Digital twin per processi di carbon capture: progettazione e analisi del sistema di assorbimento

In recent decades, growing attention to climate change has made it necessary to adopt technologies capable of significantly reducing carbon dioxide emissions. Among these, Carbon Capture and Storage (CCS) represents one of the most promising solutions for the decarbonization of the energy and industrial sectors. This work provides a detailed analysis of the main CO₂ capture technologies, with particular focus on post-combustion processes based on amine solvent absorption, currently considered the most mature and consolidated solution. After an overview of the various available technologies, a post-combustion capture plant configuration was developed and simulated using Aspen Plus, focusing on the use of monoethanolamine (MEA) as the solvent. The simulation made it possible to study the behavior of the two fundamental sections — absorber and stripper — and to evaluate their performance in terms of capture efficiency, CO₂ purity, mass and energy balances, and sensitivity to key operating parameters. The resulting model provides an accurate representation of the process, allowing the analysis of interactions between variables and the assessment of how operating conditions affect the overall performance of the plant. Subsequently, the data generated by the simulation were used to build a predictive model based on Machine Learning techniques, with the aim of exploring an alternative and faster approach to process analysis. A Random Forest model was trained to identify the most influential parameters and to estimate plant performance without the need for new full simulations, demonstrating the potential of data-driven methods as complementary tools to traditional process modeling. Finally, possible future developments are proposed, including extended parametric analyses, integration between simulation and predictive models, and a techno-economic feasibility study based on the technical data obtained, in order to assess the competitiveness and industrial applicability of the technology.

Negli ultimi decenni la crescente attenzione verso il cambiamento climatico ha reso neces- saria l’adozione di tecnologie in grado di ridurre significativamente le emissioni di anidride carbonica. Tra queste, la cattura e lo stoccaggio della CO2 (CCS) rappresentano una delle soluzioni più promettenti per la decarbonizzazione dei settori energetici e industriali. Il presente lavoro analizza in dettaglio le principali tecnologie di cattura della CO2, con particolare attenzione ai processi post-combustione basati sull’assorbimento con solventi amminici, oggi considerati la soluzione più matura e consolidata. Dopo una panoramica delle diverse tecnologie disponibili, è stata sviluppata e simulata con il software Aspen Plus una configurazione di impianto di cattura post-combustione, focalizzata sull’impiego di monoetanolammina (MEA) come solvente. La simulazione ha consentito di studiare il comportamento delle due sezioni fondamentali — assorbitore e rigeneratore — e di valutarne le prestazioni in termini di efficienza di cattura, purezza della CO2, bilanci di massa ed energia e sensibilità ai principali parametri operativi. Il modello realizzato fornisce una rappresentazione accurata del processo, permettendo di analizzare le interazioni tra le variabili e di valutare l’impatto delle condizioni operative sul funzionamento complessivo dell’impianto. In una fase successiva, i dati generati dalla simulazione sono stati utilizzati per costruire un modello predittivo basato su tecniche di Machine Learning, con l’obiettivo di esplorare un approccio alternativo e più rapido all’analisi del processo. L’addestramento di un modello di Random Forest ha permesso di individuare i parametri più influenti e di stimare le prestazioni dell’impianto senza dover ricorrere a nuove simulazioni complete, dimostrando il potenziale delle tecniche data-driven come strumenti complementari alla modellazione tradizionale. Infine, vengono proposti possibili sviluppi futuri, tra cui analisi parametriche più estese, l’integrazione tra simulazione e modelli predittivi e uno studio di fattibilità economica basato sui dati tecnici ottenuti, al fine di valutare la competitività e l’applicabilità industriale della tecnologia.