Томские ученые создали модель глубокой нейронной сети для определения растворимости водорода при подземном хранении
Ученые Томского политеха в составе международной группы разработали гибридные модели глубокого обучения для прогнозирования растворимости водорода при его подземном хранении. Это позволит определить более эффективные стратегии использования водорода как альтернативного и возобновляемого источника энергии.
В последние годы наблюдается стремительный рост интереса к водородным технологиям, особенно в контексте перехода к альтернативным и возобновляемым источникам энергии. Подобный переход требует решения множества задач, среди которых — вопрос хранения водорода. В настоящее время водород обычно хранят 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, безопасность, масштабируемость. Чаще всего для подземного хранения водорода используют соленые водоносные горизонты и истощенные нефтегазоносные 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», — рассказал руководитель исследования, инженер-исследователь Центра Хериот-Ватт ТПУ Шадфар Давуди.
Для прогнозирования растворимости H2 уже применяют традиционные алгоритмы машинного обучения, включая оптимизационные методы повышения точности моделей. Так, исследователи все чаще используют сверточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM) для достижения более точных и обобщающих прогнозов. Однако у этих алгоритмов есть ряд недостатков, таких как высокая вычислительная нагрузка, медленная сходимость, чувствительность к выбросам данных.
В рамках проекта «Цифровая нефтесервисная компания: цифровое сопровождение добычи и переработки нефти и газа» авторы исследования впервые разработали 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.
Предложенный подход доказал свою эффективность. В перспективе, по мнению ученых, его можно будет использовать для надежного прогнозирования растворимости H2 без непосредственного проведения трудоемких лабораторных исследований.
Исследование проведено при поддержке Минобрнауки России по программе «Приоритет-2030».