Published December 1, 2022
| Version v1
Publication
Open
Modeling interfacial tension of the hydrogen-brine system using robust machine learning techniques: Implication for underground hydrogen storage
- 1. Norwegian University of Science and Technology
- 2. Sonatrach (Algeria)
Description
During the last years, there has been a surge of interest in cleaner ways for producing energy in order to successfully handle the climate issues caused by the consumption of fossil fuels. The production of hydrogen (H2) is among the techniques which have grown up as attractive strategies towards energy transition. In this context, underground hydrogen storage (UHS) in saline aquifers has turned into one of the greatest challenges in the context of conserving energy for later use. The interfacial tension (IFT) of the H2-brine system is a paramount parameter which affects greatly the successful design and implementation of UHS. In this study, robust machine learning (ML) techniques, viz., genetic programming (GP), gradient boosting regressor (GBR), and multilayer perceptron (MLP) optimized with Levenberg-Marquardt (LMA) and Adaptive Moment Estimation (Adam) algorithms were implemented for establishing accurate paradigms to predict the IFT of the H2-brine system. The obtained results exhibited that the proposed models and correlation provide excellent estimations of the IFT. In addition, it was deduced that MLP-LMA outperforms the other models and the existing correlation in the literature. MLP-LMA yielded R2 and AAPRE values of 0.9997 and 0.1907%, respectively. Lastly, the trend analysis demonstrated the physical coherence and tendency of the predictions of MLP-LMA.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
خلال السنوات الماضية، كانت هناك موجة من الاهتمام بطرق أنظف لإنتاج الطاقة من أجل التعامل بنجاح مع قضايا المناخ الناجمة عن استهلاك الوقود الأحفوري. يعد إنتاج الهيدروجين (H2) من بين التقنيات التي نشأت كاستراتيجيات جذابة نحو انتقال الطاقة. في هذا السياق، تحول تخزين الهيدروجين تحت الأرض (UHS) في طبقات المياه الجوفية المالحة إلى أحد أكبر التحديات في سياق الحفاظ على الطاقة لاستخدامها لاحقًا. التوتر البيني (IFT) لنظام H2 - Brain هو معلمة أساسية تؤثر بشكل كبير على التصميم والتنفيذ الناجحين لـ UHS. في هذه الدراسة، تم تنفيذ تقنيات قوية للتعلم الآلي (ML)، أي البرمجة الوراثية (GP)، ورجوع تعزيز التدرج (GBR)، والإدراك متعدد الطبقات (MLP) المحسنة بخوارزميات Levenberg - Marquardt (LMA) و Adaptive Moment Estimation (ADAM) لإنشاء نماذج دقيقة للتنبؤ بـ IFT لنظام H2 - Brain. أظهرت النتائج التي تم الحصول عليها أن النماذج المقترحة والارتباط يوفران تقديرات ممتازة لـ IFT. بالإضافة إلى ذلك، تم استنتاج أن MLP - LMA يتفوق على النماذج الأخرى والارتباط الحالي في الأدبيات. أنتجت MLP - LMA قيم R2 و AAPRE بنسبة 0.9997 و 0.1907 ٪ على التوالي. أخيرًا، أظهر تحليل الاتجاه التماسك المادي وميل تنبؤات MLP - LMA.Translated Description (French)
Au cours des dernières années, il y a eu un regain d'intérêt pour des moyens plus propres de produire de l'énergie afin de gérer avec succès les problèmes climatiques causés par la consommation de combustibles fossiles. La production d'hydrogène (H2) fait partie des techniques qui se sont développées comme des stratégies attractives vers la transition énergétique. Dans ce contexte, le stockage souterrain de l'hydrogène dans les aquifères salins est devenu l'un des plus grands défis dans le contexte de la conservation de l'énergie pour une utilisation ultérieure. La tension interfaciale (IFT) du système H2-brine est un paramètre primordial qui affecte grandement la conception et la mise en œuvre réussies de l'UHS. Dans cette étude, des techniques robustes d'apprentissage automatique (ML), à savoir la programmation génétique (GP), le régresseur d'amplification de gradient (GBR) et le perceptron multicouche (MLP) optimisés avec des algorithmes de Levenberg-Marquardt (LMA) et d'estimation adaptative du moment (Adam) ont été mis en œuvre pour établir des paradigmes précis pour prédire l'IFT du système H2-brine. Les résultats obtenus ont montré que les modèles et la corrélation proposés fournissent d'excellentes estimations de l'IFT. De plus, il a été déduit que le MLP-LMA surpasse les autres modèles et la corrélation existante dans la littérature. Le MLP-LMA a donné des valeurs R2 et AAPRE de 0,9997 et 0,1907%, respectivement. Enfin, l'analyse de tendance a démontré la cohérence physique et la tendance des prédictions du MLP-LMA.Translated Description (Spanish)
Durante los últimos años, ha habido un aumento del interés en formas más limpias de producir energía para manejar con éxito los problemas climáticos causados por el consumo de combustibles fósiles. La producción de hidrógeno (H2) se encuentra entre las técnicas que han crecido como estrategias atractivas hacia la transición energética. En este contexto, el almacenamiento subterráneo de hidrógeno (UHS) en acuíferos salinos se ha convertido en uno de los mayores desafíos en el contexto de la conservación de energía para su uso posterior. La tensión interfacial (IFT) del sistema H2-salmuera es un parámetro primordial que afecta en gran medida el diseño e implementación exitosos de UHS. En este estudio, se implementaron técnicas robustas de aprendizaje automático (ML), a saber, programación genética (GP), regresor de aumento de gradiente (GBR) y perceptrón multicapa (MLP) optimizados con algoritmos Levenberg-Marquardt (LMA) y Adaptive Moment Estimation (Adam) para establecer paradigmas precisos para predecir el IFT del sistema H2-brine. Los resultados obtenidos mostraron que los modelos propuestos y la correlación proporcionan excelentes estimaciones del IFT. Además, se dedujo que MLP-LMA supera a los otros modelos y la correlación existente en la literatura. MLP-LMA produjo valores de R2 y AAPRE de 0,9997 y 0,1907%, respectivamente. Por último, el análisis de tendencias demostró la coherencia física y la tendencia de las predicciones de MLP-LMA.Files
1-s2.0-S0360319922042616-main.pdf.pdf
Files
(2.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:69688f82e784ef8eeabb745efc84326a
|
2.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نمذجة التوتر البيني لنظام محلول الهيدروجين باستخدام تقنيات قوية للتعلم الآلي: الآثار المترتبة على تخزين الهيدروجين تحت الأرض
- Translated title (French)
- Modélisation de la tension interfaciale du système hydrogène-brine à l'aide de techniques d'apprentissage automatique robustes : Implication pour le stockage souterrain d'hydrogène
- Translated title (Spanish)
- Modelado de la tensión interfacial del sistema de salmuera de hidrógeno utilizando técnicas robustas de aprendizaje automático: Implicación para el almacenamiento subterráneo de hidrógeno
Identifiers
- Other
- https://openalex.org/W4304692311
- DOI
- 10.1016/j.ijhydene.2022.09.120
References
- https://openalex.org/W1465105198
- https://openalex.org/W1964990053
- https://openalex.org/W1970155688
- https://openalex.org/W1984815740
- https://openalex.org/W1985600426
- https://openalex.org/W2064906260
- https://openalex.org/W2070493638
- https://openalex.org/W2101234009
- https://openalex.org/W2338873322
- https://openalex.org/W2551507401
- https://openalex.org/W2593818290
- https://openalex.org/W2618403136
- https://openalex.org/W2744970422
- https://openalex.org/W2750723786
- https://openalex.org/W2768878617
- https://openalex.org/W2788521973
- https://openalex.org/W2883284252
- https://openalex.org/W2912263470
- https://openalex.org/W2964121744
- https://openalex.org/W2969686885
- https://openalex.org/W2970147800
- https://openalex.org/W2972603352
- https://openalex.org/W3004732066
- https://openalex.org/W3005330118
- https://openalex.org/W3022439381
- https://openalex.org/W3047710797
- https://openalex.org/W3063804164
- https://openalex.org/W3084009773
- https://openalex.org/W3089154374
- https://openalex.org/W3091912075
- https://openalex.org/W3095982085
- https://openalex.org/W3120263324
- https://openalex.org/W3133899235
- https://openalex.org/W3135551615
- https://openalex.org/W3160605717
- https://openalex.org/W3169117172
- https://openalex.org/W3172870735
- https://openalex.org/W3178459889
- https://openalex.org/W3195249254
- https://openalex.org/W3199427609
- https://openalex.org/W3201622017
- https://openalex.org/W3212131091
- https://openalex.org/W4206652799
- https://openalex.org/W4221124994
- https://openalex.org/W4225154543
- https://openalex.org/W4280491920