基于物理信息XGBoost模型预测地下储氢系统中氢气溶解度的跨学科研究

本文创新性地提出物理信息机器学习（PIML）框架，通过整合亨利定律（Henry’s Law）、Setchenow效应与气体压缩因子等物理机制，构建PI-XGBoost模型精准预测复杂环境下氢气溶解度（R2 > 0.98），为地下储氢（UHS）系统优化与风险控制提供理论支撑，推动能源存储技术发展。

　　

Highlight

数据特征

如表2所示，本研究分析了1,079个数据点的四个关键变量：温度（T，单位K）、压力（P，单位bar）、盐度（%）和xH₂（以10^?5摩尔分数表示）。温度、压力、盐度和xH₂的平均值分别为337.212 K、110.247 bar、7.856%和0.001639×10^?5。标准偏差凸显了数据集的变异性，其中温度呈现中等波动。

亨利定律（Henry’s Law）

亨利定律描述了平衡状态下气体在液体中的溶解度。该定律指出，气体在液体中的浓度（C）与其分压（P）通过亨利常数（k_H）成正比，而k_H受温度影响：

C = k_H × P

模型中亨利常数（k_H）的计算公式为：

k_H = exp(–ΔH/RT)

其中ΔH为溶解焓，R为通用气体常数，T为绝对温度（单位K）。为捕捉压力与温度对溶解度的协同效应，模型进一步引入了修正参数。

PIML与传统模型预测性能评估

通过三组关键图示，物理信息XGBoost（PIML）模型相较于传统机器学习方法在预测复杂地下储氢条件下的氢气溶解度方面展现出显著优势。

图4对比了线性回归、决策树、随机森林和PI-XGBoost四种模型的预测值与实际值关系。红色虚线标示理想拟合线，PI-XGBoost数据点最紧密沿该线分布，表明其预测误差最小且一致性最高。

氢特异性机制超越通用气体溶解度的局限性

尽管氢气溶解度预测基于亨利定律和Setchenow效应等气液平衡核心原理，但必须认识到氢气（H₂）独特的物理化学挑战，这使其区别于CO₂、CH₄等其他气体。

氢气分子扩散速率远高于大多数气体，导致其质量传递更快，且更容易通过地质构造逃逸或迁移。

结论

本研究提出的物理信息机器学习框架通过PI-XGBoost模型成功预测了多尺度地下环境下氢气在水体系中的溶解度。该模型融合亨利定律、Setchenow效应及气体压缩性等物理规律，在保持热力学原理一致性的同时实现了高精度预测（R² > 0.98）。与传统机器学习方法相比，PI-XGBoost显著降低了均方误差（MSE），为地下储氢系统的设计与风险管控提供了可靠工具。