Модель глубокой нейронной сети поможет определить растворимость H2 при подземном хранении
Ученые Центра Хериот-Ватт ТПУ впервые разработали гибридные модели глубокого обучения для прогнозирования растворимости водорода при его подземном хранении. Полученные результаты могут способствовать разработке более эффективных стратегий хранения водорода. Научное исследование выполнено в рамках федеральной программы Минобрнауки России «Приоритет-2030» национального проекта «Наука и университеты».
Результаты опубликованы в журнале Energy & Fuels (Q1, IF: 5.2).
В последние годы наблюдается стремительный рост интереса к водородным технологиям, особенно в контексте перехода к альтернативным и возобновляемым источникам энергии, которые, в перспективе, могут заменить традиционные ископаемые ресурсы и сократить углеродный след, а также способствовать переходу к устойчивой и экологичной энергетике.
Подобный переход требует решения множества задач, среди которых вопрос хранения водорода. В настоящее время водород обычно хранится в газообразной или жидкой фазе в наземных резервуарах. Однако одним из наиболее перспективных и экономически эффективных методов является его подземное хранение.
Среди преимуществ этого метода – экономичность, ресурсоемкость, безопасность, масштабируемость. Чаще всего для подземного хранения водорода используют соленые водоносные горизонты и истощенные газовые/нефтяные пласты. Однако, у ученых и инженеров вызывает опасение потенциальное взаимодействие водорода с остаточными углеводородами в пласте, подземными минералами и микробами.
«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», – говорит руководитель исследования, инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди.
Для прогнозирования растворимости H2 уже используются различные традиционные алгоритмы машинного обучения, включая использование оптимизационных методов для повышения точности моделей. Так, исследователи все чаще используют сверхточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM) для достижения более точных и обобщающих прогнозов. Эти алгоритмы уже успешно 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», – отмечает молодой ученый ТПУ.
В рамках проекта «Цифровая нефтесервисная компания: цифровое сопровождение добычи и переработки нефти и газа» впервые разработаны гибридные модели, объединяющие CNN и LSTM с алгоритмами оптимизации, такими как метод оптимизации роста (GO) и алгоритм оптимизации «серых волков» (GWO). Обучение и тестирование моделей проводилось на основе обширного набора лабораторных данных, включающего 981 замер, таких как температура, давление, соленость и тип соли. Данные были разделены на обучающую и тестовую выборки с использованием оптимального коэффициента разделения, определенного на основе анализа чувствительности.
«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», – подчеркивает Шадфар Давуди.