Superstructure Optimization with Embedded Neural Networks for Sustainable Aviation Fuel Production

Resumo Técnico: Otimização de Superestrutura com Redes Neurais Embarcadas para Produção de Combustíveis Sustentáveis para Aviação

Declaração do Problema
A desfosforilização da aviação exige a produção em larga escala de Combustíveis Sustentáveis para Aviação (SAFs), especificamente hidrocarbonetos na faixa de querosene (C8–C16). Projetar vias de produção de SAFs economicamente e ambientalmente ótimas constitui um problema complexo de otimização multidimensional. Envolve uma vasta gama de matérias-primas (biomassa, CO2 capturado, H2 renovável), químicas intermediárias e tecnologias de conversão. Abordagens convencionais de otimização de superestrutura frequentemente dependem de suposições excessivamente simplificadas, como modelos de processo lineares, condições operacionais fixas e representações agrupadas de componentes. Essas simplificações falham em capturar as relações termodinâmicas não lineares e os comportamentos dependentes da composição, críticos para a síntese de SAFs, particularmente em processos como a conversão Fischer-Tropsch (FT), onde a seletividade do produto é altamente sensível aos parâmetros operacionais. Além disso, os métodos existentes frequentemente carecem da flexibilidade para otimizar simultaneamente escolhas discretas de processo e variáveis operacionais contínuas (por exemplo, temperatura, pressão, composição da alimentação), ao mesmo tempo que consideram composições detalhadas de misturas e estratégias de gestão de carbono.

Metodologia
Os autores propõem um quadro avançado de otimização multiobjetivo que integra Redes Neurais Artificiais (RNAs) como modelos substitutos orientados por dados dentro de uma formulação de Programação Quadrática com Restrições Mistas Inteiras (MIQCP).

• Formulação da Superestrutura: O quadro modela a rede de produção como um grafo generalizado com portas de entrada e saída explícitas para os processos. Diferentemente das abordagens tradicionais, as correntes são representadas como misturas onde as frações mássicas são variáveis de decisão. Isso permite a otimização simultânea da topologia do processo e das composições das correntes.
• Embarque de RNAs: Para abordar a não linearidade de subprocessos críticos sem tornar a otimização intratável, três processos críticos — gaseificação de biomassa, Reação de Inversão de Gás de Água (RWGS) e síntese FT — são modelados usando RNAs treinadas em dados rigorosos de simulação Aspen Plus®. Essas RNAs capturam a dependência não linear das composições de saída, seletividade e demandas energéticas em relação às condições operacionais (por exemplo, temperatura do reator, pressão, razões de entrada).
• Integração Matemática: As RNAs ativadas por ReLU treinadas são embarcadas no problema MIQCP usando reformulações de Programação Linear Mista Inteira (MILP) (via o Toolkit de Otimização e Aprendizado de Máquina, OMLT). Essa abordagem preserva a tratabilidade computacional da otimização global enquanto representa com precisão comportamentos não lineares complexos.
• Objetivos de Otimização: O quadro resolve um problema multiobjetivo minimizando os custos anuais totalizados (CAPEX e OPEX) enquanto restringe sistematicamente as emissões totais de CO2 (incluindo produção e combustão). O método da restrição $\epsilon$ é utilizado para gerar fronteiras de Pareto-ótimas.
• Limites do Sistema: O estudo considera uma superestrutura abrangente incluindo gaseificação de biomassa (miscanto, palha de trigo, aparas de pinus), reforma auto térmica (ATR) de gás natural, captura direta do ar (DAC), eletrólise da água e sequestro de carbono (CS).

Principais Contribuições

1. Formulação Avançada de MIQCP: Desenvolvimento de uma formulação de superestrutura que incorpora explicitamente as composições das correntes como variáveis de decisão, permitindo a otimização das frações mássicas em toda a rede.
2. Modelagem Substituta Embarcada: Integração bem-sucedida de RNAs em um quadro de otimização global para modelar comportamentos não lineares de processo, permitindo que as condições operacionais (temperatura, pressão, composição da alimentação) sejam tratadas como variáveis de decisão em vez de parâmetros fixos.
3. Aplicação a SAFs Baseados em FT: Aplicação deste quadro à síntese de querosene via FT, demonstrando a capacidade de lidar com restrições complexas de mistura e gestão de carbono.
4. Demonstração de Flexibilidade: Prova de que permitir maiores graus de liberdade no nível da operação unitária, habilitados por substitutos de rede neural, leva a um desempenho superior do sistema em termos de custo e intensidade de CO2 em comparação com projetos de parâmetros fixos.

Resultados

• Compromisso entre Custo e Emissões: Sob emissões de CO2 não restritas, a configuração de menor custo depende exclusivamente da rota baseada em fósseis ATR (0,79 USD/kg de querosene) com altas emissões (4,47 kg CO2/kg). A imposição de restrições de carbono exige a integração de gaseificação de biomassa e DAC-CS.
• Vias Ótimas: No limite de emissão zero, configurações híbridas combinando ATR e gaseificação de biomassa alcançam os menores custos (2,38 USD/kg), seguidas de perto pela gaseificação apenas de biomassa (2,43 USD/kg). Ambas superam a via apenas ATR com DAC-CS (~2,65 USD/kg).
• Limitações Apenas DAC: Vias que dependem exclusivamente de CO2 atmosférico (DAC) e eletrólise da água são encontradas como proibitivamente caras (~10,8 USD/kg), destacando as penalidades termodinâmicas e econômicas do uso de fontes de carbono totalmente oxidadas.
• Abatimento de Carbono: O custo de abatimento de CO2 para SAFs baseados em biomassa é estimado em aproximadamente 390 USD/tCO2. Alcançar emissões líquidas zero ou negativas requer sequestro de carbono; a biomassa sozinha é insuficiente devido às emissões da cadeia de suprimentos.
• Adaptabilidade vs. Projeto Fixo: Uma análise de sensibilidade comparando projetos "adaptáveis" (condições operacionais otimizadas) versus "fixos" (condições predeterminadas) revela que a adaptabilidade gera economias de custo de até 20%. Parâmetros operacionais ótimos (por exemplo, pressão do reator FT, temperatura de gaseificação) deslocam-se significativamente em resposta a fatores externos como preços de eletricidade.
• Integração Térmica: O benefício econômico da integração térmica é encontrado como dependente do projeto. Oferece economias marginais (7%) em sistemas baseados em biomassa, mas torna-se crítico (14% de economias) em sistemas que dependem de DAC devido à alta demanda térmica da dessorção de CO2.

Significado e Alegações
O artigo alega que a metodologia proposta supera as limitações inerentes das abordagens convencionais baseadas em superestrutura, permitindo a otimização conjunta de decisões discretas do sistema e parâmetros operacionais contínuos dentro de um quadro matemático rigoroso. Ao embarcar modelos substitutos orientados por dados, o estudo demonstra que considerar composições variáveis de correntes e comportamentos não lineares de processo é essencial para identificar rotas de produção de SAF verdadeiramente ótimas. Os resultados sublinham que a produção de SAFs alinhada ao clima e economicamente viável depende da introdução de carbono em formas termodinamicamente favoráveis (biomassa ou metano) em vez de como CO2 totalmente oxidado. Além disso, o estudo destaca que a flexibilidade para adaptar as condições operacionais do processo a ambientes tecnoeconômicos em mudança é um driver crítico, frequentemente negligenciado, do desempenho econômico, oferecendo reduções significativas de custos em relação a abordagens de projeto estático. Os autores observam que, embora o quadro seja robusto, sua precisão é contingente à fidelidade das simulações de processo subjacentes usadas para treinar as RNAs, e trabalhos futuros poderiam expandir o escopo para incluir mais subprocessos e tecnologias de upgrading a jusante.