使用机器学习计算缓冲气体中的分散

科学领域:

• 储能储能是指储能过程中的能量.
• 地质工程是地质工程.
• 计算科学是一种计算科学.

背景情况:

• 地下储存 (UHS) 对可持续能源至关重要,但在缓冲气体中的分散降低了纯度,增加了成本.
• 目前用于预测分散系数 (K_L) 的方法在动态储条件下往往不准确,昂贵且耗时.

研究的目的:

• 开发一种更准确,更具成本效益的方法来预测UHS中的分散系数 (K_L).
• 利用机器学习 (ML) 来基于实验数据和操作参数建模K_L.

主要方法:

• 实验数据与各种机器学习模型的整合,包括随机森林 (RF),最小平方提升 (LSBoost),贝叶斯回归,线性回归 (LR),人工神经网络 (ANN) 和支持向量机器 (SVM).
• 量化K_L作为压力 (P) 和位移速度 (U_{m) 的函数.}

主要成果:

• 随机森林 (RF) 模型表现出卓越的性能,测试数据达到0.9965的高R²,训练数据达到0.9999.
• 射频模型给出了测试数据的0.023和训练数据的0.001的低根平均平方误差 (RMSE) 值,表明了高的预测准确性.
• 与传统方法相比,ML模型,特别是RF,显著提高了K_L的预测准确性.

结论:

• 机器学习提供了一种强大而高效的方法,用于准确预测UHS中的分散.
• 优化K_L的预测可以提高UHS的运营效率,减少污染风险,降低净化成本.
• 这种基于机器学习的方法支持大规模储的发展,以实现可持续的能源未来.