现代文明的发展离不开化石燃料,但化石燃料也产生了大量的温室气体,导致全球变暖效应。要将升温幅度限制在1.5℃以内,到2050年全球温室气体排放量必须变为净负值。CO2是最普遍的温室气体,占总排放量的70%,因此减排至关重要且迫在眉睫。目前,包括吸收、吸附、膜分离等在内的碳捕集、利用与封存(CCUS)技术被认为是最有前途的CO2减排前沿解决方案之一。其中,利用胺类溶剂的化学吸收技术被认为是最成熟的技术,具有较高的吸收能力和选择性。尽管如此,由于腐蚀速度快和能量损失大,化学吸收仍然面临挑战。例如,基于单乙醇胺(MEA)的吸收技术的部署将导致电力成本(COE)增加80%。超过60%的COE来自再生热损失(~3.7 GJ·t-1 CO2),这对其工业应用提出了重大挑战。因此,迫切需要开发高效、节能的CO2捕集剂
由于其相对较低的能量损失,胺基相变溶剂最近被视为一种有前途和可行的吸收剂来捕获CO2。吸收CO2后,发生液-液或液-固两相分离,90%以上的CO2将被分离单相富集(富相)。只有富相进行再生,从而大大降低了感热和潜热。胺基相变溶剂通常由两种元素组成: CO2活化剂(通常是伯胺或仲胺)和再生促进剂(通常是叔胺或位阻胺)。其中,CO2活化剂一般具有多个胺基和较活跃的H原子,促进吸收反应。再生促进剂可促进CO2水化反应生成CO32-/HCO3-,提高CO2吸附负荷。此外,适当疏水的再生促进剂往往会促进相变的形成。报道的相变溶剂包括MEA/亚砜、1,4-丁二胺(BDA)/DEEA、3-甲基-氨基丙胺(MAPA)/DEEA、2-(2-氨基乙基)氨基(AEEA)/DEEA、三乙基四胺(TETA)/N、N-二甲基环己胺(DMCA)、DETA/亚砜和DETA/亚砜/五甲基二乙基三胺(PMDETA)。由于组成和性质的不同,上述相变溶剂的吸收能力和能量损失不一致,CO2负载能力为0.73~2.4 mol·L-1,再生热为1.65~3 GJ·t-1。弄清各组分对吸附性能的影响,有利于开发高效的相变溶剂。我们在之前的工作中研究了再生促进剂性能与相变溶剂吸收性能之间的关系。但活化剂的性能对CO2吸收过程的影响尚未研究。此外,研究人员总是依靠大量的实验数据来总结潜在的关系,而典型的筛选方法耗时且昂贵,严重制约了新型相变溶剂的发展。
量子计算(Quantum computation, QC)使我们能够精确计算胺分子的微观性质,揭示结构与性质之间的关系,这在CO2捕集中被广泛采用。然而,仅使用QC来筛选相变溶剂需要大量的计算成本,特别是对于复合胺吸收CO2的多原子体系。由于上述原因,机器学习(ML)作为一种强有力的新技术出现,用于提取内在属性和外在性能之间的复杂关系,促进新吸收剂的创建,并帮助研究人员做出更合理的判断。为了说明这一点,Venkatraman等利用ML预测了离子液体的CO2捕获性能,并提出了一个模型来研究离子液体的分子结构与CO2溶解度之间的关系。除了常规的吸收能力和再生热外,相变溶剂的发展还需要考虑比常规吸附剂更多的问题,如富相体积、粘度等。将ML和QC结合起来提取相变溶剂的性质与CO2吸收性能之间的关系是非常合适的,这可能会为筛选吸收性能较好的相变溶剂节省时间
本研究选取30种不同结构的活化剂和再生促进剂DEEA(来源于前人的研究,化学性质相对稳定)配制混合胺溶液,通过密度泛函理论(DFT)计算模拟其CO2吸收途径。此外,通过ML和QC建立了一套筛选吸收剂的评估系统。该评价体系解释了活化剂的理化性质与其吸附性能之间的关系,筛选出了4种具有优异动力学和热力学性能的相变溶剂。我们认为,这项工作为胺基相变溶剂的筛选奠定了一个新的视角,从而开发出具有快速吸收速率和低能量惩罚的新型相变溶剂。
图1 活化剂性能与双相稳定性的关系图
图2 活化剂性质与能垒的关系图
图3 动力学和热力学评价系统的实验分析图