【Ziel】 Kohlenstoffabscheidungsvorbehandlungssysteme stehen vor Problemen wie hohem Energieverbrauch, hohen Betriebskosten und instabiler Reinigungsleistung, wobei Schwankungen des pH-Werts der Waschflüssigkeit die SO2-Absorptionseffizienz erheblich beeinflussen. Als Untersuchungsobjekt wurde das Kohlenstoffabscheidungsvorbehandlungssystem eines Kraftwerks gewählt, und es wurde eine hybride Modellierungsstrategie vorgeschlagen, die mechanistische Modelle mit datengetriebenen Ansätzen kombiniert. 【Methode】 Diese Methode kombiniert die Vorteile der chemischen Reaktionskinetik und des Entscheidungsbaum-Maschinellen Lernens. Mit Python-Tools wurde ein Modell aufgebaut, das Schlüsselfaktoren wie den pH-Wert der Waschflüssigkeit und die Massenkonzentration der SO2-Emissionen am Ausgang präzise vorhersagt und durch reale Betriebsdaten validiert wurde. 【Ergebnisse】 Die Ergebnisse zeigen, dass die Korrelationskoeffizienten des Modells für den pH-Wert und die Massenkonzentration der SO2-Emissionen am Ausgang 0,85 bzw. 0,80 betragen, was eine gute Simulationsleistung widerspiegelt. Basierend auf realen Betriebsdaten wurde eine Sensitivitätsanalyse wichtiger Betriebsparameter wie Einlassabgastemperatur, Flüssig-Gas-Verhältnis und Zugabe von Lauge durchgeführt, wobei das Modell eine gute Nachführfähigkeit zeigte. 【Fazit】 Das Modell liefert eine theoretische Grundlage für die Prozessoptimierung, Energieeinsparung und stabile Betriebsführung von Kohlenstoffabscheidungsvorbehandlungssystemen.

Kohlenstoffabscheidung; Rauchgasvorbehandlung; mechanistische Modellierung; datengetrieben; pH-Wert-Vorhersage