Gas Hydrate Dissociation Temperature Prediction in Porous Media: Effects of Pore Size and Modeling Approach
Notice bibliographique
Résumé
Understanding the dissociation behavior of gas hydrates in confined porous media is crucial for assessing their stability and potential applications in energy storage, carbon capture, and climate modeling. In this study, we develop two distinct approaches to predict the equilibrium dissociation temperature of gas hydrates in porous materials with varying pore sizes: a thermodynamic model based on the activity approach and a suite of machine learning (ML) models. The thermodynamic model explicitly accounts for the effects of confinement on hydrate phase stability and was validated using an unfiltered data set for methane (CH 4 ) and propane (C 3 H 8 ) hydrates, achieving low average absolute deviations (AAD%) of 0.17 and 0.62%, respectively. To complement and generalize these predictions, we trained four ML models: Decision Tree, Random Forest, Support Vector Machine (SVM), and Multi-Layer Perceptron. These models used input features such as pore diameter, system pressure, and critical gas properties. A group-based data splitting strategy was applied, with propane data exclusively reserved for testing to assess true generalization. The SVM model exhibited the highest predictive performance on unseen data, with an AAD% of 0.52%. To enhance interpretability, SHapley Additive exPlanations (SHAP) analysis was employed. The results confirmed alignment between the ML model’s decision logic and known physical principles and identified critical temperature, pressure, and pore size as the most influential features. While group-based splitting improved robustness, discrete SHAP patterns suggest that a broader variety of gases in the training data could further enhance generalizability. Overall, this integration of physics-based and data-driven modeling provides accurate and interpretable predictions of hydrate dissociation behavior in porous systems, supporting future developments in both geological and industrial 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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».