Machine Learning-Driven Prediction of CO2 Solubility in Brine: A Hybrid Grey Wolf Optimizer (GWO)-Assisted Gaussian Process Regression (GPR) Approach
Notice bibliographique
Résumé
The solubility of CO2 in brine systems is critical for both carbon storage and enhanced oil recovery (EOR) applications. In this study, Gaussian Process Regression (GPR) with eight different kernels was optimized using the Grey Wolf Optimizer (GWO) algorithm to model this important phase behavior. Among the tested kernels, the ARD Matern 3/2 and ARD Matern 5/2 kernels achieved the highest predictive accuracies, with R2 values of 0.9961 and 0.9960, respectively, on the test data. This demonstrates superior performance in capturing CO2 solubility trends. The GWO algorithm effectively tuned the hyperparameters for all kernel configurations, while the ARD capability successfully quantified the influence of key physicochemical parameters on CO2 solubility. The outstanding performance of the ARD Matern 3/2 and ARD Matern 5/2 kernels suggests their particular suitability for modeling complex thermodynamic behaviors in brine systems. Furthermore, this study integrates fundamental thermodynamic principles into the modeling framework, ensuring all predictions adhere to physical laws while maintaining excellent accuracy (test R2 > 0.98). These results highlight how machine learning can improve CO2 injection processes, both for underground carbon storage and enhanced oil production.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 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 ».