Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

鬼月談鬼火(下):鬼火等於磷火?分析鬼火的真正成因

臺北地方異聞工作室_96
・2019/08/15 ・3564字 ・閱讀時間約 7 分鐘 ・SR值 524 ・七年級

文/楊海彥(小波)

上一集,我們回顧了臺灣的鬼火傳說,並歸納出鬼火的幾個特點,分別是:(1)通常在夜裡出沒,(2)在墓地、河畔或是海濱都可能見到,(3)顏色以淡藍色為主,但也有橘紅色的伯公火,(4)火焰的數量可能是一至多個,且(5)有會跟著人跑的紀錄。

可是這樣一來,「屍體骨頭中的磷因高溫自燃產生鬼火」這個說法,似乎就有些站不住腳了。

磷火的幾個疑點

磷質佔人體體重的 1%,一個大約 70 公斤的成年男子,體內大約會有 700 公克左右的磷。其中又以無機鹽類狀態與鈣結合者最多,佔 85%,形成骨骼,牙齒中不溶性的磷灰石。1

骨骼中的磷的確不少,但鬼火=磷這個解釋這樣就可靠了嗎?Image by Eliane Meyer from Pixabay

一個人能提供 700 公克左右的磷作為鬼火的燃料,這樣的量看來並不少。而磷源自屍體中的骨頭和牙齒,也足以解釋鬼火為何通常在墓地出現,河畔與海濱也可以視為富含水生動物的骸骨。再加上磷的自燃溫度大約攝氏 34 度,越潮濕自燃溫度越低,只要夏天氣溫夠高就可能引發自燃。

磷似乎完美解釋了鬼火如何產生,只是有個問題:磷燃燒的火焰不是淡藍色。

這是國外 Youtuber 拍攝的白磷燃燒的影片。影片中可以看見,白磷燃燒的反應相當激烈,焰色是橘黃色,並伴隨產生大量的濃煙(這也是為什麼白磷是煙霧彈的主要成分),這與目擊描述中幽幽飄盪的淡藍色鬼火一點也不相像。更重要的是,磷並不以純物質的狀態存在於自然界中,因此形成鬼火的不可能是純磷。

另一個自燃的可能人選是磷化氫(PH3)。這是一種無色、可燃、劇毒的氣體,是屍體分解後的產物之一。一般來說磷化氫沒有味道,但伴隨產生的聯膦(P2H2)具有魚腥或大蒜的臭味,兩者混合時,在空氣中極度容易自燃。

即便如此,磷化氫與聯膦的燃燒一樣既快速又猛烈,與鬼火相去甚遠:

這樣一來,鬼火到底是如何形成的?

鬼火到底是什麼?從古至今都有人在研究

中國早在南宋時期,就有人提出磷與鬼火之間的關係。陸遊《老學庵筆記˙卷四》中提到:「予年十餘歲時,見郊野間鬼火至多,麥苗稻穗之杪往往出火,色正青,俄復不見。蓋是時去兵亂未久,所謂人血為磷者,信不妄也。今則絕不復見,見者輒以為怪矣。」到了清代,紀曉嵐的《閱微草堂筆記˙第九卷》更直接寫道:「磷為鬼火。」

日治時期的臺灣,正處於日本明治維新後,破除迷信、科學至上的氛圍中,當時漢文臺灣日日新報上也出現了一篇〈捉燐辯惑〉,故事大概是這樣:作者在學校看見鬼火,日人校長便讓眾人一起抓鬼火,沒多久校長抓到了,眾人一看卻只是一片枯葉。正疑惑這怎麼會是鬼火,校長便要大家進到屋內,不一會,枯葉刷地一聲燃燒起來,就像有人摩擦燐石一樣,眾人非常詫異。校長於是趁機教育眾人,鬼火就是燐火,是磷素和水素和合而成。2

看到鬼火也要趁機教化學,這校長也不太容易。(誤)Image by HG-Fotografie from Pixabay

值得一提的是,即使早自宋朝,乃至清朝、日治時期,就已經有人知道鬼火與磷之間的關係,那也是少數知識分子的事,民間對於鬼火的忌諱並沒有減少多少,否則也不會有那麼多鬼火傳說了。

東方是如此,那西方又是如何呢?

西方解釋鬼火的思路:天然氣?

與東方認為鬼火與磷有關的思路不同,西方人最開始認為鬼火與天然氣有關。

西元 1596 年,一名叫 Ludwig Lavater 的神學家,在其著作《Of Ghostes and Spirites, Walking by Night: And of Straunge Noyses, Crackes, and Sundrie forewarnings, which commonly happen before the death of men: Great Slaughters, and alterations of Kingdomes》(對,書名就是這麼長),書中〈That many naturall things are taken to be ghoasts〉的章節中,便認為鬼火是由富含硫磺的礦脈燃燒導致。3, 4

到了 1776 年,亞歷山德羅˙伏打在讀完一篇由班傑明‧富蘭克林所著,關於「可燃空氣」的論文後研究並發現甲烷。在研究甲烷期間,他提出可能由於自然界中的電,比如閃電,與沼氣中的甲烷反應,才導致鬼火的產生。這個論點被當時的學界廣泛接受。(值得一提的是,亞歷山德羅‧伏打後來發明了世界第一個電池,並且成為今天電勢的單位,伏特。)

世界各地的鬼火焰色跟溫度都有所不同。Image by Waldkunst from Pixabay

目前為止都只是紙上談兵,要一直到1832年,Louis Blesson才算真正開始對自然界產生的鬼火進行研究。

他到世界各地發生鬼火的地方進行實驗,發覺不同地區的鬼火,焰色與溫度也會不同。此外當他第一次接觸鬼火,便意外發現鬼火會在他接近時後退,並且非常容易被他的呼吸吹動;他必須撇過頭、站定一會,鬼火才回到原位。不只如此,沼氣引發的鬼火在夜晚離地面比較高,越接近黎明就越低,最後消失無蹤3。這兩者很好地解釋了鬼火為何會移動,以及為何只有在夜晚才看得到鬼火。

與鬼火性質最接近的答案:冷焰

1980 年,英國的地理學家 Alan A. Mills,第一次嘗試在實驗室裡複製鬼火。

他混合了油狀的磷化氫與天然氣,成功產生了綠色的火光,然而大量刺鼻煙霧也伴隨產生,與自然界中看到的鬼火實在相差甚遠。但他持續進行研究,直到 2000 年時,重新提出鬼火可能是一種「冷焰」。4

所謂的冷焰是一種最高溫度低於攝氏 400 度的火焰,通常必須以特定的比例混合燃料與空氣才會產生。與一般火焰不同之處在於,冷焰的燃燒反應並不激烈,且只會釋放些許的光、熱和二氧化碳,這是因為一般的燃燒會將化合物完全分解與氧氣結合,但冷焰的燃燒互相反應的幾乎都是部份分解的化合物自身。冷焰在日常生活中不常見,但卻是引擎發生爆震的主要原因。5

冷焰不僅溫度低、燃燒不劇烈,導致必須在非常暗的地方才可看見,焰色光譜大多落在藍色與紫色之間,更重要的是,天然氣也符合產生冷焰的條件!屍體分解後不僅會產生磷化氫,更會產生大量甲烷,雖然沼氣與天然氣不盡相同,但成分接近的沼氣產生冷焰,是有可能的。

有興趣的話,上面影片就是在實驗室中製造了冷焰。

世界上的鬼火目擊事件眾多,我們無法確認每一起鬼火事件引發的真正原因。不過若是以臺灣來看,根據上一集蒐集的傳說,冷焰已經很好地解釋大部分鬼火的特性。

總結來說,整個鬼火產生的故事應該是這樣的:墳場或河畔、海濱的屍體腐壞,產生磷化氫聯膦甲烷,因為種種原因,這些氣體逸散出來,甲烷與空氣恰好混合成能夠形成冷焰的比例,磷化氫和聯膦再自燃形成火源,便能產生淡藍色的、幽幽飄盪的鬼火。若是混合的比例不對,單純燃燒甲烷,那便會成為橘紅色的伯公火。

除了冷焰之外,還有其它的解釋

除了冷焰之外,科學家也提出其它鬼火的可能成因。2008 年,義大利的化學家 Luigi Garlaschelli和Paolo Boschetti 提出了「化學發光」的假說;他們將磷化氫與空氣和氮氣混合,製造出一種黯淡的綠色冷光,雖然伴隨著煙霧和臭味,但根據他們的說法,只要調整環境中的溫度、溼度等條件,煙霧和異味都可以消除,而且人眼在黑暗中難以辨別顏色,把綠色看成淡藍色是有可能的。6

此外,還有地質學家提出因地殼變動的「壓電效應」產生的「地電」,以及森林中的生物──比如某些蜜環菌屬的菇類、微生物、昆蟲──所發出的「生物螢光」兩種假說,不過礙於篇幅便不多作介紹。

螢光蕈經過長時間曝光的攝影作品。圖/wiki commons

近代,鬼火的目擊事件越來越少,這不僅是在臺灣,全世界都是一樣。除了因為火葬逐漸取代了土葬,也是因為沼澤與森林被大肆開發,就像失去棲地的動物,鬼火也失去了生成的源頭。過往的神祕傳說,在文明與科技的發展中逐漸消失,彷彿是某種詩意又悲劇的比喻,卻是實在發生的過程。

過去我們常說的「鬼火即磷火」看似科學,實際上卻是過度簡化的解釋,偏偏我們大多數人對此深信不疑。部份的人認為傳統迷信又落後,擁有科學至上的想像,但若是對事物的成因不求甚解,科學和迷信又有什麼不同呢?

資料來源

  1. 維基百科-磷質
  2. 〈捉燐辯惑〉。1907年7月6日,漢文臺灣日日新報。
  3. 《Of Ghostes and Spirites, Walking by Night: And of Straunge Noyses, Crackes, and Sundrie forewarnings, which commonly happen before the death of men: Great Slaughters, and alterations of Kingdomes》,〈That many naturall things are taken to be ghoasts
  4. Wikipedia-Will-o’-the-wisp
  5. Wikipedia-Cool flame
  6. Wikipedia- Chemiluminescence


【作者簡介】楊海彥/
轉換多次跑道,最終決定與朋友們一起開妖怪工作室。目前專注於台灣怪談研究,擅長將台灣文史和民俗轉化為故事,也設計實境遊戲和桌遊。嗜讀奇幻文學,熱愛電影,喜歡咖啡也喜歡茶,養一隻以拿鐵為名的貓。

文章難易度
臺北地方異聞工作室_96
23 篇文章 ・ 256 位粉絲
妖怪就是文化!北地異工作室長期從事臺灣怪談、民俗、文史的考據和研究,並將之轉化成吸引人的故事和遊戲。成員來自政大與臺大奇幻社,從大學時期就開始一起玩實境遊戲和寫小說,熱愛書本、電影和實地考察。 歡迎來我們的臉書專頁追蹤我們的近況~https://www.facebook.com/TPE.Legend

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

文章難易度

討論功能關閉中。

1

3
4

文字

分享

1
3
4
改良天然氣發電技術不會產生二氧化碳?灰氫、藍氫、綠氫分別是什麼?
PanSci_96
・2024/02/11 ・5659字 ・閱讀時間約 11 分鐘

用天然氣發電可以完全沒有二氧化碳排放?這怎麼可能?

2023 年 11 月,台電和中研院共同發表去碳燃氫技術,說是經過處理的天然氣,燃燒後可以不產生二氧化碳。

誒,減碳方式百百種,就是這個聽起來最怪。但仔細研究後,好像還真有這麼一回事。這種能發電,又不產二氧化碳的巫術到底是什麼?大量使用天然氣後,又有哪些隱憂是我們可能沒注意到的?

去碳燃氫是什麼?

去碳燃氫,指的是改良現有的天然氣發電方式,將甲烷天然氣的碳去除,只留下乾淨的氫氣作為燃燒燃料。在介紹去碳燃氫之前,我們想先針對我們的主角天然氣問一個問題。

最近不論台灣、美國或是許多國家,都提升了天然氣發電的比例,但天然氣發電真的有比較好嗎?

好像還真的有。

根據聯合國底下的政府間氣候變化專門委員會 IPCC 的計算報告,若使用火力發電主要使用的煙煤與亞煙煤作為燃料,並以燃燒率百分之百來計算,燃料每釋放一兆焦耳的能量,就會分別產生 94600 公斤和 96100 公斤的二氧化碳排放。

如果將燃料換成天然氣,則大約會產生 56100 公斤的二氧化碳,大約只有燃燒煤炭的六成。這是因為天然氣在化學反應中,不只有碳元素會提供能量,氫元素也會氧化成水並放出能量。

圖/pexels

除了碳排較低以外,煤炭這類固體燃料往往含有更多雜質,燃燒時又容易產生更多的懸浮顆粒例如 PM 2.5 ,或是溫室效應的另一主力氧化亞氮(N2O)。具體來說,產生同等能量下,燃燒煤炭產生的氧化亞氮是天然氣的 150 倍。

當然,也別高興這麼早,天然氣本身也是個比二氧化碳更可怕的溫室氣體,一但洩漏問題也不小。關於這點,我們放到本集最後面再來討論。

燃燒天然氣還是會產生二氧化碳?

雖然比較少,但也有燃煤的六成。像是綠能一樣的零碳排發電方式,不才是我們的終極目標嗎?別擔心,為了讓產生的二氧化碳量減到最小,我們可以來改造一下甲烷。

圖/unsplash

在攝氏 700 至 1100 度的高溫下,甲烷就會和水蒸氣反應,變成一氧化碳和氫氣,稱為蒸汽甲烷重組技術。目前全球的氫氣有 9 成以上,都是用此方式製造的,也就是所謂的「灰氫」。

而產物中的一氧化碳,還可以在銅或鐵的催化下,與水蒸氣進一步進行水煤氣反應,變成二氧化碳與氫氣。最後的產物很純,只有氫氣與二氧化碳,因此此時單獨將二氧化碳分離、封存的效率也會提升不少,也就是我們在介紹碳捕捉時介紹的「燃燒前捕捉」技術。

去碳燃氫又是什麼?

圖/pexels

即便我們能將甲烷蒸氣重組,但只要原料中含有碳,那最終還是會產生二氧化碳。那麼,我們把碳去掉不就好了?去碳燃氫,就是要在第一步把甲烷分解為碳和氫氣。這樣氫氣在發電時只會產生水蒸氣,而留下來的碳黑,也就是固態的碳,可以做為其他工業原料使用,提升附加價值。

在氫氣產業鏈中,我們習慣將氫氣的來源做顏色分類。例如前面提到蒸氣重組後得到的氫氣被稱為灰氫,而搭配碳捕捉技術的氫,則稱為藍氫。完全使用綠能得到的氫,例如搭配太陽能或風力發電,將水電解後得到最潔淨的氫,則稱為綠氫。而介於這兩者之間,利用去碳燃氫技術分解不是水而是甲烷所得到的氫,則稱為藍綠氫。

但先不管它叫什麼氫,重點是如果真的不會產生二氧化碳,那我們就確實多了一種潔淨能源可以選擇。這個將甲烷一分為二的技術,聽起來應該也不會太難吧?畢竟連五◯悟都可以一分為二了,甲烷應該也行吧。

甲烷如何去碳?

甲烷要怎麼變成乾淨的氫氣呢?

很簡單,加溫就好了。

圖/giphy

只要加溫到高過攝氏 700 度,甲烷就會開始「熱裂解」,鍵結開始被打斷,變成碳與氫氣。

等等等等…為了發電還要耗費能源搞高溫熱裂解,划算嗎?

甲烷裂解確實是一個吸熱反應,也就是需要耗費能量來拆散原本的鍵結。根據反應式,一莫耳甲烷要吸收 74 千焦耳的熱量,才會裂解為一莫耳的碳和兩莫耳的氫氣。但是兩莫耳的氫氣燃燒後,會產生 482 千焦耳的熱量。淨能量產出是 408 焦耳。與此相對,直接燃燒甲烷產生的熱量是 891 千焦耳。

而根據現實環境與設備的情況,中研院與台電推估一公噸的天然氣直接燃燒發電,與先去碳再燃氫的方式相比,發電量分別為 7700 度和 4272 度。雖然因為不燃燒碳,發電量下降了,但也省下了燃燒後捕存的成本。

要怎麼幫甲烷去碳呢?

在近二十幾年內,科學家嘗試使用各種材料作為催化劑,來提升反應效率。最常見的方式,是將特定比例的合金,例如鎳鉍合金,加熱為熔融態。並讓甲烷通過液態的合金,與這些高溫的催化劑產生反應。實驗證實,鎳鉍合金可以在攝氏 1065 度的高溫下,轉化 95% 的甲烷。

中研院在 2021 年 3 月,啟動了「 Alpha 去碳計畫」,進行去碳燃氫的設備開發。但團隊發現,盡管在理論上行得通,但實際上裝置就像是個不受控的火山一樣,熔融金屬與蒸氣挾帶著碳粒形成黏稠流體,不斷從表面冒出,需要不斷暫停實驗來將岩漿撈出去。因此,即便理論上可行,但熔融合金的催化方式,還無法提供給發電機組使用。

去碳燃氫還能有突破嗎?

有趣的是,找了好一大圈,驀然回首,那人卻在燈火闌珊處。

最後大家把目光放到了就在你旁邊,你卻不知道它正在等你的那個催化劑,碳。其實過去就有研究表明碳是一種可行的催化劑。但直到 201 3年,才有韓國團隊,嘗試把碳真的拿來做為去碳燃氫的反應催化劑。

圖/pexels

他們在高溫管柱中,裝填了直徑 30 nm 的碳粒。結果發現,在 1,443 K 的高溫下,能達到幾乎 100 % 的甲烷轉化。而且碳本身就是反應的產物之一,因此整個裝置除了碳鋼容器以外,只有碳與氫參與反應,不僅成本低廉,要回收碳黑也變得容易許多。

目前這個裝置需要加緊改良的,就是當碳不斷的積蓄,碳粒顆粒變大,反應會跟著下降。如何有效清除或更換濾網與反應材料,會是能否將此設備放大至工業化規模的關鍵。

最後,我們回頭來談談,在去碳燃氫技術逐漸成熟之後,我們可能需要面對的根本問題。

天然氣是救世主,還是雙面刃?

去碳燃氫後的第一階段,還是會以天然氣為主,只混和 10 % 以下的氫氣作為發電燃料。

這是因為甲烷的燃燒速度是每秒 0.38 公尺,氫氣則為每秒 2.9 公尺,有著更劇烈的燃燒反應。因此,目前仍未有高比例氫氣的發電機組,氫氣的最高比例,通常就是 30 % 。

目前除了已成功串連,使用 10 % 氫氣的小型發電機組以外。台電預計明年完成在興達電廠,使用 5 % 氫氣的示範計畫,並逐步提升混和氫氣的比例。根據估計,光是 5 % 的氫氣,就能減少每年 7000 噸的二氧化碳排放。

但隨著天然氣的使用量逐步提高,我們也應該同時留意另一個問題。

天然氣洩漏導致的溫室效應,是不可忽視的!

根據 IPCC 2021 年的報告,若以 20 年為評估,甲烷產生的溫室效應效果是二氧化碳的 82.5 倍,以 100 年為評估,效果為 29.8 倍,是僅次於二氧化碳,對於溫室效應的貢獻者第二名。這,不可不慎啊。

圖/unsplash

從石油、天然氣井的大量甲烷洩漏,加上運輸時的洩漏,如果沒有嚴格控管,我們所做的努力,很有可能就白費了。

非營利組織「環境保衛基金」曾在 2018 年發表一篇研究,發現從 2012 到 2018 年,全球的甲烷排放量增加了 60 % ,從煤炭轉天然氣帶來的好處,可能因為甲烷洩漏而下修。當然,我們必須相信,當這處漏洞被補上,它還是能作為一個可期待的發電方式。

圖/giphy

另一篇發表在《 Nature Climate Change 》的分析研究就說明,以長期來看,由煤炭轉為天然氣,確實能有效減緩溫室氣體排放。但研究也特別提醒,天然氣應作為綠能發展健全前的過渡能源,千萬別因此放慢對於其他潔淨能源的研究腳步。

去碳燃氫技術看起來如此複雜,為什麼不直接發展綠氫就好了?

確實,綠氫很香。但是,綠氫的來源是電解水,而反應裝置也不可能直接使用雜質混雜的海水,因此若要大規模發展氫能,通常需要搭配水庫或海水淡化等供水設施。另外,綠氫本來就是屬於一種儲能的形式,在台灣自己的綠能還沒有多到有剩之前,當然直接送入電網,還輪不到拿來產綠氫。

圖/unsplash

相比於綠氫,去碳燃氫針對的是降低傳統火力發電的碳排,並且只需要在現有的發電廠旁架設熱裂解設備,就可以完成改造。可以想像成是在綠能、新世代核能發展成熟前的應急策略。

當然,除了今天提到的灰氫、藍氫、綠氫。我們還有用核能產生的粉紅氫、從地底開採出來的白氫等等,都還沒介紹呢!

除了可以回去複習我們這一集的氫能大盤點之外,也可以觀看這個介紹白氫的影片,一個連比爾蓋茲都在今年宣布加碼投資的新能源。它,會是下一個能源救世主嗎?

最後,也想問問大家,你認為未來 10 年內,哪種氫能會是最有潛力的發展方向呢?

  1. 當然是綠:要押當然還是壓最乾淨的綠氫啦,自產之前先進口也行啊。
  2. 肯定投藍:搭配碳捕捉的藍氫應該會是最快成熟的氫能吧。
  3. 絕對選白:連比爾蓋茲也投資的白氫感覺很不一樣。快介紹啊!

什麼?你覺得這幾個選項的顏色好像很熟悉?別太敏感了,下好離手啊!

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

所有討論 1
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

7
0

文字

分享

0
7
0
賣火柴小女孩販售的「火柴」其實有毒?你所不知道的「磷」——《原子有話要說》
azothbooks_96
・2023/05/22 ・957字 ・閱讀時間約 1 分鐘

被誤認的「賢者之石」

與人體細胞、骨骼、生命活動密切相關的腺苷二磷酸(adenosine diphosphate,ADP)中的磷,是很重要的元素。磷的發現過程其實有點讓人不忍想像,古時候鍊金術師待人類尿液久置後腐臭,再加熱蒸餾提煉出磷,一開始磷被認為是為提煉黃金時所需的「賢者之石」。

圖/原子有話要說!元素週期表

我們在日常生活中使用到磷的是火柴,可是現今看到的火柴頂端的火藥裡並沒有磷,而是把磷移到火柴盒的摩擦面了。原理是摩擦火柴棒,讓火柴盒產生火花,藉此點燃火柴棒頂端的火藥,進而產生火光。

磷有很多同伴,組成成分明明只有磷,但外觀和特性卻截然不同,有紫磷、白磷、黑磷、赤磷、紅磷,或是白磷表面覆蓋紅磷的黃磷等。火柴盒上使用的是紅磷,而在西部電影中等常出現,隨時隨地都可以點燃的火柴則是黃磷。

圖/原子有話要說!元素週期表

小女孩賣的火柴裡也有磷

安徒生童話「賣火柴的小女孩」誕生於十九世紀中葉,當時火柴剛問世不久,跟現代的火柴截然不同。小女孩賣的火柴是黃磷火柴,火柴棒較長,造價也高,通常是論根賣的。黃磷或白磷是一種具有劇毒的化學品,由於工廠屢屢傳出磷中毒的事件,現在已經禁止使用。

【常溫狀態】固體 【原子量】30.973762

【熔點】44.15˚C 【沸點】280.5˚C

【密度】1.82 g/cm3

【發現】1669 年,德國煉金術師布蘭德(Henning Brand )

【語源】希臘文 phosphoros,意思是帶來光明的。

——本文摘自《原子有話要說!元素週期表》,2023 年 4 月,漫遊者文化出版,未經同意請勿轉載。

azothbooks_96
55 篇文章 ・ 21 位粉絲
漫遊也許有原因,卻沒有目的。 漫遊者的原因就是自由。文學、人文、藝術、商業、學習、生活雜學,以及問題解決的實用學,這些都是「漫遊者」的範疇,「漫遊者」希望在其中找到未來的閱讀形式,尋找新的面貌,為出版文化找尋新風景。