多孔介质中氢气储存的气体扩散系数机器学习建模研究及其在优化储气系统中的应用

为解决地下氢气储存(UHS)中因氢气与垫层气体(CH4/N2/CO2)混合导致的效率与纯度难题，研究人员创新性地结合岩心驱替实验与机器学习(ML)技术，开发了高精度气体扩散系数(KL)预测模型。支持向量回归(SVR)表现最优，对三种气体的预测R2值均超0.996，MAD低于0.014，为储气系统设计提供了可靠的理论工具。

　　

地质多孔介质中的地下氢气储存(UHS)技术，堪称解决可再生能源间歇性问题的"绿色保险箱"。但氢气与甲烷(CH₄)、氮气(N₂)、二氧化碳(CO₂)等垫层气体的"分子华尔兹"——即气体扩散系数(K_L)的精确量化，一直是困扰研究人员的"黑箱难题"。

这项研究犹如给传统岩心驱替实验装上了"AI大脑"，通过机器学习(ML)算法解码了多孔介质中气体混合的复杂密码。支持向量回归(SVR)模型化身"预测大师"，对三种气体的扩散系数预测精度(R²)均突破0.996，误差值(MAD)控制在0.014以内，堪称气体扩散研究的"高精度GPS"。

特别有趣的是，不同气体在模型中的表现就像性格迥异的舞者——氮气(N₂)的预测误差(RMSE 0.011)最低，而甲烷(CH₄)和二氧化碳(CO₂)则稍显"活泼"。这些发现为垫层气体的"选秀大会"提供了科学评分表，让未来储氢系统的设计告别"盲选"时代。

这项技术的突破，不仅让地下储氢库变身"智能保鲜库"，更将推动可再生能源系统从"靠天吃饭"迈向"精准调控"的新纪元。