Presenterte viktige fremskritt innen karbonfangst på IEAGHG-konferansen

Bidragene understreker TCMs posisjon som et ledende testsenter for å akselerere globale løsninger for karbonfangst.

Testing i stor skala med CESAR 1

I presentasjonen Industrial Scale Carbon Capture Technology Testing at Technology Centre Mongstad: Results using CESAR 1 la TCMs Koteswara Rao Putta frem resultater fra storskala testing av fangstmiddelet CESAR 1. Med globale CO₂-utslipp som fortsetter å øke – og passerte 40 milliarder tonn i 2024 – ble behovet for dokumenterte og skalerbare fangstløsninger fremhevet.

– Aminbaserte fangstteknologier er fortsatt i front blant strategiene for å redusere karbonutslipp, sa Putta. – Vår oppgave ved TCM er å systematisk teste, validere og forbedre disse systemene, slik at de kan tas i bruk trygt i kommersiell skala. På den måten bidrar vi til å redusere tekniske, miljømessige og økonomiske risikoer for industrien.

Testkampanjene med CESAR 1 ved TCM ga avgjørende data til både industripartnere og forskningsinstitusjoner, og støttet oppskaleringen av fangstsystemer fra pilot til industriell demonstrasjon. Arbeidet inngikk også i bredere europeiske samarbeid, som AURORA-prosjektet, som skal bygge bro mellom laboratorieinnovasjon og fullskala drift.

I en tilhørende presentasjon la Ahmad Wakaa frem erfaringer fra mer enn 6 000 driftstimer med CESAR 1-testing i 2020, inkludert varmegjenvinning og utslippsmålinger ved drift med RFCC-røykgass. Resultatene viste høy effektivitet i fjerning av nedbrytningsprodukter, metaller og stabile salter, med minimalt tap av fangstmiddel og sterk ytelse.

– Ved å kombinere driftserfaring med grundige analyser av fangstmiddelet kan vi dokumentere både styrker og begrensninger ved avanserte solventer som CESAR 1, forklarte Wakaa. – Denne kunnskapen er avgjørende for operatører som skal drive fangstanlegg pålitelig og bærekraftig over tid.

Maskinlæring for smartere utslippsovervåking

Presentasjonen Exploring Predictive Emissions Monitoring of Ammonia at TCM Carbon Capture Plant Using Open-Source Machine Learning Libraries ble holdt av Fred Rugenyi. Han viste hvordan avansert dataanalyse kan forbedre miljøprestasjonen ved å forutsi fangstmiddelrelaterte utslipp, som ammoniakk.

Ved å bruke TCMs omfattende historiske datasett og maskinlæringsverktøy som Sci-kit Learn, sammenlignet studien ulike regresjonsmodeller for å forutsi utslipp. Random Forest-modellen ga de mest presise resultatene, og åpnet for smartere overvåking og tiltak i reelle driftsmiljøer.

– Maskinlæring gir oss et kraftfullt verktøy for å forstå komplekse prosesser i anlegget, påpekte Rugenyi. – Ved å forutsi utslipp kan operatørene iverksette tiltak på forhånd for å redusere miljøpåvirkning og samtidig forbedre driftsstabiliteten.

Til sammen viste disse presentasjonene hvordan TCM fungerer som en global testarena for innovasjon innen karbonfangst – både når det gjelder prosess-teknologi og digitale løsninger som blir avgjørende for å nå nullutslippsmålene.