Machine Learning-Based Interfacial Tension Equations for (H<sub>2</sub> + CO<sub>2</sub>)-Water/Brine Systems over a Wide Range of Temperature and Pressure
Notice bibliographique
Résumé
Large-scale underground hydrogen storage (UHS) plays a vital role in energy transition. H 2 -brine interfacial tension (IFT) is a crucial parameter in structural trapping in underground geological locations and gas–water two-phase flow in subsurface porous media. On the other hand, cushion gas, such as CO 2, is often co-injected with H 2 to retain reservoir pressure. Therefore, it is imperative to accurately predict the (H 2 + CO 2 )-water/brine IFT under UHS conditions. While there have been a number of experimental measurements on H 2 -water/brine and (H 2 + CO 2 )-water/brine IFT, an accurate and efficient (H 2 + CO 2 )-water/brine IFT model under UHS conditions is still lacking. In this work, we use molecular dynamics (MD) simulations to generate an extensive (H 2 + CO 2 )-water/brine IFT databank (840 data points) over a wide range of temperature (from 298 to 373 K), pressure (from 50 to 400 bar), gas composition, and brine salinity (up to 3.15 mol/kg) for typical UHS conditions, which is used to develop an accurate and efficient machine learning (ML)-based IFT equation. Our ML-based IFT equation is validated by comparing to available experimental data and other IFT equations for various systems (H 2 -brine/water, CO 2 -brine/water, and (H 2 + CO 2 )-brine/water), rendering generally good performance (with R 2 = 0.902 against 601 experimental data points). The developed ML-based IFT equation can be readily applied and implemented in reservoir simulations and other UHS applications.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».