Teknisk innhold
Vi bruker dataassistert tilnærming for å gjøre utviklingen av nye
CO2 absorbenter med forbedrede egenskaper mer effektiv. Vår metode er
basert på en evolusjonær algoritme (EA) som er en global
optimeringsmetode som sørger for at absorbenter med mange optimale
egenskaper kan nås. Nye strukturer er automatisk satt sammen og
evaluert av en eller flere fitnessfunksjoner som er direkte relaterte
til observert CO2 absorpsjon eller til teoretisk beregnede egenskaper
som er sterkt korrelerte med observasjoner. Sentralt for metoden er
utviklingen av fitnessfunksjoner som er basert på prediktive
kvantitative struktur-egenskaps relasjonsmodeller (QSPR) for å gjøre
den iterative evolusjonære algoritmen beregningsmessig mulig.
Merverdi av prosjektet
Suksessen til den foreslåtte de novo metoden kan bli en game-changer
for karbonfangst fordi den sørger for at utviklingsprosessen som
produserer billigere og bedre absorbentmolekyler blir betydelig
effektivisert. De økonomiske og miljømessige påvirkningene kan være
signifikante.
Forskningsutfordringer
Det er tre hovedområder for utfordringer i prosjektet: 1) den
praktiske organiske syntesen av foreslåtte strukturer fra modellering
fordi organisk syntese generelt er vanskelig og tidkrevende, 2)
testing av nye forbindelser for deres egenskaper som CO2 fangst og
toxisitet i små volumer, og 3) matematisk modellering av relevante
egenskaper og det teoretiske søket etter nye, synteserbare strukturer.
Resultater så langt
En serie med 40 nye imidazoler har blitt syntetisert og testet for
egenskaper som CO2-absorbans, viskositet, tetthet og likevektsdata. I
tillegg, flere nye syntetiske strukturer har blitt utviklet for
ioniske væsker som også vil bli testet i membraner for å øke CO2
selektivitet.
Det nye apparatet som er utviklet i prosjektet muliggjør
eksperimentell screening og karakterisering av nye CO2 absorbenter som
ennå ikke er tilgjengelige som bulk kjemikalier. Instrumentet tillater
rask og automatisk screening av absorbenter på en mililiter
skala. Måleresultatene er sammenliknbare med resultater man får fra
større instrumenter. Den utviklede in-situ online monitoreringen av
CO2-loading i løsning og gassfase konsentrasjoner i apparatet kan også
være relevant for fremtidig online prosessinstrumentering i CO2 fangst
anlegg.
QSPR modeller for å predikere egenskaper til ioniske væsker som
termisk dekomponeringstemperaturer, grad av CO2 fangst, smeltepunkt,
brytningsindeks og konduktivitet har blitt utviklet. Totalt 2098
kationer og 336 anioner til nå er blitt ekstrahert fra litteraturen og
brukt til å lage over 700000 teoretiske ioniske væske kombinasjoner
hvor bare en liten prosentdel (ca 1%) har blitt eksperimentelt
testet. På basis av dette har vi derfor satt igang konstruksjonen av
en database som vil inneholde strukturene til kationene og anionene,
deres predikerte egenskaper fra både maskinlæring og kvantekjemiske
metoder sammen med eksperimentelle data der disse er tilgjengelige.
En kombinatorisk kjemibasert tilnærming ble også etablert hvor over 200000 kationer (spenner over 7 forskjellige kjemiske grupper) og 38 anioner ble brukt til å samle nær 8 millioner ioniske væsker. Virtual screening basert på maskininnlæringsmodeller for ulike egenskaper som er tillatt for ioniske væsker som skal innstilles til de forskjellige anvendelsesområdene som celluloseoppløsning, gassopptak, elektrokjemi og biologi.
Using a combination of Darwin inspired evolutionary design, machine learning and quantum chemical approaches, novel solvents for CO2 capture applications have been developed. The solvents span a range of chemistries, including amines, imidazoles and ionic liquids. The chemical and physical properties of these solvents with and without CO2 has been investigated, both theoretically and experimentally. The set-up allows for high-throughput combinatorial screening of molecules with desired properties.
We propose to employ a recently developed de novo design software to develop new absorbents, such as amines, amino acids and ionic liquids, for carbon capture. Our software has been successfully demonstrated to work in catalyst discovery and has the poten tial to boost development of new and more efficient absorbent molecules that are also cheap and easy to synthesize.
Our method is based on an evolutionary algorithm (EA), a global optimization method ensuring that absorbents with optimal properties are r eached. New structures are automatically assembled and evaluated by one or several fitness functions, which are here directly related to the observed absorption of CO2 or to theoretically computed properties highly correlated with observations. Central to the method is the development of fitness functions based on highly predictive quantitative structure-property relationship (QSPR) models to make the iterative evolutionary algorithm computationally tractable.
The success of the proposed de novo method could be a game-changer for carbon capture as it enables considerable speed-up of the development process and gives cheaper and better absorbent molecules. The economic and environmental impact could be significant.