经网络模型，以得到所述脱碳吸收剂降解程度的预测值。
[0064]
由此可知，本发明构建的神经网络模型的输出端是船舶ccs系统脱碳吸收剂(例如有机胺吸收剂)的真实降解状态的反映，在离线训练阶段通过定期取样后测试循环有机胺吸收剂的真实浓度，而在在线监测阶段则输出有机胺吸收剂降解程度的预测值。而神经网络模型的中间端是连接模型的输入端和输出端，在离线训练阶段通过一定量的训练数据挖掘出模型输入端的系统参数和输出端的脱碳吸收剂降解程度的映射关系，而在在线测试阶段则冻结中间端的训练参数以作为目标参数，然后通过输入实船的系统参数即可实时动态地输出脱碳吸收剂降解程度的预测值。
[0065]
以下对步骤110的训练模型和步骤120的模型预测进行描述。
[0066]
请参考图2、图3所示，图2是本发明实施例提供的神经网络模型训练过程的示意图，图3是本发明实施例提供的神经网络模型的结构示意图。上述步骤110中，将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型的步骤包括：
[0067]
步骤210，将系统参数样本x＝[x
l1
，x
l2
，x
l3
，x
l4
(t)，x
l5
(t)]和表示降解程度的目标结果y输入至所述神经网络模型。
[0068]
其中，x
l1
表示吸收塔与再生塔的塔高、直径，以及塔内设备的结构参数，x
l2
表示吸收塔与再生塔塔内的压力、温度以及再沸器功率的运行参数，x
l3
表示有机胺的种类、初始浓度、流量的物性与内因参数，x
l4
(t)表示吸收塔与再生塔的塔顶气种类及其浓度变化时间序列累积数据，x
l5
(t)表示吸收塔与再生塔的塔底降解物种类及其浓度变化时间序列累积数据。
[0069]
示例性地，上述表示状态参数x
l1
、x
l2
以及x
l3
和表示时间序列参数的累积参数x
l4
(t)和x
l5
(t)，可以通过船舶ccs系统的传感器测量得到。
[0070]
示例性地，上述累积参数x
l4
(t)和x
l5
(t)则需要将开始截止当前时间的累计值作为输入，即其中x4(t)表示每个监测瞬时的吸收塔与再生塔的塔顶气浓度值。同理其中x5(t)是每个监测瞬时的吸收塔与再生塔的塔底降解物浓度值。
[0071]
示例性地，目标结果y可以是采用光谱分析方法测量得到，为光谱分析测定值，可用于衡量神经模型的训练效果。
[0072]
示例性地，上述步骤110中，所述神经网络模型包括前馈网络、循环网络以及拼接模块，所述将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型，并对所述神经网络模型进行训练，以得到所述神经网络模型的目标参数的步骤还包括：
[0073]
步骤220，将表示状态参数的x
l1
、x
l2
以及x
l3
输入至所述前馈网络，并经过所述前馈网络进行非线性变换后，输出第一结果y1。
[0074]
示例性地，前馈网络具有两层隐藏层，x1＝[x
l1
，x
l2
，x
l3
]经过两层隐藏层非线性变换后，得到前馈网络输出的第一结果y1。
[0075]
步骤230，将表示时间序列参数的x
l4
(t)和x
l5
(t)输入至所述循环网络，并经过所述循环网络进行非线性变换后，输出第二结果y2(t)。
[0076]
示例性地，循环网络采用lstm(long short-term memory,长短期记忆)模型，x2＝[x
l4
(t)，x
l5
(t)]经过lstm模型的非线性变换后，得到循环网络输出的第二结果y2(t)。
[0077]
步骤240，将所述第一结果y1和所述第二结果y2(t)输入至所述拼接模块以得到预测结果y^＝f(x；θ)，θ表示所述前馈网络和所述循环网络所有的训练参数，f表示函数。
[0078]
示例性地，将前馈网络输出的第一结果y1和循环网络输出的第二结果y2(t)进行拼接，拼接的方式包括但不限于直接乘积或组合成向量的方式，例如，若采用直接乘积的方式，即y(t)＝y1×
y2(t)，即y^＝f(x；θ)。
[0079]
步骤250，基于所述预测结果y^和所述目标结果y，通过回归损失函数对所述训练参数θ进行迭代优化求解，以得到所述目标参数θ～
[0080]
如图2、图3所示，在离线训练过程中，基于预测结果y^和目标结果y，可以通过选定合适的回归损失函数，例如mae(mean absolute error，平均绝对误差，即预测值与真实值的绝对误差的平均值)、mse(mean squared error，均方误差，即预测值与真实值的绝对平方误差的平均值)等，利用梯度下降法对模型参数θ进行迭代优化求解。
[0081]
具体地，计算第t次迭代过程的损失值loss＝ψ(y^，y)，ψ表示某个损失函数。然后计算损失函数相对于训练参数θ的梯度再通过预设的学习率α，课对训练参数θ进行梯度下降更新θ
t+1
＝θ
t-αg，以得到θ
t+1
后进入第t+1次迭代过程，直至损失值loss低于设定的阈值时得到所述目标参数θ～，θ～为模型训练的最佳参数。因此，已训练好的所述神经网络模型表示为y^＝f(x；θ～)。
[0082]
需要说明的是，为构建神经网络模型输入端的系统参数和模型输出端的脱碳吸收剂真实降解状态之间的映射关系，可根据系统预测精度要求和相关硬件(例如图形处理器gpu)条件，模型核心中间端可基于传统回归器或深度神经网络。
[0083]
例如，在系统对降解程度的预测精度要求不高或者船上硬件计算能力比较受限时，可以采取包括svr(support vector regression，支持向量机)、regression forest(回归森林)等多种传统回归器，而在系统对降解程度的预测精度要求较高且船上硬件计算能力比较充裕时，可以采取包括但不限于dnn(深度神经网络)、rnn(循环神经网络)、cnn(卷积神经网络)、transformer(是一个利用注意力机制来提高模型训练速度的模型)、贝叶斯神经网络等多种神经网络框架在内的深度模型。
[0084]
请参考图4，图4是本发明提供的神经网络模型预测过程的示意图。在线预测过程中，通过船舶ccs系统的传感器实时监测的系统参数x＝[x
l1
，x
l2
，x
l3
，x
l4
(t)，x
l5
(t)]输入至已训练好的所述神经网络模型f(x；θ～)中，以得到脱碳吸收剂降解程度的预测值y^＝f(x)。
[0085]
综上所述，本发明在离线训练阶段，基于传感器测量反映的系数参数和取样检测反映的脱碳吸收剂降解程度参数，对构建的神经模型进行训练，待完成模型训练后，冻结训练模型的目标参数，即可在实船在线监测时，通过输入相应的系统参数，即可输出脱碳吸收剂降解程度的预测值。
[0086]
因此，本发明所述脱碳吸收剂降解程度测定方法，可直接利用船舶ccs系统的系统参数对脱碳吸收剂降解程度提供预测，解决了现有技术利用光谱分析等技术无法在船舶空间应用困难的问题。而且输入端所需的参数都为系统固定参数或者必须监控的参数，因而无需增加额外的设备投入，经济性高，并能够提供实时动态的脱碳吸收剂的降解状态预测信息，为船员操作提供便利性。
[0087]
下面对本发明提供的脱碳吸收剂降解程度测定装置进行描述，下文描述的脱碳吸收剂降解程度测定装置与上文描述的脱碳吸收剂降解程度测定方法可相互对应参照。
[0088]
请参考图5，图5是本发明提供的脱碳吸收剂降解程度测定装置的结构示意图。一种脱碳吸收剂降解程度测定装置500，包括训练模块510和预测模块520。
[0089]
示例性地，训练模块510，用于将来自所述二氧化碳捕集与封存系统的系统参数样本和目标结果输入至构建的神经网络模型，并对所述神经网络模型进行训练，以得到所述神经网络模型的目标参数。
[0090]
示例性地，预测模块520，用于基于所述目标参数，将所述二氧化碳捕集与封存系统监测到的系统参数输入至已训练好的所述神经网络模型，以得到所述脱碳吸收剂降解程度的预测值。
[0091]
示例性地，所述系统参数包括反映所述二氧化碳捕集与封存系统的状态参数和反
映所述脱碳吸收剂降解过程的时间序列参数，
[0092]
其中，所述状态参数包括以下一种或多种组合：
[0093]
吸收塔与再生塔的塔高、直径，以及塔内设备的结构参数；
[0094]
吸收塔与再生塔塔内的压力、温度以及再沸器功率的运行参数；
[0095]
有机胺的种类、初始浓度、流量的物性与内因参数；
[0096]
其中，所述时间序列参数包括以下一种或多种组合：
[0097]
吸收塔与再生塔的塔顶气种类及其浓度；
[0098]
吸收塔与再生塔的塔底降解物种类及其浓度。
[0099]
示例性地，训练模块510，还用于：
[0100]
将系统参数样本x＝[x
l1
，x
l2
，x
l3
，x
l4
(t)，x
l5
(t)]和表示降解程度的目标结果y输入至所述神经网络模型；
[0101]
其中，x
l1
表示吸收塔与再生塔的塔高、直径，以及塔内设备的结构参数，x
l2
表示吸收塔与再生塔塔内的压力、温度以及再沸器功率的运行参数，x
l3
表示有机胺的种类、初始浓度、流量的物性与内因参数，x
l4
(t)表示吸收塔与再生塔的塔顶气种类及其浓度变化时间序列累积数据，x
l5
(t)表示吸收塔与再生塔的塔底降解物种类及其浓度变化时间序列累积数据。
[0102]
示例性地，训练模块510，还用于：
[0103]
将表示状态参数的x
l1
、x
l2
以及x
l3
输入至所述前馈网络，并经过所述前馈网络进行非线性变换后，输出第一结果y1；
[0104]
将表示时间序列参数的x
l4
(t)和x
l5
(t)输入至所述循环网络，并经过所述循环网络进行非线性变换后，输出第二结果y2(t)；
[0105]
将所述第一结果y1和所述第二结果y2(t)输入至所述拼接模块以得到预测结果y^＝f(x；θ)，θ表示所述前馈网络和所述循环网络所有的训练参数，f表示函数；
[0106]
基于所述预测结果y^和所述目标结果y，通过回归损失函数对所述训练参数θ进行迭代优化求解，以得到所述目标参数θ～。
[0107]
示例性地，训练模块510，还用于：
[0108]
计算第t次迭代过程的损失值loss＝ψ(y^，y)，ψ表示损失函数；
[0109]
计算损失函数相对于所述训练参数θ的梯度
[0110]
通过预设的学习率α，对训练参数θ进行梯度下降更新θ
t+1
＝θ
t-αg，以得到θ
t+1
后进入第t+1次迭代过程，直至损失值loss低于设定的阈值时得到所述目标参数θ～；
[0111]
其中，已训练好的所述神经网络模型表示为y^＝f(x；θ～)。
[0112]
示例性地，所述状态参数和所述时间序列参数是通过所述二氧化碳捕集与封存系统上的传感器测量得到，所述目标结果y是采用光谱分析方法测量得到。
[0113]
在本发明的一些实施例中，本发明还提供一种船舶管理系统，所述系统用于执行如上所述的脱碳吸收剂降解程度测定方。
[0114]
示例性地，通过本发明所述脱碳吸收剂降解程度测定方法构建的神经网络模型，可以内嵌于所述船舶管理系统的中央控制系统，并能够实现自动的预报与预警，自动化程度高。
[0115]
在此需要说明的是，本发明实施例提供的上述脱碳吸收剂降解程度测定装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
[0116]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。