在人工智能驱动下评估波兰地下储存的盐洞穴

科学领域:

• 地质工程是地质工程.
• 人工智能的人工智能
• 储能 储能 储能 储能 储能 储能

背景情况:

• 地下储 (UHS) 对于可再生能源的整合至关重要.
• 盐洞穴为储存气提供了有前途的地质构造.
• 选址需要强大的方法来确保安全和效率.

研究的目的:

• 开发和验证人工智能驱动的框架,用于识别适合地下储存气的盐矿.
• 为了比较八个机器学习算法的性能,在适应性映射中.
• 创建详细的适合性地图,以提供知情决策.

主要方法:

• 一个整合多标准决策和空间数据分析的AI框架.
• 应用了八种机器学习算法:KNN,SVM,LightGBM,XGBoost,MLP,CatBoost,GBR和MLR. 这三种算法都在应用中.
• 使用MSE,MAE,MAPE,RMSE和R2对实际数据集进行性能评估.

主要成果:

• CatBoost模型表现出优异的性能,R2为0.88,MSE为0.0816,MAE为0.1994,RMSE为0.2833和MAPE为0.0163. 这些都是最好的模型.
• 生成了详细的适用性地图,突出了最佳岩盐沉积位置.
• 在复杂的地质评估中证明了AI框架的有效性.

结论:

• 开发的AI方法提供了一种新且有效的方法,用于评估盐洞穴中的地下储存潜力.
• 该框架支持利益相关者确定最佳储存地点,加强能源安全和可再生能源利用.
• 该研究强调了先进机器学习在地质资源管理和能源转型中的重要作用.