可解释的高级建模技术用于研究 H?–CO?–CH?–盐水系统中的界面张力,以实现对咸水含水层的可持续地下储存

《Journal of Contaminant Hydrology》:Explainable advanced modelling of interfacial tension in H 2 – CO 2 – CH 4 – brine systems for sustainable subsurface storage in saline aquifer

【字体: 大 中 小 】 时间:2026年01月01日 来源:Journal of Contaminant Hydrology 4.4

编辑推荐:

  本文提出基于机器学习的界面张力(IFT)预测模型,对比详细盐组成与简化的NaCl当量输入方案,发现CatBoost模型在简化输入下表现最佳(R2=0.9979,RMSE=0.5136 mN/m),并通过SHAP和LIME技术验证其可解释性,为地下氢能存储设计提供可靠工具。

  
Saad Alatefi|Okorie Ekwe Agwu|Menad Nait Amar|Ahmad Alkouh
科威特石油工程技术系,技术研究学院,PAAET,科威特城70654

摘要

氢气日益被视为未来低碳能源系统的支柱,它在多个领域都具有灵活性,并有助于实现深度脱碳目标。为了实现大规模部署,将氢气储存在地质构造中(如咸水层)作为确保安全和可扩展能源储备的战略选择受到了广泛关注。氢气储存的安全性、效率及运行成功在很大程度上取决于准确测定氢气/缓冲气体与原位盐水之间的界面张力(IFT),因为这一参数控制着与储存性能相关的多个关键现象。本研究旨在开发一个可靠且可解释的机器学习框架,以预测在不同热力学和组成条件下的H2/缓冲气体–盐水系统中的IFT。探索了两种输入方案:第一种包括九个变量,涵盖详细的盐成分、压力、温度以及缓冲气体的存在(通过平均临界温度Tcm表示);第二种使用四个简化输入,即等效盐度、压力、温度和Tcm。利用大约500个实验测量的IFT数据点训练并验证了三种模型:径向基函数神经网络(RBFNN)、广义回归神经网络(GRNN)和分类提升(CatBoost)。其中,基于简化方案的CatBoost模型取得了最高的预测准确性(R2 = 0.9979,RMSE = 0.5136 mN/m),并且在物理一致性和泛化能力方面表现优异。趋势分析证实了该模型在不同条件下的预测能力。比较基准测试显示,CatBoost模型的表现优于文献中的几种最先进模型。基于影响域的分析表明,97%的数据点落在可接受的影响和残差范围内,证明了其稳健性。除了准确性之外,该模型还使用SHAP和LIME技术在全局和局部上具有高度可解释性,使其适合实时应用于氢气储存操作,以支持安全注入设计和长期储存可靠性。

引言

随着世界向脱碳方向发展,能源格局正在发生变化。这一趋势受到能源消耗增加、气候变化担忧以及减少温室气体排放需求的推动(Ali等人,2024;Usman等人,2025)。实现这一变化的一种方法是生产氢气(Reda等人,2024)。氢气作为能源载体的优势在于其能量特性、适应性以及燃烧时不产生碳排放(Ali等人,2025;Nicoletti等人,2015)。然而,关键难题在于找到一种安全、高效且成本效益高的储存方法,因为氢气的密度较低且反应性很强(Anekwe等人,2025;Ni,2006)。基于氢气的未来需要大量的地下氢气储存(UHS),包括季节性储存、供应缓冲和电网平衡能力,这些都是以可再生能源为主导的能源系统所必需的(Alanazi等人,2025;Ahmad等人,2024;Harati等人,2023;Tariq等人,2025)。将氢气储存在地下意味着将高压氢气封存在地质构造中,如含水层、洞穴、废弃矿山以及枯竭的天然气和石油储层(Muthukumar等人,2023)。盐洞具有长期成功的运营历史,可以提供高输送能力,但它们仅存在于某些地区(Ibrahim等人,2025)。另一方面,像深层咸水层这样的多孔介质是很好的选择,因为它们分布广泛且具有大量的孔隙空间(Muhammed等人,2023)。
为了安全地将氢气储存在地下,有必要全面了解氢气与已有流体的相互作用(Ishola等人,2025;Zeng等人,2023)。氢气与地层盐水之间的界面张力(IFT)是一个关键特征,它决定了氢气的流动性、毛细管捕获行为以及在多孔介质中的潜在泄漏风险(Hosseini和Leonenko,2024a)。然而,像CO2和CH4这样的缓冲气体可以改变这种IFT(Lv等人,2024)。通常,缓冲气体有助于在注入和提取循环之间保持压力平衡,防止过多水分进入,并增加储存空间(Hosseini和Leonenko,2024a)。缓冲气体还有助于防止氢气与残留的地层流体(包括盐水或天然气)发生反应,从而保持提取气体的纯度并减少氢气损失。实际上,缓冲气体充当了氢气与其他反应性或不希望存在的气体之间的屏障。因此,H2-盐水系统的界面张力是一个关键参数,对地下氢气储存的有效设计和实施有重大影响(Ng等人,2022)。
由于IFT在捕获和重新调动储存气体以供提取方面起着至关重要的作用,因此对其进行估算非常重要(Aslannezhad等人,2023;Ibrahim,2025)。有许多传统的测量气体-盐水IFT的方法,例如悬滴法、旋转滴法或毛细上升法(Alanazi等人,2023;Al-Mukainah等人,2022;Hosseini等人,2022)。尽管这些实验的结果准确,但它们资源密集、耗时,并且受到恶劣储层条件的限制,包括高压和高温以及波动的盐度水平(Hosseini和Leonenko,2024a,Hosseini和Leonenko,2024b)。分子动力学模拟已被用于IFT的估算(Adam等人,2024;Alshammari等人,2024;Doan等人,2024;van Rooijen等人,2024;Yao等人,2025);然而,这些方法需要大量的计算资源,或者依赖于可能不适用于多种盐水化学成分和储层条件的过度简化的假设(Ibrahim,2025)。
因此,近年来数据驱动的建模技术受到了越来越多的关注,因为它们是估算地下系统中IFT的强大且可扩展的方法。以往的研究采用了多种机器学习(ML)技术来估算不同气体-液体系统中的IFT。这些算法包括遗传编程及其变体(Lv等人,2024;Ng等人,2022;Omrani等人,2023);神经网络及其变体和混合体(Ahmadi,2025;Behnamnia等人,2023;Salami等人,2023;Sofian等人,2025;Thanh,2025);基于树的算法,如随机森林(Maleki等人,2024)、决策树(Ibrahim,2025);基于提升的树算法,如自适应提升(Tackie-Otoo等人,2025b)、XGBoost(Janjua等人,2024b);分类提升(Azadivash,2025);支持向量机及其变体(Hosseini和Leonenko,2024a,Hosseini和Leonenko,2024b;Kalam等人,2024);结合传统算法和进化范式的混合智能系统,如灰狼优化器(Behnamnia等人,2023);自适应神经模糊推理系统-遗传算法(Ishola等人,2025);粒子群优化(Thanh,2025)等。尽管这些研究很普遍,但许多基于ML的H2-气体-盐水系统的IFT模型受到可解释性不足的阻碍,从而限制了它们在新兴氢气储存场景中的实际应用。为了解决这一限制,本研究提出了一种可解释且稳健的建模方法,用于预测H2–CO2–CH4–盐水系统中的界面张力,这对可持续的地下氢气储存至关重要。
这项工作在三个方面对现有研究做出了贡献。首先,这是首次尝试比较两种输入特征的形式化方法:一种使用详细的盐水成分(个别盐的摩尔浓度),另一种使用简化的NaCl等效表示。目的是观察这两种方法如何影响用于地下能源储存的模型的准确性、稳健性和可解释性。其次,本研究对用于估算氢气-气体-盐水系统中界面张力的机器学习模型进行了全面而关键的评估。这与早期主要提供现有研究描述性概述的研究不同。第三,采用了局部可解释模型-不可知解释(LIME)和Shapley加性解释(SHAP)来定量解释特征贡献,从而提供了对影响IFT的主要参数的透明见解。这种增强的可解释性不仅加深了科学理解,也增强了人们对机器学习驱动的地下储存应用预测的信心。
本研究的结果将为模拟地下储存系统中的气体-水相互作用提供一个有用且灵活的建模框架。这将有助于开发更清洁、更可持续的能源技术。此外,所获得的见解超越了传统的地下氢气储存,扩展到了创新应用,包括天然氢系统、原位氢生成和地下氢农业,使这项研究成为对整个氢经济的重要贡献。

部分摘录

现有文献的批判性评估

对相关文献进行了全面评估,以确定氢气在盐水中及氢气-缓冲气体-盐水系统中界面张力建模的现有缺陷。尽管如此,仍需承认一些关于氢气-气体-盐水系统界面张力的现有综述研究。这些研究包括实验综述(Dehghani等人,2024)、分子模拟和实验综述(Salehi等人,2025)等

径向基函数神经网络(RBFNN)

在人工神经网络家族中,径向基函数神经网络(RBFNN)因其处理高度非线性关系和复杂数据结构的能力而脱颖而出,这些在科学和工程的多个领域中都很常见(Hemmati Sarapardeh等人,2020;Tatar等人,2013)。
与依赖多层的更深层次架构不同,RBFNN采用了一种更高效的配置,仅包含一个

数据库编制和预测模型的构建

本研究的核心目标是使用可解释的机器学习模型来开发稳健且透明的预测框架,能够在各种盐水溶液中准确估算氢气和缓冲气体(CO2和CH4)系统中的IFT。这些预测是在广泛的热力学条件下进行的,特别是不同的压力(P)和温度(T),这对于地下能源储存应用至关重要。
为了探索不同输入的影响

结果与讨论

在详细阐述了基于RBFNN、GRNN和CatBoost的预测模型之后,使用多种验证方法对其预测准确性进行了全面评估。为了确保这些新开发模型的可靠性和稳健性,对其性能进行了严格的统计标准评估。作为这一验证过程的第一步,以下方程式展示了用于

结论

本研究提出了一个稳健且可解释的机器学习框架,用于准确预测多种盐水-氢气/缓冲气体系统中的界面张力(IFT),这对地下能源应用的性能和安全性至关重要。通过开发和评估基于RBFNN、GRNN和CatBoost的模型,在不同的热力学和组成条件下探索了每种范式的预测能力。特别是基于CatBoost的模型

CRediT作者贡献声明

Saad Alatefi:撰写 – 原稿撰写、可视化、验证、调查、形式分析、概念化。Okorie Ekwe Agwu:撰写 – 审稿与编辑、验证、方法论、概念化。Menad Nait Amar:撰写 – 原稿撰写、可视化、形式分析、数据整理、概念化。Ahmad Alkouh:验证、调查、形式分析。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号