在全球碳中和的大背景下，碳捕获技术是减少工业碳排放的重要手段。但你知道吗？碳捕获过程中，溶剂（比如碳酸钾溶液）的“状态”——能吸收多少二氧化碳（负载量）、本身浓度多高（强度）——直接影响着整个系统的效率和能耗。传统方法靠滴定测量，又慢又容易出错；有没有更高效的办法？瑞典皇家理工学院的研究团队在《Frontiers of Chemical Science and Engineering》期刊上给出了答案：通过开发经验模型和AI（前馈神经网络）模型，能快速、精准预测碳酸钾溶液的关键特性，准确率超99%。

碳捕获的“痛点”：溶剂状态难监测

碳捕获的核心是用溶剂“吃掉”工业废气中的二氧化碳，再通过加热让溶剂“吐出”二氧化碳，循环使用。但溶剂的负载量（吸收了多少二氧化碳）和强度（自身浓度）是关键——负载太低，溶剂没“吃饱”，得循环更多次，费电；负载太高，溶剂“撑着了”，加热再生时能耗暴增。过去，监测这两个指标主要靠滴定法：取点溶剂，加试剂反应，看用了多少试剂。但这种方法耗时、费人工，还容易测不准，影响碳捕获效率。

破解“状态密码”：经验模型+AI双管齐下

研究团队做了两件事：一是用实验数据拟合出经验公式，直接通过温度、浓度等参数计算溶剂的密度、折射率、电导率和pH值；二是训练了一个AI模型（前馈神经网络），反过来用这些物理化学性质（比如密度多高、电导率多少）去反推溶剂的负载量和强度。

经验模型有多准？

• 密度：随着溶剂浓度升高，密度变大；温度升高，密度变小。模型预测值和实验数据的匹配度高达99.97%（R²=0.9997），误差不到0.1%。
• 折射率：和密度趋势类似，浓度越高、温度越低，折射率越大。模型R²=0.9994，误差仅0.0189%。
• 电导率：浓度越高、温度越高，电导率越大；但负载量越高（吸收的二氧化碳越多），电导率反而下降——因为二氧化碳和碳酸钾反应生成碳酸氢钾，后者的离子“跑”得更慢。模型在不同负载量下的R²都超99.9%。

AI模型更“聪明”
团队用8种不同的输入组合（比如单独用红外光谱、单独用物理性质，或两者结合）训练AI，发现效果最好的是“物理性质+红外/紫外光谱+全温度数据”。这种情况下，AI预测溶剂强度的准确率接近100%（R²=1.0），预测负载量的准确率也超99.9%（R²=0.99966）。甚至，就算测不到pH值，用红外、紫外光谱和其他物理性质，AI依然能保持高准确率。

实际应用：给碳捕获装“实时体检仪”

想象一下，未来的碳捕获工厂里，传感器实时测溶剂的密度、电导率等参数，AI模型秒级算出溶剂的负载量和强度，系统自动调整吸收和再生条件——既不让溶剂“饿肚子”，也不让它“撑着”，能耗自然降下来。研究显示，这种方法比传统滴定快得多，还能避免人为误差，为碳捕获的高效运行提供了“实时体检”能力。

局限与未来：向非理想条件“进军”

当然，目前的pH模型还有提升空间——它假设溶液是“理想状态”，但实际溶液可能有杂质或非理想行为，导致预测有偏差。团队下一步计划优化反应动力学参数，让模型更贴近真实场景。未来，这种技术还可能扩展到其他碳捕获溶剂（比如胺类溶液），为全球碳中和提供更精准的技术支撑。

来源: 化学工程前沿FCSE