При подземном хранении. Нейросети научили более точно прогнозировать растворимость водорода

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