多学科设计优化在氢燃料电池-电池混合系统中的应用：将混合化程度纳入无人机概念设计

《International Journal of Hydrogen Energy》：Multidisciplinary design optimization for hydrogen fuel cell-battery hybrid systems: Integrating hybridization degree into UAV conceptual design

本文综述了2021-2025年机器学习（ML）在地下氢储存（UHS）中的应用，分析了盐 caverns、枯竭油气藏等地质储层的ML优化潜力，探讨氢的物理化学捕获机制，并指出数据稀缺性、模型可解释性等挑战及未来研究方向。

　　
本文系统梳理了2021至2025年间机器学习（ML）在地下氢存储（UHS）领域的研究进展，重点分析了ML技术对地质 formations 优化、运营效率提升及成本控制的影响。研究指出，ML在UHS中的应用已从基础数据建模发展到深度学习驱动的复杂系统优化，但仍面临数据稀缺性、模型可解释性不足等核心挑战。

**能源转型背景下的UHS战略地位**
当前全球能源结构仍以化石燃料为主（占比约80%），尽管可再生能源发展迅速，但发电稳定性不足导致储能需求激增。UHS作为新兴解决方案，通过地质 formations 的物理化学特性实现大规模氢能存储，可平衡可再生能源波动性并支撑工业、交通等多领域用氢需求。研究对比显示，盐 caverns（$1.23/kg H?）和 depleted oil/gas reservoirs（$1.29/kg H?）成本优势显著，而硬岩 caverns（$2.77/kg）和含水层（需考虑污染风险）经济性较差。

**地质 formations 的技术特性与ML适配性**
1. **盐 caverns**：具有 impermeable cap rocks 和高储能容量（50,000-1,000,000 m3/场）的特点，但面临微生物污染和盐溶解风险。ML通过建立压力-流量动态模型，优化注入速率（>10,000 m3/h）和监测泄漏预警，已成功应用于HyShell（200,000吨级）和Clemmons盐穹项目。
2. **枯竭油气田**：利用现有基础设施降低成本，但需解决H?S残留（>10,000 ppm时不可行）和微生物腐蚀问题。ML通过岩心数据分析孔隙度（10%-30%）与渗透率（>0.1 mD）的关联模型，指导储层筛选，英国HyStorPor项目已验证3百万m3级储氢潜力。
3. **含水层**：淡水层因污染风险被限制，而盐层含水层（如德国Ketzin项目）通过ML预测水-氢相变临界点（压力50-200 bar，温度10-30℃），可将溶解度提升至0.5-1.0 mol/m3，但需防范微生物活动导致的孔隙结构改变。
4. **硬岩 caverns**：虽地质稳定（抗压强度达300 bar），但建设成本高昂（$2.77/kg）。ML通过三维地质建模和应力场模拟，优化隧道开凿路径，德国H2STORE项目已实现200,000 m3级储氢，但仍需解决岩体裂缝导致的氢泄漏问题。

**ML技术栈的演进路径**
早期研究（2021-2022）主要采用传统机器学习算法（随机森林、SVM）处理岩性参数与储氢能力的线性关系，但难以捕捉复杂地质的非线性特征。2023年后，深度学习（如Transformer网络）开始应用于多源数据融合，成功将储层预测精度从68%提升至89%。典型应用包括：
- **储层选址**：集成地震波数据、地应力场和地下流体特征，构建LSTM神经网络预测储层封存性能
- **动态监测**：部署实时传感器网络，通过强化学习算法动态调整注入压力（±5 bar误差范围）
- **泄漏预警**：采用图神经网络（GNN）分析管网拓扑结构，将泄漏检测响应时间缩短至15分钟内

**核心挑战与突破方向**
1. **数据瓶颈**：地下储层具有时空异质性，现有数据多来自实验室模拟（仅占样本量的23%），野外长期监测数据不足。解决方案包括：
- 开发分布式光纤传感（DTS）系统，实现储层温度场（±0.5℃精度）和应力场（1MPa分辨率）的实时映射
- 构建联邦学习框架，整合分散的储运项目数据（如美国盐穹网络、欧盟H2Bus项目数据）

2. **模型泛化能力**：现有ML模型在盐岩-硬岩混合地层中误差率高达37%，需通过迁移学习技术实现跨 formations 模型迁移。德国Apolis项目验证了在盐 caverns训练的ResNet-50模型，经微调后可在硬岩储层保持92%的预测准确率。

3. **长期性能预测**：多数研究周期<5年，缺乏对10年以上储层老化的预测模型。解决方案包括：
- 引入物理信息神经网络（PINN），融合达西定律和扩散方程构建多物理场耦合模型
- 开发数字孪生系统，实时模拟储层矿物反应（如Fe-MH形成）对氢纯度的影响

**产业应用案例与效益分析**
1. **英国HyStorPor项目**：通过集成随机森林（分类精度89%）和长短期记忆网络（LSTM），将储氢纯度从初始85%提升至98%，年运维成本降低$120万。
2. **美国Clemmons盐穹**：应用卷积神经网络（CNN）优化注采井布局，使单井年储氢量从2,500吨增至4,800吨，投资回报周期缩短至6.2年。
3. **德国H2STORE硬岩项目**：采用图卷积网络（GCN）建模岩体裂隙网络，成功将储氢压力稳定在180 bar（较传统方法提升15%），泄漏率降至0.02%以下。

**未来研究方向**
1. **多模态数据融合**：整合地质雷达（分辨率0.5m）、地热梯度（±0.1℃/m）和微地震监测（频率<10Hz）等多源数据，构建时空关联模型。
2. **自监督学习**：利用无标注野外数据训练预训练模型，在硬岩储层预测中已实现F1-score达0.91。
3. **量子机器学习**：探索量子退火算法在复杂储层模拟中的应用，目前实验室阶段已实现10^6规模储层建模（计算耗时<8小时）。

本研究为氢能基础设施投资决策提供了量化依据：基于ML优化的盐 caverns项目投资回收期较传统方法缩短42%，全生命周期碳排放降低28%。随着2026年后新一代AI芯片（算力达1.5 PFLOPS）的普及，预计UHS的工程成本将再下降19%，推动全球年储氢需求从当前的120万吨级向500万吨级跨越。该领域的技术突破不仅关乎氢能储运经济性，更直接影响碳中和进程——每百万立方米盐 caverns储氢可替代500万吨石油，年减排CO?达1.2亿吨。