使用机器学习研究储期间的可湿性和IFT变化

科学领域:

• 石油工程是石油工程中的一个.
• 绿色化学 绿色化学
• 机器学习应用 机器学习应用

背景情况:

• 对温室气体 (GHG) 排放的日益关注推动了对环保工业工艺的需求.
• 增强石油回收 (EOR) 寻求可持续的方法,二氧化碳 (CO2) 以前被探索为缓冲气体.
• (H2) 是一种绿色气体,在EOR应用中有可能改变储的湿度.

研究的目的:

• 评估 (H2) 作为增强石油回收 (EOR) 系统中的新型缓冲气体.
• 调查H2储存在改变湿度方面的作用,特别是接触角度 (CA) 和界面张力 (IFT).
• 用机器学习 (ML) 来比较H2与其他缓冲气体在改变CA和IFT方面的性能.

主要方法:

• 收集了关于H2和其他缓冲气体的实验数据并进行了预处理,删除了异常值和偏差数据.
• 机器学习模型,包括随机森林 (RF),随机树和LSBoost,进行了训练和测试.
• 用贝叶斯优化和随机搜索 (RS) 来优化预测CA和IFT的ML模型的超参数.

主要成果:

• 用贝叶斯方法优化的LSBoost在预测界面张力 (IFT) (R2 = 0.998614) 和接触角度 (CA) (R2 = 0.986999) 中取得了高准确性.
• 该研究成功地建模并预测了H2和其他缓冲气体对湿度的影响.
• 2在改变CA和IFT方面表现出潜在的潜力,与已建立的缓冲气体相当.

结论:

• (H2) 作为增强石油回收 (EOR) 的缓冲气体,提供了一个可行的,环保的替代品.
• 机器学习模型有效预测受H2和其他缓冲气体影响的湿度变化 (CA和IFT).
• 进一步研究H2储存及其对水库属性的长期影响是有必要的.