使用机器学习预测CO2和NaCl水溶液的界面张力

科学领域:

• 地质化学和环境科学
• 计算化学的计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 二氧化碳的地质封存对于碳中和至关重要.
• 二氧化碳和盐水之间的界面张力 (IFT) 影响二氧化碳储存能力.
• 实验IFT测量具有挑战性,耗时且昂贵.

研究的目的:

• 为了比较各种机器学习 (ML) 模型在预测二氧化碳盐溶液IFT方面的有效性.
• 在各种条件下确定最准确的ML模型用于IFT预测.
• 建立ML作为实践IFT测定实验的可行,高效的替代方案.

主要方法:

• 使用多个ML模型:线性回归 (LR),支向量机 (SVM),决策树回归器 (DTR),随机森林回归器 (RFR) 和多层感知器 (MLP).
• 在一个涵盖温度,压力和NaCl盐度的广泛范围的实验数据集上训练模型.
• 使用超参数调整优化模型,并通过平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 评估性能.

主要成果:

• SVM和MLP模型实现了最高的精度,MAPE为~0.97-0.99%和MAE为~0.39-0.40 mN/m.
• 线性回归的表现很差 (MAPE 4.25%,MAE 1.7 mN/m). 在线性回归的表现很差 (MAPE 4.25%,MAE 1.7 mN/m).
• 压力被确定为影响IFT的最重要因素.

结论:

• 优化的ML模型,包括SVM和MLP,提供高度准确的CO2-盐水IFT预测.
• ML为IFT测量提供了实验方法的经济有效和高效的替代方案.
• 这种方法可以显著帮助优化地质二氧化碳封存策略.