综述：碳捕集、利用与封存中的人工智能革命

《Green Carbon》：The AI Revolution in Carbon Capture, Utilization, and Storage

　　

碳捕集、利用与封存（CCUS）是一套旨在从工业源或大气中分离二氧化碳（CO₂），将其转化为增值产品，或永久封存于地质构造中的技术。尽管对于实现全球碳中和至关重要，但CCUS的吉吨级部署目前面临捕集过程中的高能耗、利用过程中的热力学限制，以及确保封存安全所需的严格监测要求等瓶颈。人工智能（AI），包括机器学习（ML）、深度学习（DL）和生成式算法，提供了一种数据驱动的方法，通过识别高维数据集中的复杂相关性来应对多尺度的物理化学挑战。本综述综合了AI在整个CCUS价值链中的应用。在捕集领域，研究人员讨论了生成模型和高通量筛选如何加速高性能吸附剂和溶剂的发现，而替代模型则优化过程动力学以提高能效。在利用方面，研究人员强调了AI在探索庞大催化剂化学空间以克服热力学比例关系并优化生化途径中的作用。在地质封存中，研究人员分析了DL架构——从用于地震解释的计算机视觉到用于快速羽流预测的傅里叶神经算子——如何自动化场地表征并增强实时泄漏检测。此外，本综述阐述了AI促进的系统级集成，能够在政策和市场不确定性下对捕集-运输-封存网络进行技术经济优化。最后，研究人员讨论了关于数据标准化、模型可解释性和泛化性的关键挑战，并展望了大型语言模型和数字孪生驱动自主、自优化CCUS运营的未来。

1. 引言：该部分指出，根据《巴黎协定》限制全球变暖1.5°C的目标，碳捕集、利用与封存（CCUS）对于难以脱碳的工业部门（如水泥、钢铁和化工）以及管理大气CO₂不可或缺。然而，CCUS的吉吨级部署面临捕集能耗、利用热力学限制和地质封存安全监测等重大障碍。人工智能（AI），特别是机器学习（ML）、深度学习（DL）和生成式AI，通过识别高维数据中的非线性关联，为克服这些瓶颈提供了数据驱动的方法。本综述旨在系统分析AI在CCUS整个价值链中的变革作用，从分子尺度发现到宏观部署。

2. AI框架：数据、算法与工作流
2.1. 数据基础设施：CCUS数据具有高度异质性和多模态性，涵盖标量属性、一维时序数据、二维/三维图像以及图结构数据（如金属有机框架（MOF）的晶体拓扑）。当前高质量数据集仍显零散，开源平台如CoRE MOF数据库和Volve油田数据集提供了基础，但工业运营数据缺乏，研究人员通过高保真物理模拟生成合成数据以弥补不足。
2.2. 算法基础：AI算法可分为经典机器学习（ML）、深度学习（DL）和生成式AI三大范式。经典ML（如随机森林（RF）、支持向量机（SVM）、梯度提升决策树（GBDT））适用于小样本数据，具有高可解释性和计算效率；DL架构（如卷积神经网络（CNN）、图神经网络（GNN）、傅里叶神经算子（FNO））能自动提取特征，处理非结构化数据，但需大量标注数据且可解释性低；生成式AI（如生成对抗网络（GAN）、变分自编码器、扩散模型）能学习数据分布并生成新样本，用于逆设计和数据增强。
2.2.1. 高通量筛选（HTS）：AI驱动的HTS通过分层工作流平衡计算成本与预测精度，先使用物理模拟生成地面真值数据，再训练ML替代模型，结合机器学习力场实现快速能量评估，从而高效探索数百万候选结构。
2.2.2. 机器学习属性预测：通过定量结构-性质关系（QSPR）建模，将材料结构简化为描述符向量，经典算法可预测CO₂吸附容量等性能。近年来，端到端DL架构（如GNN、3D-CNN）直接从原始原子表示学习，避免了手工特征工程瓶颈。
2.2.3. 生成式设计：生成模型实现从预测到创造的范式转变，通过变分自编码器、GAN和扩散模型在潜在空间中生成全新材料结构，用于固体吸附剂和新型溶剂的逆设计。
2.3. 计算工作流：有效部署AI需要结构化工作流，包括逆设计、主动学习循环以及全自动闭环发现平台。例如，基于大型语言模型（LLM）的自动化框架和主动学习策略显著降低了计算成本，并推动“材料按需”时代的到来。

3. AI加速碳捕集
3.1. 智能材料发现
3.1.1. 固体吸附剂：AI驱动的方法探索了数十万种多孔材料（如MOF、多孔碳）。基于描述符的模型解决了氮掺杂对吸附容量影响的争议，结构DL处理含杂质烟气的复杂场景，可解释AI（XAI）揭示设计规则，如空隙率0.10-0.30对MOF容量最有利。
3.1.2. 液体吸收剂：针对胺法捕集的高能耗，AI筛选离子液体、低共熔溶剂（DES）等替代溶剂。定量结构-性质关系和DL模型预测热物理性质，量子化学描述符结合梯度提升模型实现了高精度CO₂溶解度预测，并通过特征重要性分析揭示化学吸附机制。
3.1.3. 分离膜：AI通过训练聚合物数据库模型，筛选虚拟库以突破“Robeson上限”，例如指导高性能聚环氧乙烷膜和混合基质膜的发现。
3.2. 智能过程优化：AI替代模型取代昂贵的物理模拟，实现实时控制和动态优化。例如，深度学习代理模型用于船载碳捕集设计，预测关键热力学性质；数据驱动软传感器监测内部状态；模型预测控制和深度强化学习（DRL）优化操作参数，使捕集设施成为智能电网响应资产。

4. AI驱动碳利用
4.1. 催化剂发现与工程：ML通过电子描述符（如d带中心）预测催化活性，克服萨巴蒂尔原理中的线性比例关系。集成学习识别关键电子因素，ML与密度泛函理论（DFT）结合构建层级工作流，高通量筛选双金属和单原子催化剂，实现CO₂还原选择性预测。
4.2. 优化转化路径：在生物转化（如微藻培养）和热化学转化中，AI替代模型映射输入参数到技术经济输出，遗传算法与神经模糊系统优化培养条件，多目标优化同时最大化产率和最小化能耗，例如甲醇合成和二甲醚直接合成。

5. AI保障碳封存安全
5.1. 场地筛选与表征：DL计算机视觉自动解释地震数据（如U-Net识别断层），加速储层建模。卷积自编码器融合井数据和地震属性进行三维属性预测，递归神经网络（RNN）补全缺失测井数据。代理模型预测储层压力和捕集效率，以筛选潜在封存场地。
5.2. 动态建模与预测：DL架构（如ConvLSTM、深度卷积编解码器网络）作为数值模拟器的高速替代，预测CO₂羽流的时空演化。傅里叶神经算子（FNO）学习连续解算子，实现分辨率不变的快速预测，用于实时高分辨率羽流模拟。
5.3. 实时泄漏检测：时序地震监测中，DL模型（如卷积视觉Transformer）分割CO₂羽流，U-Net实现端到端反演。井下压力监测利用长短期记忆网络（LSTM）进行异常检测，混合架构增强微小异常的可检测性。
5.4. 屏障完整性评估：AI预测管道腐蚀速率，评估含缺陷管道剩余强度。井筒完整性方面，CNN分类声波测井数据评估水泥胶结质量，分布式光纤传感结合ML实现实时化学和物理监测。储层尺度上，AI辅助反演整合地表形变数据评估盖层力学完整性，支持概率风险评估。

6. AI在系统级集成与评估中的应用
6.1. 综合技术经济分析：AI替代模型将计算时间从小时级降至毫秒级，实现全局敏感性分析和多目标优化（如最小化成本与排放）。案例包括压力摆动蒸馏配置合成、生物质气化制氢优化，以及CO₂驱油项目中最小混相压力的预测。
6.2. 系统性CCUS集成：AI优化捕集单元与可再生能源电网的动态耦合，深度强化学习（DRL）解决经济调度问题。在工业集群中，聚类算法优化多源多汇网络布局，AI驱动物流系统动态调度压缩与运输。
6.3. 政策与投资优化：神经网络快速模拟器预测排放轨迹，生成式模型整合不确定性得出政策见解。AI评估社会接受度与监管合规性，量化碳社会成本，并指导资本分配和基础设施投资路径，例如DRL发现最优管道网络投资时间表。

7. 挑战与未来展望：主要障碍包括数据可用性、标准化和模型泛化性，以及“黑箱”可解释性问题。未来方向包括大型语言模型（LLM）自动化知识提取、数字孪生实现闭环监控与情景测试，以及量子计算革新材料发现。

8. 结论：AI通过加速材料发现、过程优化和系统集成，将CCUS从经验试错转变为数据驱动精度，为实现净零排放目标提供关键计算框架。但需解决数据、解释性和泛化性挑战，以实现自主智能脱碳系统。