Comparative Machine Learning Frameworks for Forecasting CO2/CH4 Competitive Adsorption Ratios in Shale
Notice bibliographique
Résumé
Abstract Accurate modeling of CO2/CH4 competitive adsorption behavior is a critical aspect of enhanced gas recovery associated with CO2 sequestration in organic-rich shales (CO2-ESGR). It not only improves the ultimate recovery of shale gas reservoirs that satisfies the increasing energy demand but also provides permanent geologic storage of atmospheric CO2 that contributes to the net-zero energy future. Determining a CO2/CH4 adsorption ratio is essential for the performance prediction of shale gas reservoirs and the evaluation of CO2 storage potential. However, experimental adsorption measurements are expensive and time-consuming that may not always be available for shale reservoirs of interest or at the investigated geologic conditions, and as a result, a sorption ratio cannot be assessed appropriately. Traditional models such as a Langmuir model are highly dependent on extensive experiments and cannot be widely applied. Therefore, a unified adsorption model must be developed to predict the CO2/CH4 competitive adsorption ratios, which is essential for CO2 sequestration and exploitation of natural gas from shale reservoirs. In recent years, the development of machine learning algorithms has significantly improved the accuracy and computational speed of prediction. In this work, we conducted a comparative machine learning algorithm study to effectively forecast the maximum CO2 adsorption capacity and CO2/CH4 competitive adsorption ratios. Four sensitive input parameters (i.e., temperature, total organic carbon, moisture content, and maximum adsorption capacity of CH4) were selected, along with their 50 data points collected from the existing literature. The artificial neural network (ANN), XGBoost, and Random Forest (RF) algorithms were investigated. By comparing the mean absolute errors (MAE) and coefficients of determination (R2), it was found that the ANN models can successfully forecast the required outputs within a 10% accuracy level. Furthermore, the descriptive statistics demonstrated that the CO2/CH4 competitive adsorption ratios were generally from 1.7 to 5.6. The proposed machine learning algorithm framework will provide insights beyond the isothermal conditions of classical adsorption models and the solid support to CO2-ESGR processes into which competitive adsorption can be a driven mechanism.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».