Predicting interfacial tension in brine-hydrogen/cushion gas systems under subsurface conditions: Implications for hydrogen geo-storage
Notice bibliographique
Résumé
Underground hydrogen storage (UHS) critically relies on cushion gas to maintain pressure balance during injection and withdrawal cycles, prevent excessive water inflow, and expand storage capacity. Interfacial tension (IFT) between brine and hydrogen/cushion gas mixtures is a key factor affecting fluid dynamics in porous media. This study develops four machine learning models— Decision Trees (DT), Random Forests (RF), Support Vector Machines (SVM), and Multi-Layer Perceptrons (MLP)—to predict IFT under geo-storage conditions. These models incorporate variables such as pressure, temperature, molality , overall gas density, and gas composition to evaluate the impact of different cushion gases. A group-based data splitting method enhances the realism of our tests by preventing information leakage between training and testing datasets . Shapley Additive Explanations (SHAP) reveal that while the MLP model prioritizes gas composition, the RF model focuses more on operational parameters like pressure and temperature, showing distinct predictive dynamics. The MLP model excels, achieving coefficients of determination (R 2 ) of 0.96, root mean square error (RMSE) of 2.10 mN/m, and average absolute relative deviation (AARD) of 3.25%. This robustness positions the MLP model as a reliable tool for predicting IFT values between brine and hydrogen/cushion gas (es) mixtures beyond the confines of the studied dataset. The findings of this study present a promising approach to optimizing hydrogen geo-storage through accurate predictions of IFTs, offering significant implications for the advancement of energy storage technologies .
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 | 0,001 |
| 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 ».