Global uppvärmning på̊ grund av utsläpp av växthusgaser är ett globalt problem, med en förutspådd ökning av den globala medeltemperaturen med 2°C inom 30 år. En teknik för att hantera det är koldioxidavskiljning och förvaring med hjälp av bioenergi (BECCS). BECCS involverar absorption genom lösningsmedel som nyckelsteget för avlägsnande av CO₂ från förbränningsrökgas. Ett framträdande lösningsmedel för BECCS är vattenlöslig kaliumkarbonat (K₂CO₃). Drift av en BECCS fabrik kräver analys av lösningsmedlet för att avgöra mängden CO₂ som tagits upp av lösningsmedlet. Idag förlitar man sig till mätningar gjorda offline, vilka är dyra och långsamma. 

I det här arbetet utforskar vi FTIR i kombination med mätningar av fysikalisk-kemiska egenskaper för lösningsmedelsanalys av K₂CO₃-lösningar. FTIR och fysikalisk- kemiska egenskaper kan mätas på plats, vilket gör de lämpliga för online-analys. Det här arbetet utvecklar modeller för analys av datan från sensorerna som i en framtida uppsättning fås från sådana online-mätningar. Ett träningsset av efterliknade prover med olika lösnings- styrka och laddning skapades och mättes i labbet. Uppsättningen av data användes för att träna modeller baserat på principalkomponentanalys (PCA), partiell minsta kvadratregression (PLS) och feed-forward neuralt nätverk (FFNN). De tränade modellerna användes för att analysera prover av lösningsmedel erhållna från en faktisk BECCS fabrik i pilotskala. 

Resultaten visade att FTIR är ett kraftfullt verktyg för att analysera absorptionslösningsmedel. Medan PCA visade bra exakthet men dålig robusthet, visade PLS motsatsen med bättre robusthet men sämre exakthet. Att inkorporera FTIR och fysikalisk-kemiska egenskaper in i en FFNN-modell ledde till detekterbara förbättringar av modellens styrka att förutspå resultat. Dock, på grund av den relativt lilla uppsättningen av data som användes för att träna FFNN är dess förmåga att exakt förutspå de faktiska fältproverna relativt låg.

Global warming due to emissions of greenhouse gasses is a global problem, with a predicted global average temperature increase of 2°C within 30 years. A technique for tackling this is bioenergy carbon capture and storage (BECCS). BECCS involves solvent absorption as the key step for removal of CO₂ from combustion flue gases. A prominent solvent for BECCS is aqueous potassium carbonate (K₂CO₃). Operating a BECCS plant requires solvent analysis to determine the amount of CO2 taken up by the solvent. Today, it relies on off-line measurements, which are expensive and slow. 

In this work, we explore FTIR in combination with measurements of physico-chemical properties for solvent analysis of K₂CO₃ solutions. FTIR and physico-chemical properties can be measured in-situ, which makes them suitable for on-line analysis. This work deals with the development of models for the analysis of the sensor data that, in a future setup, would be obtained from such online measurements. A training set of mimicked samples with different solvent strength and loading was created and measured in the laboratory. The data set was used for training models based on principal component analysis (PCA), partial least-square regression (PLS) and feed- forward neural network (FFNN). The trained models were used to analyse solvent samples obtained from an actual BECCS pilot plant. 

The results showed that FTIR is a powerful tool for analysis of absorption solvents. While PCA showed good accuracy but poor robustness, PLS performed oppositely by showing better robustness but lower accuracy. Incorporating FTIR and physico- chemical properties into an FFNN model led to detectable improvements of the predictive power of the model. However due to the relatively small data set used to train the FFNN its accuracy to predict the actual field samples is relatively low.