在H2 - - CO2 - - CH4 - - 盐系统中介面张力的可解释的高级建模,用于盐水层中可持续的地下储存
Saad Alatefi1, Okorie Ekwe Agwu2, Menad Nait Amar3
1Department of Petroleum Engineering Technology, College of Technological Studies, PAAET, Kuwait City 70654, Kuwait.
一个新的机器学习模型准确地预测了地下储存的界面张力,这对于安全高效的低碳能源系统至关重要. 这种人工智能工具提高了储备的可靠性.
科学领域:
- 储能 储能 储能 储能 储能 储能
- 地质工程是地质工程.
- 人工智能的人工智能
背景情况:
- 地下储存 (UHS) 对未来的低碳能源系统至关重要,需要准确的界面张力 (IFT) 数据来确保安全高效的运行.
- 气/气和盐水之间的IFT影响了UHS中的关键现象,影响了储存性能和安全.
- 现有的IFT测定方法可能缺乏UHS中各种热力学和组成条件所需的准确性和可解释性.
研究的目的:
- 开发一种可靠和可解释的机器学习 (ML) 框架,用于预测气/气-盐水系统中的IFT.
- 探索不同输入变量方案对IFT预测ML模型性能的影响.
- 确保开发的ML模型是坚固的,物理一致的,适合UHS操作中的实时应用.
主要方法:
- 策划了大约500个实验测量IFT数据点的数据库,用于培训和验证.
- 开发并比较了三个ML模型:辐射基函数神经网络 (RBFNN),通用回归神经网络 (GRNN) 和分类增强 (CatBoost).
- 使用了两个输入方案:一个包含九个详细变量和一个包含四个关键变量的简化方案 (等效盐度,压力,温度,Tcm).
主要成果:
- 使用简化四输入方案的CatBoost模型实现了最高的预测精度 (R2 = 0.9979,RMSE = 0.5136 mN/m).
- 该模型表现出了出色的物理一致性,概括能力,并超越了最先进的模型.
- 基于杆的适用性领域分析证实了模型的稳定性,97%的数据点处于可接受的范围内;SHAP和LIME确保了可解释性.
结论:
- 开发的基于CatBoost的ML框架为预测UHS环境中的IFT提供了一个高度准确和可解释的解决方案.
- 简化输入方案提供了一种高效的方法,不影响预测能力,适合实际部署.
- 这种可解释的ML工具可以显著提高地下储存的安全性,设计和长期可靠性.
更多相关视频
10:18Dynamic Pore-scale Reservoir-condition Imaging of Reaction in Carbonates Using Synchrotron Fast Tomography
Published on: February 21, 2017
06:31Studying Surfactant Effects on Hydrate Crystallization at Oil-Water Interfaces Using a Low-Cost Integrated Modular Peltier Device
Published on: March 18, 2020
相关概念视频
Entropy and Solvation
Theories of Dissolution: The Danckwerts' Model and Interfacial Barrier Model
Surface Tension of Fluid
Surface tension varies...
Intermolecular Forces
Intermolecular Forces and Physical Properties
Intermolecular Forces in Solutions
When the strengths of the intermolecular forces of attraction between solute and solvent species in a solution are no different than those present in the separated components, the solution is formed with no accompanying energy change. Such a solution is called an ideal solution. A mixture of ideal gases (or gases such as helium and argon,...
