Application of machine learning in modelling gas dispersion coefficients for hydrogen storage in porous media
Notice bibliographique
Résumé
Abstract Underground hydrogen storage (UHS) in geological formations is recognized as a promising solution for managing renewable energy intermittency and supporting large‐scale energy systems. However, the mixing of hydrogen with cushion gases such as methane (CH 4 ), nitrogen (N 2 ), and carbon dioxide (CO 2 ) remains a critical challenge, directly affecting storage efficiency and gas purity. The gas dispersion coefficient (KL) plays a fundamental role in governing this mixing behaviour, yet its accurate prediction under realistic reservoir conditions has been limited in previous studies. This research presents a novel approach by integrating core flooding experiments with advanced machine learning (ML) techniques to estimate KL values with high precision. Unlike earlier studies that primarily relied on analytical models or limited experimental data, this work combines systematic ML modelling with extensive laboratory data to capture the complex, nonlinear nature of gas dispersion in porous media. The results indicate that support vector regression (SVR) provides superior predictive performance for all tested gases. Specifically, for CH 4 , N 2 , and CO 2 , the SVR model achieved coefficient of determination ( R 2 ) values of 0.9968, 0.9977, and 0.9973, respectively, along with low mean absolute deviation (MAD) values of 0.014, 0.008, and 0.013, and root mean square error (RMSE) values of 0.017, 0.011, and 0.016. These findings provide valuable insights for optimizing cushion gas selection and improving the accuracy of UHS system design, ultimately enhancing storage reliability and contributing to more efficient and sustainable large‐scale hydrogen storage.
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 ».