Computational Modelling and Multivariate Statistical Analysis of Hot Potassium Carbonate Carbon Capture Plants

This thesis explores the computational and statistical modeling of three post-combustion multi-scale carbon capture processes that utilize Hot Potassium Carbonate (HPC) as a solvent: CapsolGo®, CapsolEoP®, and CapsolGT®. The work focuses on constructing precise Aspen Hysys simulation models to achieve high CO₂ capture rates (>90-95%) with optimal energy consumption. Additionally, the research introduces and investigates novel process topologies aimed at optimizing energy consumption and enhancing plant operations. Furthermore, multiple sensitivity analyses were conducted, including multivariate analysis, to establish accurate predictive statistical models that describe each process's key performance variables based on data derived from hundreds of simulation runs. To accomplish this computationally and timely intensive task, several automation codes were developed using MATLAB, creating an integrated MATLAB-Hysys-Excel-Stat Ease interface. This interface streamlines experimental design, data collection, analysis, and the generation of predictive correlational models. The primary results of this thesis demonstrate that the CapsolGo® simulation model achieves an accuracy of 96.64%, with its novel topologies enhancing capture rates and energy efficiency. CapsolEoP® achieves 95.68% accuracy, with novel Topology B delivering 13.74% total energy savings compared to the base process, and novel Topologies A and C achieving 6.55% and 5.93%, respectively. Specific energy savings for CapsolEoP®’s novel topologies are also significant, with Topology B achieving 10.98%, and Topologies A and C achieving 6.55% and 4.88%, respectively. CapsolGT® achieves an accuracy of 94.13%. The automation program led to a tenfold increase in the speed of multivariate sensitivity analysis, significantly streamlining processes. The established correlative models demonstrate strong predictive capabilities, with R2 values ranging from 0.905 to 0.987 for CapsolGo®, 0.975 to 0.999 for CapsolEoP®, and 0.998 to 0.999 for CapsolGT®, providing valuable insights for optimizing operational efficiency and energy consumption in the studied processes.

Questa tesi esplora la modellazione computazionale e statistica di tre processi di cattura del carbonio post-combustione su scala multipla che utilizzano il carbonato di potassio caldo (HPC) come solvente: CapsolGo®, CapsolEoP® e CapsolGT®. Il lavoro si concentra sulla costruzione di precisi modelli di simulazione Aspen Hysys per ottenere elevati tassi di cattura di CO₂ (>90-95%) con un consumo energetico ottimale. Inoltre, la ricerca introduce e studia nuove topologie di processo volte a ottimizzare il consumo energetico e a migliorare le operazioni dell'impianto. Inoltre, sono state condotte molteplici analisi di sensibilità, compresa l'analisi multivariata, per stabilire modelli statistici predittivi accurati che descrivono le variabili chiave delle prestazioni di ciascun processo sulla base dei dati ricavati da centinaia di simulazioni. Per svolgere questo compito impegnativo dal punto di vista del calcolo e della tempistica, sono stati sviluppati diversi codici di automazione utilizzando MATLAB, creando un'interfaccia integrata MATLAB-Hysys-Excel-Stat Ease. Questa interfaccia semplifica la progettazione sperimentale, la raccolta dei dati, l'analisi e la generazione di modelli correlazionali predittivi. I risultati principali di questa tesi dimostrano che il modello di simulazione CapsolGo® raggiunge un'accuratezza del 96,64%, con le nuove topologie che migliorano i tassi di cattura e l'efficienza energetica. CapsolEoP® raggiunge un'accuratezza del 95,68%, con la nuova topologia B che offre un risparmio energetico totale del 13,74% rispetto al processo di base, mentre le nuove topologie A e C ottengono rispettivamente il 6,55% e il 5,93%. Anche i risparmi energetici specifici delle nuove topologie di CapsolEoP® sono significativi, con la Topologia B che ottiene il 10,98% e le Topologie A e C che ottengono rispettivamente il 6,55% e il 4,88%. CapsolGT® raggiunge un'accuratezza del 94,13%. Il programma di automazione ha permesso di decuplicare la velocità dell'analisi di sensibilità multivariata, snellendo notevolmente i processi. I modelli correlativi stabiliti dimostrano una forte capacità predittiva, con valori R2 che vanno da 0,905 a 0,987 per CapsolGo®, da 0,975 a 0,999 per CapsolEoP® e da 0,998 a 0,999 per CapsolGT®, fornendo preziose indicazioni per l'ottimizzazione dell'efficienza operativa e del consumo energetico nei processi studiati.