基于数据驱动机器学习模型的咸水层最大储氢高度预测研究

本研究针对可再生能源间歇性导致的电网不稳定问题，提出利用咸水层储氢技术。研究人员通过数据驱动机器学习模型，突破传统线性假设局限，整合矿物组成、压力、温度和盐度等多变量非线性关系，精准预测氢-盐水界面张力（IFT）和接触角，建立最大氢柱高度（MHCH）预测框架，并应用于萨克拉门托盆地咸水层选址评估。结果显示Mokelumne等三个地层储氢高度超过实际厚度，验证了模型在储氢选址中的实用价值。

　　

在全球能源转型背景下，可再生能源的间歇性供应导致电网波动成为重大挑战。将过剩电能转化为氢能并储存于地下地质构造中，被视为平衡能源供需的有效方案。其中，咸水层因分布广泛、储存潜力大而备受关注，但其矿物组成复杂、数据稀缺的特点使得传统评估方法难以准确预测储氢性能。现有模型常简化假设界面张力（IFT）、接触角等参数与深度呈线性关系，忽略了矿物学和盐水盐度的关键影响，导致储氢高度（MHCH）预测偏差，直接影响封存安全性和选址效率。

针对这一难题，研究人员开发了数据驱动的机器学习模型，通过整合压力、温度、盐度和矿物组成等多维变量，首次建立了非线性关联的MHCH预测体系。研究首先构建接触角和IFT的预测模型，突破传统线性回归局限，随后将模型应用于美国萨克拉门托盆地的五个咸水层（Starkey Sands、Mokelumne River等），通过对比MHCH与储层实际厚度评估封存潜力。关键技术包括：1）基于文献实验数据训练接触角机器学习模型；2）建立氢-盐水IFT预测算法；3）结合毛细管突破压力公式计算MHCH；4）利用加州油气地热资源局公开数据验证模型。

Wettability研究
通过接触角测量揭示岩石润湿性，发现水湿性（water-wet）地层更有利于氢封存，因其能形成更高毛细管突破压力。模型预测显示矿物类型和盐度显著影响接触角，例如石英表面的接触角比碳酸盐岩低15°-20°。

Methodology创新
提出"矿物-环境参数耦合算法"，将长石含量、盐度（NaCl 0.5-5 mol/L）、压力（5-20 MPa）等变量纳入随机森林模型，IFT预测误差较传统方法降低42%。

Results and discussions验证
萨克拉门托盆地案例显示，Mokelumne、Kione和Domengine地层的MHCH分别达82m、75m和68m，均超过其实际储层厚度（60m、55m、50m），表明可完全利用储层空间而不突破毛细管压力。而Starkey Sands因高黏土含量导致MHCH（45m）低于厚度（50m），需限制注入量。

Conclusion与Future work
该研究构建了首个考虑矿物效应的咸水层储氢评估框架，为全球氢能选址提供新范式。未来需进一步研究润湿性对残余气封存（residual trapping）的影响，比较毛细管封存与结构封存的相对重要性。论文发表于《International Journal of Hydrogen Energy》，其创新性在于将机器学习与地质工程深度融合，Lokesh Kumar Sekar和Esuru Rita Okoroafor通过数据驱动方法解决了传统模型在复杂地质条件下的适用性问题，为碳中和目标下的氢能规模化储存提供了关键技术支撑。