|
|
| Các nhà khoa học KAUST sử dụng AI và mô hình Máy học thiết kế loại nhiên liệu hiệu quả hơn, giảm khí thải carbon dioxide. Ảnh: Shutterstock |
Phương pháp thiết kế hỗn hợp nghịch đảo dựa trên Máy học, có thể dạy máy tính tạo hỗn hợp nhiên liệu từ một tập hợp các thuộc tính mục tiêu. Được phát triển bởi Đại học Khoa học và Công nghệ King Abdullah (KAUST), Arab Saudi, phương pháp này có thể giúp tìm được nhiên liệu vận tải hiệu suất cao, đốt cháy hiệu quả đồng thời xả thải ít hơn carbon dioxide (CO 2) vào bầu khí quyển.
Khí thải nhà kính là nguyên nhân chính làm tăng nhiệt độ toàn cầu. Một phần lớn lượng khí thải CO 2 đến từ quá trình đốt cháy nhiên liệu hydrocarbon như xăng, cung cấp năng lượng cho hầu hết các loại động cơ ô tô, xe máy.
Trước khi thế giới có thể chuyển sang hoàn toàn nhiên liệu sạch, không phát thải carbon, một giải pháp đáng quan tâm cho những vấn đề môi trường thời điểm hiện nay là chế tạo các loại nhiên liệu vận tải nâng cao hiệu quả quy trình đốt và giảm lượng khí thải carbon.
Đã có nhiều phương pháp được phát triển để sàng lọc nhiên liệu, nhưng những phương pháp này thường chỉ được xác nhận trên các hỗn hợp nhỏ hơn hoặc yêu cầu xử lý trước bổ sung, khiến các cấu hình này không phù hợp với phương pháp thiết kế nhiên liệu nghịch đảo.
Một trong những tác giả của công trình nghiên cứu, nghiên cứu sinh TS Nursulu Kuzhagaliyeva thuộc nhóm nghiên cứu của Mani Sarathy cho biết: “Điểm nghẽn chính là sàng lọc các hỗn hợp phức tạp, chứa hàng trăm thành phần để dự đoán tác động phối hợp và đối kháng của các thành phần đối với những đặc tính của hỗn hợp nhiên liệu kết quả”.
Nhóm nghiên cứu của Kuzhagaliyeva và Sarathy xây dựng một mô hình Học sâu, tổng hợp nhiều mạng nhỏ hơn dành riêng cho những nhiệm vụ cụ thể để sàng lọc nhiên liệu một cách hiệu quả. TS Kuzhagaliyeva nói: “Phân tích các thành phần nhiên liệu này rất phù hợp cho ứng dụng Học sâu, cho phép xác định được các tương tác phi tuyến tính giữa các thành phần.
Trong phương pháp thiết kế nghịch đảo, đầu tiên các nhà khoa học xác định những đặc tính liên quan đến quá trình đốt cháy như chất lượng bùng cháy của nhiên liệu và xu hướng phát triển tiếp theo, từ đó xác định nhiên liệu tiềm năng theo những đặc tính tối ưu trong quá trình cháy.
Dữ liệu thử nghiệm các loại nhiên liệu và thành phần nhiên liệu rất khan hiếm. Do đó, các nhà khoa học đã xây dựng một cơ sở dữ liệu rộng, sử dụng những phép đo thực nghiệm từ các vật chất để đào tạo mô hình Học sâu.
Cơ sở dữ liệu bao gồm các loại hợp chất tinh khiết khác nhau, hỗn hợp nhiên liệu đơn thành phần và hỗn hợp phức tạp nhiều thành phân như xăng ô tô hiện nay.
Nghiên cứu sinh TS Kuzhagaliyeva cho biết, không có mô hình cấu tạo phân tử của nhiên liệu nào thích ứng được với thiết kế nhiên liệu nghịch đảo, do đó các nhà khoa học phải nhúng các vectơ đặc tính vào mô hình Học sâu xác định nhiên liệu được tối ưu hóa.
Lấy ý tưởng từ những kỹ thuật xử lý văn bản, liên kết các từ với cụm từ bằng phương pháp sử dụng vectơ ẩn, nhóm nghiên cứu đưa vào toán tử trộn kết nối trực tiếp với những đặc tính ẩn của các hợp chất và hỗn hợp tinh khiết nhiên liệu bằng phương pháp kết hợp tuyến tính.
Mô hình đã dự đoán chính xác chất lượng đốt cháy nhiên liệu và xu hướng phát triển của những phân tử và hỗn hợp khác nhau. Mô hình Học sâu cũng xác định một số hỗn hợp nhiên liệu phù hợp với những tiêu chí nhiên liệu mà các nhà khoa học xác định trước.
Nhóm nghiên cứu hiện đang nâng cao độ chính xác của mô hình nhiên liệu tối ưu, mở rộng cơ sở dữ liệu đặc tính đối với những tiêu chí khác như độ bay hơi, độ nhớt và sự hình thành chất gây ô nhiễm.
Công cụ ứng dụng Học sâu đang được hoàn thiện để tạo ra nhiên liệu điện tử (e-fuels) như xăng và nhiên liệu hàng không tổng hợp. TS Kuzhagaliyeva nói: “Chúng tôi đang phát triển một nền tảng AI trên đám mây, cho phép những nhà nghiên cứu khác sử dụng công cụ này.
Theo Tech Xplore