通过数据驱动的机器学习建模预测矿物/CO2/盐水系统的湿度:对碳地理封存的影响
Zeeshan Tariq1, Muhammad Ali1, Aliakbar Hassanpouryouzband2
1Physical Science and Engineering Division, King Abdullah University of Science and Technology (KAUST), Thuwal, 23955, Saudi Arabia.
Chemosphere
|October 20, 2023
概括
机器学习模型准确地预测了地质构成中的二氧化碳 (CO2) 湿度,这对于有效的碳储存至关重要. 这种方法为评估岩石流体相互作用的实验方法提供了更安全,更有效的替代方案.
科学领域:
- 地质化学 地质化学
- 机器学习 机器学习
- 环境科学 环境科学
背景情况:
- 地质碳储存对于缓解气候变化至关重要,但其有效性取决于了解岩石-盐水-CO2相互作用.
- 岩石的湿透性决定了二氧化碳的分布,储存能力和捕获潜力,但由于二氧化碳的反应性,实验性评估具有挑战性.
- 基于藻类的碳去除技术可以与地质储存相协同,提高效率并帮助生态系统恢复.
研究的目的:
- 开发和验证数据驱动的机器学习模型,用于预测矿物盐水系统中的二氧化碳可湿性.
- 为实验方法提供一种有效和安全的替代方案,用于在地质储存条件下评估可湿性.
- 评估各种机器学习算法在模拟复杂的岩石流体相互作用中的性能.
主要方法:
- 利用机器学习模型,包括完全连接的前神经网络 (FCFNNs),极端梯度增强,k-最近邻居,决策树,自适应增强和随机森林.
- 采用探索性数据分析和交叉验证技术 (GridSearchCV,K-fold) 来优化模型性能.
- 生成灵敏度图表来分析个别参数对可湿性预测的影响.
主要成果:
- 机器学习模型准确地预测了三元CO2/盐水系统中石英和的可湿性行为.
- 完全连接的前神经网络 (FCFNNs) 显示出卓越的性能,实现了超过0.98的R2和低于3%的误差.
- 该研究成功地模拟了在各种条件下矿物质的湿透性,突出了ML在地质储存研究中的潜力.
结论:
- 机器学习提供了一个强大而高效的工具,用于了解地质构造中的二氧化碳可湿性.
- FCFNN模型在预测湿度方面提供了高准确度,超过了其他经过测试的ML技术.
- 这项研究通过利用预测建模,促进了更安全,更有效的地质碳储存策略.
