基于物理信息机器学习预测水溶液中氢气溶解度及其对地下储氢构造的启示意义

本文创新性地提出物理信息机器学习（PIML）框架，结合PI-XGBoost模型精准预测水溶液中氢气溶解度，融合亨利定律（Henry’s Law）、Setchenow效应与气体压缩性等物理机制，为地下储氢（UHS）系统提供高精度（R2 > 0.98）、高一致性的溶解度预测方案，助力储能技术优化与脱碳战略推进。

　　

Section snippets

Data characterization

如表2所示，数据集涵盖四个关键变量的描述性统计：温度（T，单位开尔文）、压力（P，单位巴）、盐度（%）以及xH₂（以10^?5摩尔分数表示）。共分析了1,079个数据点。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。标准差显示出数据集的变异性，其中温度呈现中等波动。

Henry’s Law

亨利定律描述了平衡状态下气体在液体中的溶解行为。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

模型计算亨利常数（k_H）的公式为：

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（开尔文）。为综合考虑压力与温度对溶解行为的耦合效应……

Evaluation of the prediction performance of PIML and traditional models

通过三组关键图示，对比评估了物理信息XGBoost（PIML）模型与传统机器学习方法在预测复杂地下储氢条件下氢气溶解度的表现。

图4展示了线性回归、决策树、随机森林和PI-XGBoost四种模型的预测值与实际值之间的关系。红色虚线……

Limitations of Hydrogen-Specific Mechanisms Beyond Generic Gas Solubility

尽管氢气在水系统中的溶解度预测依赖于气体-液体平衡核心原理（如亨利定律与Setchenow效应），但必须认识到氢气（H₂）特有的物理与化学挑战，这使其不同于CO₂、CH₄等其他气体。

氢气具有远高于大多数气体的分子扩散率，导致更快的质传速率和更强的逸出或迁移倾向，能够穿透地质屏障……

Conclusions

本研究提出了一种物理信息机器学习框架，应用PI-XGBoost模型预测一系列地下条件下水系统中的氢气溶解度。通过融合亨利定律、Setchenow效应和气体压缩性等物理定律，模型实现了高预测精度并严格遵循热力学原理。与传统机器学习方法相比，PI-XGBoost模型误差显著降低……