新加坡国立Dhamu等-实验和机器学习评估沉积物中二氧化碳水合物动力学-Energy

Title(题目): Evaluating CO2 hydrate kinetics in multi-layered sediments using experimental and machine learning approach: Applicable to CO2 sequestration（利用实验和机器学习方法评估多层沉积物中二氧化碳水合物动力学：适用于二氧化碳封存）

Source(来源):Energy,2024,291:129947

Abstract(摘要):向低碳经济转型需要实施有效的碳捕获与封存(CCS)战略。 一种潜在的CCS策略是捕获工业排放的二氧化碳，并将其注入海洋沉积物中，以二氧化碳水合物的形式储存起来。然而，这种技术的成功取决于几个关键因素，如注入二氧化碳的沉积物类型、二氧化碳水合物形成和分解的动力学、形成动力学预测模型的准确性，以及二氧化碳水合物的形态。因此，在这项初步工作中，我们开展了一系列高度复杂的实验，以研究二氧化碳水合物的形成和分解过程。这些实验通过将二氧化碳通过注入管注入不同尺寸的湿沉积物中来进行，这些沉积物包括粗砂（直径：0.5-1.5毫米）、砂砾（直径：1.5-3.0毫米）以及双层沙（粗砂+砂砾），这些沉积物被放入高压反应器中作为人工海床实验在3.5 MPa和1.5-2.0℃的温度条件下进行，同时使用了浓度为500 ppm的环境友好型水合物促进剂（L-色氨酸）。本文报道了水合物形成/解离过程中形态变化的图像、沉积物的扫描电镜分析和估计的水-水合物转化。本研究还开发了一种新颖的四参数数学二氧化碳水合物动力学模型。为了训练监督式机器学习算法，使用了包含32,843个实验数据点的数据集，其中两个参数来自实验数据，另外两个参数则取自已发表的文献。水合物转换量的估算结果显示，其顺序为双层沙[88.26(±4.62)%] > 粗砂[77.77(±5.72)%] > 砂砾[65.36(±2.3)%]。所提出的基于机器学习的模型预测水合物转换量的平均绝对相对偏差（%AARD）为4.23-13.29%。这项工作为开发可持续的基于水合物海洋碳储存技术迈出了重要的一步。

图-优化提出的模型流程图

DOI:10.1016/j.energy.2023.129947

Link(链接)：https://www.sciencedirect.com/science/article/abs/pii/S0360544223033418