Ученые Томского политеха впервые создали гибридные модели глубокого обучения для прогнозирования растворимости водорода при его хранении под землей. Открытия могут помочь в создании более эффективных методов хранения водорода.
В последнее время наблюдается всплеск внимания к водородным технологиям, особенно в связи с тем, что водород все чаще используется при переходе к альтернативным и возобновляемым источникам энергии, где его можно использовать вместо традиционных ископаемых ресурсов, а также сократить выбросы углекислого газа. как вклад в переход к устойчивой и зеленой энергетике.
Переход требует решения ряда проблем, в том числе проблемы хранения водорода. В настоящее время водород хранится в надземных резервуарах в газообразном или жидком состоянии. Его подземное расположение также является потенциальным методом хранения и открывает многообещающие возможности. Метод имеет ряд преимуществ, таких как экономичность, ресурсоемкость, безопасность и масштабируемость.
В подземных хранилищах крупной электростанции водород часто хранится, главным образом, в соленых водоносных горизонтах и истощенных газонефтяных пластах. Ученые также обеспокоены возможностью взаимодействия водорода с остаточными углеводородами, подземными минералами и микробами, такими как углеводороды, обнаруженные в пластах.
Соленые водоносные горизонты хорошо изучены в части улавливания, утилизации и хранения CO₂, однако их пригодность для хранения H2 требует дальнейшего детального изучения. Одним из ключевых параметров является растворимость H2 в рассоле, измерение которой – сложный и дорогостоящий процесс. Методы машинного обучения могут обеспечить точные и надежные прогнозы растворимости, анализируя различные входные параметры и превосходя традиционные методы.
- Шадфар Давуди, руководитель исследования, инженер-исследователь Центра Хериот-Ватт ТПУ
Несколько традиционных алгоритмов машинного обучения уже используются для прогнозирования растворимости H2 с использованием методов оптимизации, которые повышают точность моделей, а также традиционных алгоритмов машинного обучения. Сверхточные нейронные сети (CNN) и сети долговременной памяти (LSTM) все чаще используются исследователями для получения более общих прогнозов. Эти алгоритмы уже используются в различных областях энергетики и геологии.
«Автономные модели глубокого обучения при этом имеют ряд недостатков, таких как высокая вычислительная нагрузка, медленная сходимость, чувствительность к выбросам данных. Более того, сложные архитектуры нейронных сетей часто страдают от проблем, связанных с оптимизацией гиперпараметров. По нашему мнению, интеграция методов глубокого обучения с оптимизационными алгоритмами может заметно улучшить прогнозирование показателей растворимости водорода.
- Шадфар Давуди
Проект «Цифровая нефтесервисная компания: цифровое сопровождение добычи и переработки нефти и газа» стал пионером в разработке гибридных моделей с использованием CNN и LSTM, а также алгоритмов оптимизации, таких как оптимизация роста (GO) и оптимизация "серых волков" (GWO). Используя обширную коллекцию лабораторных данных, включающую 981 измерение, включая температуру, давление, соленость и тип соли, модели были обучены и протестированы после тщательного тестирования. После анализа анализа чувствительности и нахождения оптимального коэффициента разделения мы разделяем данные на обучающий и тестовый наборы с включением всех данных по мере необходимости, используя коэффициент разделения для обучающего и тестового наборов.
Выбор в пользу GWO и GO для точной настройки гиперпараметров и архитектуры CNN и LSTM был сделан потому, что они превзошли другие оптимизационные алгоритмы по ряду показателей, включающих более высокую скорость вычислений и расширенные возможности глобального поиска. Особое внимание уделялось разработке гибридных моделей глубокого обучения. Проведенные исследования показали, что среди разработанных моделей лучшие результаты показывает CNN-GO. В перспективе, она может быть использована для надежного прогнозирования растворимости H2 без непосредственного проведения лабораторных исследований, которые зачастую являются трудоемкими и времязатратными. В целом, подобный подход может привести к разработке более эффективных и экономически выгодных методов подземного хранения водорода.
- Шадфар Давуди
Изображение на обложке: freepik
