基于物理原理的模型用于预测氢盐水界面张力在开发范围之外的情况:对氢储存的影响
《Results in Engineering》:Physics-Informed Model For H2-brine Interfacial Tension Prediction Outside the Development Range: Hydrogen Storage Implications
【字体:
大
中
小
】
时间:2026年05月15日
来源:Results in Engineering 7.9
编辑推荐:
艾哈迈德·法里德·易卜拉欣
沙特阿拉伯达兰国王法赫德石油与矿业大学石油工程与地球科学系,邮编31261
**摘要**
在咸水含水层中进行地下氢储存(UHS)越来越被视为大规模能源储存的战略选择,其中氢气(H?)与盐水之间的界面张力(IFT)直接控制着毛细进入压力、残
艾哈迈德·法里德·易卜拉欣
沙特阿拉伯达兰国王法赫德石油与矿业大学石油工程与地球科学系,邮编31261
**摘要**
在咸水含水层中进行地下氢储存(UHS)越来越被视为大规模能源储存的战略选择,其中氢气(H?)与盐水之间的界面张力(IFT)直接控制着毛细进入压力、残余捕获、注入性和长期储存安全性。然而,在储层压力-温度-盐度条件下准确预测IFT仍然具有挑战性,因为实验室测量成本高昂且难以对挥发性氢系统进行。同时,传统的预测相关性和纯数据驱动的机器学习模型在超出校准范围时往往缺乏可靠性。因此,在工程上对物理一致、广范围IFT预测的需求与代表性实验数据集的有限可用性之间存在关键差距。本研究通过开发一个基于物理知识的预测框架来解决这一差距,该框架旨在提高外推的稳健性,同时保持热力学一致性。
研究人员整理了一个包含400个H?-盐水IFT实验数据点的数据库,并将其分为开发(训练/测试)集和独立验证集,后者扩展到了开发范围之外,以明确评估外推能力。构建了一个物理信息神经网络(PINN),其中总损失函数被定义为数据不匹配和物理残差的加权组合。与传统的黑盒回归器不同,基于导数的物理约束通过自动微分直接纳入损失函数中,从而在训练过程中基于Peng-Robinson状态方程(PR-EoS)和线性梯度理论(LGT)强制实现物理意义上的敏感性。此外,与嵌入物理公式相关的选定热力学常数被视为可学习参数,而不是固定系数,这使得模型能够与实验数据进行物理一致的校准,同时遵循基本原理。这种双重策略——物理残差强制和自适应物理参数——在不牺牲机制可解释性的前提下实现了经验灵活性。
在开发范围内,预测精度很高,R2 = 0.98,相应的RMSE值分别为1.34 mN/m(训练)和2.07 mN/m(测试)。更重要的是,在超出范围的验证数据集上也保持了良好的性能(R2 = 0.91,RMSE = 2.30 mN/m),证明了稳定的、物理一致的外推行为。相比之下,纯数据驱动的神经网络在验证性能上显著下降(R2 = 0.587,RMSE = 4.544 mN/m),尽管在范围内的精度相当。当物理贡献占总损失的54%(λ = 1.2)时,观察到物理强制和数据拟合之间的最佳平衡,这证实了控制物理权重对于最大化泛化能力至关重要。
因此,提供了一个稳健的、基于物理的预测工具,用于UHS可行性筛选、储层模拟支持和敏感性分析。主要创新在于将基于导数的物理约束嵌入训练过程中,并将选定的物理常数视为可学习参数,从而相对于传统数据驱动模型提高了外推的可靠性,同时保持了工程可解释性。
**1. 引言**
全球向清洁能源的转型使氢气(H?)成为一种多功能和可持续的燃料来源[1]。随着努力减少对化石燃料的依赖,氢气在能源分配和储存中的重要性日益增加。在地质构造中,特别是在咸水含水层中进行地下氢储存(UHS)是大规模氢储存最有前景的方法之一[2,3,1,4]。咸水含水层中的UHS因其可行性和经济潜力而受到关注。其效率取决于流体相互作用的管理,尤其是氢气与盐水之间的界面张力(IFT)。IFT影响注入性、捕获和稳定性:高IFT有助于捕获,但可能降低回收率;而低IFT则提高流动性,但存在迁移和安全性风险[[5], [6], [7]]。
实验室使用悬滴法等技术可靠地测量了氢气与盐水之间的IFT,这是表征流体相互作用的关键方法。然而,在类似储层的压力、温度和盐度条件下进行实验面临挑战。氢气的高扩散性和挥发性,以及稳定高压高温设置的技术复杂性,使得测量变得复杂,增加了成本和时间。虽然实验室数据是IFT表征的基础,但跨条件的有限测量促使人们需要准确的预测模型。
不同的分析模型使用不同的状态方程(EOS)结合密度梯度理论[[14], [15], [16], [17]]来预测H?与盐水之间的IFT。其中一种方法是线性梯度理论(LGT)与Peng-Robinson EOS(PR-EOS)的组合,如[15]所讨论的。该组合可以预测278.6 K至368.2 K范围内H?/H?O和(N? + H?)/H?O系统的IFT。它简化了梯度理论的计算,并使用经验相关性来改进三元系统的预测。另一种方法是密度梯度理论(DGT),它模拟界面处的组分密度,但传统上需要参考物质和密度假设。像稳定密度梯度理论(SDGT)这样的创新消除了这些限制,使其更加灵活,适用于PC-SAFT等系统,以更好地预测相行为[17]。
机器学习已成为预测IFT和增强UHS系统效能的宝贵工具。Hosseini和Leonenko [18]开发了四种智能模型——决策树(DT)、随机森林(RF)、支持向量机(SVM)和多层感知器(MLP)——基于压力、温度和摩尔浓度等输入变量来预测IFT。他们的研究表明,RF模型表现最佳,R2为0.96,RMSE为1.50,AARD为1.84% [18]。温度被认为是影响IFT的最重要因素,其次是摩尔浓度和压力。Gbadamosi等人[19]引入了高斯过程回归(GPR)、Elman神经网络(ENN)和逻辑回归来预测H?-盐水系统中的IFT,其中GPR-M2模型最为准确,MAPE为0.0512,MAE为0.002 [19]。Ng等人[20]使用遗传编程(GP)、梯度提升回归器(GBR)和采用Levenberg-Marquardt及Adam算法优化的MLP来模拟IFT,发现MLP-LMA模型最为精确,R2为0.9997,AAPRE为0.1907% [20,21],解决了在UHS条件下预测水/盐水中H?和CO?IFT的准确性和效率问题。他们使用分子动力学(MD)模拟生成了大量IFT值数据,并开发了一个基于ML的IFT预测方程,经过实验数据验证,表现良好(R2 = 0.902)。该模型可用于储层模拟和UHS应用[22]。他们应用ML方法在不同压力、温度和密度条件下预测H?-H?O混合物的IFT,使用了支持向量回归、XGBoost和决策树,并通过k折交叉验证和网格搜索进行优化。结果显示XGBoost在准确性和误差减少方面表现最佳,误差分析证实了其可靠性[23]。他们利用了包含氢气和缓冲气体(如CH4、CO?)在各种条件下的IFT值的广泛数据库,并应用了先进的机器学习技术,包括Light Gradient Boosting Machine(LightGBM)、Extra Trees(ET)和卷积神经网络(CNN)来开发稳健的预测模型。LightGBM和ET模型通过Grasshopper优化算法(GOA)进行了超参数优化,LightGBM-GOA模型的平均绝对相对偏差(AARD)为1.5637%,相关系数为0.9901。Azadivash [24]探索了几种ML算法,包括CatBoost、XGB等,并在大量实验测量数据上评估了它们的性能。尽管这些模型在压力、气体组成、温度和盐度范围内预测IFT表现良好,但在较高压力下尤其是对于CO?,它们显示出显著偏差。像CatBoost和XGB这样的ML模型在20 MPa以上的高压下过度预测了IFT,这是由于复杂的相行为和CO?溶解度。结合相行为和分子相互作用可以在极端条件下改进预测。CatBoost模型表现最佳,MAE为1.57 mN/m,R2为0.917,突出了密度差、温度和摩尔浓度等关键因素[24]。
之前的模型基于压力、温度和摩尔浓度进行训练以捕捉数据关系。虽然在这些范围内有效,但由于依赖于训练数据,它们在这些条件之外缺乏稳健性。基于物理知识的模型提供了一个有前景的解决方案,增强了IFT预测的信心。基于物理信息的神经网络(PINNs)通过将物理定律(如热力学性质、质量传输方程或多相流模型)直接嵌入模型架构中,提供了一种有前景的方法。这种能力使PINNs即使在未观察到的条件下也能做出物理上合理的预测,相比传统数据驱动的方法具有显著优势。相比之下,纯数据驱动的模型通常在整合物理约束方面受到限制,除非进行大量修改。Raissi等人[27]应用PINNs将机器学习与物理定律相结合,通过训练神经网络来遵守非线性偏微分方程,成功预测了流体动力学和波传播等复杂动态[25]。此外,[26]引入了物理引导神经网络(PGNNs),将基于物理的模型与观测数据相结合,显著提高了学习过程,特别是在数据有限的系统(如异质介质流动)中的预测准确性和可靠性。Ahmadi [33]的最新研究开发了一个基于物理信息的神经建模框架,用于在广泛的热力学和组成条件下预测富氢/盐水系统中的IFT,利用基于注意力的学习和残差物理约束来提高准确性和可解释性,包括不确定性量化和特征重要性分析。通过将基于物理的残差项添加到总损失函数中,模型最小化了数据不匹配损失和物理残差损失。物理项起到了正则化约束的作用。
表1对数据驱动、分析(基于物理)和基于物理信息的建模方法进行了定性比较。纯数据驱动的模型通常具有灵活性,能够捕捉非线性关系,但往往缺乏可解释性和对基本物理定律的明确强制执行[31]。相比之下,分析或热力学模型明确源自物理原理,因此在假设范围内提供高可解释性和泛化能力,尽管它们可能在计算上密集或需要重新制定以纳入新的物理[32]。基于物理信息的方法旨在通过将物理约束嵌入数据驱动框架中来弥合这些范式,提高一致性和泛化能力,同时保持计算效率[31]。分析模型在计算上高效且在预期范围内通常精确,但在没有显著重新推导方程的情况下缺乏整合额外物理或适应更复杂现象的灵活性[[25], [26], [27]]。
**表1. 数据驱动、分析(基于物理)和基于物理信息的建模方法的定性比较**
| 特征 | 基于物理信息的机器学习 | 分析/热力学模型 | 数据驱动模型 |
|-----------------|----------------------|------------------|-------------------|
| 物理定律的整合 | 将物理约束嵌入损失函数中 | 由热力学方程明确控制 | 无明确的物理约束 |
| 外推行为 | 受嵌入物理的约束 | 受模型假设和参数有效性的限制 | 可能在训练域外退化 |
| 非线性的处理 | 通过带有物理指导的神经架构捕获 | 通过分析公式和假设捕获 | 通过灵活的非线性映射捕获 |
| 对噪声的敏感性 | 物理约束可能提供正则化 | 取决于参数拟合过程 | 可能受噪声数据影响 |
| 可解释性 | 部分可解释(基于方程) | 高可解释性(黑盒行为) | |
| 适应新物理的能力 | 可以将物理术语纳入损失公式 | 需要重新制定或推导新方程 | |
在地下氢储存(UHS)中,准确预测氢气-盐水系统中的界面张力(IFT)至关重要,因为IFT直接影响毛细压力、注入性、多相位移和含水层中的储存安全性。尽管实验室测量提供了可靠的数据,但在储层压力-温度-盐度条件下的实验成本高昂且技术上具有挑战性。分子模拟提供了详细的见解,但计算密集,而大多数现有的机器学习模型仍然纯数据驱动,且在训练范围之外往往缺乏可靠的外推能力。为了克服这些限制,本研究开发了一个基于物理信息的神经网络(PINN)框架,其中热力学结构直接嵌入训练过程中。本工作的新颖之处不在于PINNs在IFT预测中的普遍使用,因为最近的研究已经展示了基于物理信息的学习在富氢/盐水系统中的潜力。相反,主要贡献在于物理整合的深度和形式。在最近的基于PINN的IFT研究中,物理项通常通过经验或通用残差约束引入,例如强制温度和压力敏感性之间的简化关系。相比之下,本研究通过将Peng-Robinson状态方程与线性梯度理论(PR-EOS/LGT)耦合,整合了一个机制性的热力学框架。因此,物理损失不仅基于经验趋势约束,还基于从EOS/LGT公式得出的热力学驱动的敏感性。具体来说,基于导数的物理约束条件(涉及压力、温度和盐度)通过自动微分被纳入损失函数中。这是一个重要的区别,因为盐度是H2-盐水系统中的关键控制变量,直接影响界面行为,但在数据驱动或残差正则化的PINN模型中,盐度通常仅被视为统计输入。通过明确约束IFT导数对压力、温度和盐度的依赖性,所提出的框架迫使神经网络学习到与所有关键操作变量相一致的物理敏感性。此外,在训练过程中,选定的EOS/LGT相关常数被视为可学习的物理参数,从而能够在保持模型基本热力学形式的同时,适应性地校准实验数据。这种公式化产生了一个自适应的热力学PINN,它不同于传统的黑盒回归器和仅基于经验残差惩罚的PINN模型。通过在结构层面嵌入物理原理,而不是将其作为事后校正或通用正则化项来应用,所提出的框架提高了可解释性,在数据有限的情况下稳定了学习过程,并增强了在未包含在校准域内的条件下的外推可靠性。因此,该模型为评估储层相关条件下的H2-盐水IFT提供了一个基于物理原理且计算效率高的预测工具,支持UHS可行性筛选、注入性评估、毛细管捕获评估和长期封存分析。
2. 方法论
2.1. 数据描述
从多个文献来源收集了一个全面的数据集,包含了在不同压力、温度和盐度条件下的IFT测量数据[[8], [9], [10], [11], [12], [13]]。采用了严格的数据处理技术来过滤并保留相关的IFT数据。共有400个数据点用于模型训练、测试和验证。在模型开发之前,数据集经过了标准的预处理步骤,包括单位统一、重复项删除、缺失或不合理值的筛选、使用三倍标准差规则进行异常值检测以及最小-最大值归一化。表2中呈现的单变量统计分析涵盖了包括温度、压力、盐度和IFT在内的一系列参数。表2中的单变量统计分析提供了重要的见解,直接指导了建模选择。宽压力范围(14.5–6554 psi)及其显著的可变性要求进行归一化,以确保神经网络训练的稳定性并防止尺度主导。右偏的温度分布(偏度=1.5)和轻微的压力偏度(0.6)证明了使用非参数相关性分析的合理性,并强调了需要一个能够处理非线性关系的建模框架。相对对称的盐度分布(偏度≈0)表明在不同浓度水平上具有平衡的表示,支持稳定的参数学习。同时,IFT值的适度分散和轻微的左偏度突显了嵌入基于物理的约束的重要性,以保持在不同热力学条件下的物理一致性趋势。
表2. 本研究中使用的氢-盐水IFT数据集的统计摘要和范围
变量 单位 最小值 最大值 标准差 偏度系数 平均值
开发数据集范围 psi 14.5 6554 172 40.6 97.7
验证数据集范围 psi 14.5 432 6554 209 7.7
图1展示了Seaborn对图,说明了压力、温度、盐度和界面张力(IFT)之间的关系。对角线以外的面板显示了变量之间的交叉图,而对角线面板显示了每个参数的边际分布。图形的最后一行突出了IFT对输入变量的依赖性。观察到IFT与压力和温度之间存在明显的负相关关系,表明随着这些操作条件的增加,IFT减小。相反,盐度与IFT呈正相关,表明较高的盐浓度会增加界面张力。这些观察到的单调趋势证明了使用非参数相关性分析的合理性,并支持将基于物理的敏感性约束纳入建模框架。对角线分布进一步表明IFT大致遵循正态分布,而压力、温度和盐度显示出轻微的右偏度,与其报告的偏度系数一致。在预处理和模型选择过程中考虑了这些分布特性,以确保训练行为的稳定性。
下载:下载高分辨率图像(489KB)
下载:下载全尺寸图像
图1. 输入和输出数据的双变量分析
a) Seaborn。显示参数之间交叉图的对图,以及显示各个数据分布的对角线图。
b) 所有参数之间Spearman相关系数的热图。
本研究使用的数据集被分为两个不同的子集,如表2所总结的:一个开发数据集和一个验证数据集。开发数据集包含320个数据点(占总数据集的80%),用于模型开发。在这个数据集中,样本被随机分为训练和测试子集,使用不同的分割比例来评估模型的鲁棒性。剩余的80个数据点(20%)被保留为独立的验证数据集,在模型训练期间未使用。这个验证集涵盖了比开发数据集更广泛的压力、温度和盐度范围,使得能够评估模型在训练数据之外条件下的外推能力。表2展示了输入和输出变量的统计特征,包括最小值和最大值(代表每个参数的范围)、平均值(表示中心趋势)、标准差(量化数据的可变性或分散程度)以及偏度系数(描述数据分布的不对称性)。这些统计参数提供了关于用于模型开发和验证的压力、温度、盐度和IFT值的分布和可变性的见解。数据显示压力(14.5–6554 psi)和温度(71.6–348.3°F)的广泛操作范围,特别是压力的可变性很高,这从其较大的标准差中可以看出。温度(1.5)和压力(0.6)的正偏度表明有轻微的偏向较低值的趋势,而盐度显示出对称分布(偏度≈0)。相比之下,IFT显示出轻微的负偏度(?0.6),表明数据集内有轻微的偏向较高值的趋势。
为了评估模型的鲁棒性,使用了一个超出数据集范围的验证集,包含近80个点(占总数据集的20%)。这个数据集包含了更广泛的输入参数范围,也在表2中概述,超出了开发数据集的范围。验证数据集在温度(348°F至400°F)、压力(4320 psi至6554 psi)和盐度(5.7 M至7.29 M)上扩展了开发数据集的上限。这种方法旨在测试PINN模型(λ=1)和数据驱动模型(λ=0)在训练期间未遇到的条件下的预测性能。这种方法突出了模型对新环境的泛化能力,这是对其有效性的关键测试。
为了检查IFT值对输入参数的依赖性,计算了Spearman相关系数(R)。R值是使用公式(1)计算的。
(1) R = ∑i=1n(Rxi?Rx?) / (∑i=1n(Ryi?Ry?)2)
R = 相关系数
Rxi = 样本中输入变量的值排名
Rx? = 输入变量值排名的平均值
Ryi = 样本中输出变量的值排名
Ry? = 输出变量值排名的平均值
图1b显示了所有参数之间相关系数的热图。Spearman相关性是一种非参数度量,用于评估排名变量之间单调关系的强度和方向。压力与IFT的相关性可以忽略不计,表明它不会显著影响IFT行为。相比之下,温度与IFT有中等的负相关(-0.38),表明随着温度的升高,IFT减小。盐度与IFT有相对较强的正相关(0.46),这是分析中最显著的关系,表明较高的盐浓度与IFT的增加有关。这些系数突出了温度和盐度对IFT的不同影响,温度的降低导致IFT减小,而盐度的增加导致IFT增加。同时,压力主要独立于这些效应。
2.2. 模型开发
图2概述了开发机器学习(ML)模型的系统工作流程。该过程从数据准备开始,涉及收集和处理相关数据,以确保模型构建的高质量输入。数据被随机分为训练集和测试集,分割比例从60/40调整到80/20,以检验不同的测试/训练分割对模型性能的影响。在模型训练阶段优化超参数,以实现最佳的模型准确性。随后进行模型测试,其中数据分割比例可能会进一步细化以提升模型性能。然后评估整合物理信息组件的效果,以评估其对模型结果的影响。模型验证步骤包括使用未见数据(包括超出原始范围的数据点)进行测试,以确定模型的鲁棒性和泛化能力。最后,敏感性分析比较了纯数据驱动模型与物理信息模型的预测结果,分析各种输入因素对预测的影响。这一全面的工作流程确保了模型能够在多样化的输入场景下进行准确的预测。
模型的评估矩阵包括决定系数(R2)和均方根误差(RMSE)。R2和RMSE可以使用公式(2)、(3)、(4)、(5)计算。
(2) R2 = 1 - SSE / SYY
(3) SSE = ∑i=1n(yi?y^i)2
(4) SYY = ∑i=1n(yi?y?)2
(5) RMSE = SSE / n
其中SSE是残差平方的和,n是数据数量,yi是实际数据值,y^i是预测数据值,SYY是数据变化平方的和。
2.3. 物理集成
在这项研究中,开发了物理信息神经网络(PINN)来预测氢和盐水系统的IFT,这是优化含盐含水层UHS的关键参数。该方法将物理定律和经验数据整合到一个统一的模型中,能够准确预测IFT同时保持物理一致性。这是通过将Peng–Robinson状态方程(PR-EoS)和基于Dong等人的LGT [15]结合到PINN的损失函数中实现的,确保预测既符合经验观察结果,也符合基本热力学原理。基于物理的损失和数据损失被整合到PINN损失函数的开发中,以预测IFT。这种整合被表述为:
(6) TotalLoss = DataLoss + λPhysicsLoss
其中λ是一个权重因子,用于平衡经验数据拟合与遵循物理定律的贡献。这种平衡确保模型有效地结合了两种来源的见解。数据损失使用预测IFT值与实验观察值之间的均方误差来量化。相比之下,物理损失将基本物理定律整合到训练过程中,指导模型尊重已知的热力学关系。
在PINN框架下预测IFT的物理损失函数的开发涉及基本物理定律的系统集成,特别是PR-EoS和LGT [15]。物理损失被估计为IFT对输入参数导数的函数,如公式(7)所示:
(7) PhysicsLoss = 1/N ∑i=1N [(dIFT/dP)^2 + (dIFT/dT)^2 + (dIFT/dS)^2]
其中,dIFT/dP^、dIFT/dT^和dIFT/dS^的导数是通过自动微分从神经网络获得的。模型利用PyTorch的自动微分功能来计算IFT对P、T和S的梯度。PyTorch的torch.autograd模块提供的grad函数用于计算IFT对每个输入参数的偏导数。这些梯度对于动态捕捉每个变量的变化如何影响IFT至关重要。反向模式自动微分(AD)通过从输出开始并反向传播梯度到输入来计算导数。当有许多输入但只有一个输出时,这种方法非常高效,例如在神经网络中。它通过一次性计算所有输入的梯度来减少计算复杂性。
图2概述了开发不同ML模型的不同程序。
模型的评估矩阵包括决定系数(R2)和均方根误差(RMSE)。R2和RMSE可以使用公式(2)、(3)、(4)、(5)计算。
(2) R2 = 1 - SSE / SYY
(3) SSE = ∑i=1n(yi?y^i)2
(4) SYY = ∑i=1n(yi?y?)2
(5) RMSE = SSE / n
其中SSE是残差平方的和,n是数据数量,yi是实际数据值,y^i是预测数据值,SYY是数据变化平方的和。
2.3. 物理集成
在这项研究中,开发了物理信息神经网络(PINN)来预测氢和盐水系统的IFT,这是优化含盐含水层UHS的关键参数。该方法将物理定律和经验数据整合到一个统一的模型中,能够准确预测IFT同时保持物理一致性。这是通过将Peng–Robinson状态方程(PR-EoS)和基于Dong等人的LGT [15]结合到PINN的损失函数中实现的,确保预测既符合经验观察结果,也符合基本热力学原理。基于物理的损失和数据损失被整合到PINN损失函数的开发中,以预测IFT。这种整合被表述为:
(6) TotalLoss = DataLoss + λPhysicsLoss
其中λ是一个权重因子,用于平衡经验数据拟合与遵循物理定律的贡献。这种平衡确保模型有效地结合了两种来源的见解。数据损失使用预测IFT值与实验观察值之间的均方误差来量化。相比之下,物理损失将基本物理定律整合到训练过程中,指导模型尊重已知的热力学关系。
在PINN框架下预测IFT的物理损失函数的开发涉及基本物理定律的系统集成,特别是PR-EoS和LGT [15]。物理损失被估计为IFT对输入参数导数的函数,如公式(7)所示:
(7) PhysicsLoss = 1/N ∑i=1N [(dIFT/dP)^2 + (dIFT/dT)^2 + (dIFT/dS)^2]
其中,dIFT/dP^、dIFT/dT^和dIFT/dS^的导数是通过自动微分从神经网络获得的。模型利用PyTorch的自动微分功能来计算IFT对P、T和S的梯度。这些梯度对于动态捕捉每个变量的变化如何影响IFT至关重要。反向模式自动微分(AD)通过从输出开始并反向传播梯度到输入来计算导数。当有许多输入但只有一个输出时,这种方法非常高效,例如在神经网络中。它通过一次性计算所有输入的梯度来减少计算复杂性。
dIFT/dP、dIFT/dT和dIFT/dS分别反映了IFT对压力、温度和盐度的导数,基于LGT-EOS [15],其中IFT可以简化为以下形式:
(8) IFT = ∫ρgρL2κ(F(ρ)?Ps)dρ
其中F(ρ)代表亥姆霍兹自由能密度,Ps是相平衡状态压力,ρ是体积相摩尔密度,κ代表影响参数。为了将其整合到PINN框架中,并遵循Dong等人的方法[[15]],公式(8)被近似为:
(9) IFT ≈ Cκ(T,S)(F(ρ,T,S)?P)
这个表达式假设界面上的密度梯度是线性的,并且自由能在平衡条件下可以评估。需要强调的是,公式(9)不是用来直接预测绝对IFT值的;相反,它是用来在损失函数中推导出物理一致的敏感性约束的。因此,其有效性是通过PINN预测与实验数据之间的整体一致性以及验证部分后面呈现的分析LGT-EOS趋势来间接评估的。常数C吸收了积分结构和界面宽度的信息。关于压力的dIFTdP导数表示为:(10)dIFTdP=?C2κ(F?P)关于温度的导数使用链式法则计算:(11)dIFTdT=?C2κ(F?P)[dκdT(F?P)+κdFdT]影响参数κ是根据经验建模的[15],表示为:(12)κ=A(1?TTC)B→dκdT=?ABTC(1?TTC)B?1关于盐度:(13)dIFTdS=?C2κ(F?P).κdFdST赫姆霍兹自由能F用摩尔体积v、化学势μ和压力P表示为:(14)F=1vμ?PF关于每个输入的偏导数使用链式法则得出:(15)dFdx=?1v2dvdxμ+1vdμdx?dPdx,x∈{P,T,S}压力和化学势使用Peng–Robinson状态方程(EOS)确定:(16)P=RTv?b?a(T)v(v+b)+b(v?b)其中P、T代表压力和温度,v是摩尔体积,a、b是材料的临界温度、临界压力和偏心率的函数,如下所示。(17)a(T)=0.45724R2T2TC2α(T),α(T)=[1+m(1?TTC)]2(18)b=0.0778RTPC,m=0.37464+1.54226ω?0.26992ω2将这些常数作为可学习参数处理,允许PINN在训练过程中调整这些常数,从而增强模型适应特定实验数据集和操作条件的灵活性。通过在训练过程中优化这些参数,模型能够更好地适应变化的环境因素,确保其能够很好地泛化到未见的数据。图3展示了所提出的物理信息神经网络(PINN)训练的工作流程,用于预测H2-盐水界面张力。该框架结合了实验数据和热力学约束。输入变量(压力、温度和盐度)被输入到神经网络中以预测IFT。训练分为两部分:一部分是基于均方误差的数据驱动损失,另一部分是基于物理的分支,使用自动微分来计算IFT对压力、温度和盐度的敏感性。这些与PR-EoS和LGT的热力学敏感性进行比较。总损失使用Adam和LBFGS算法最小化。在训练过程中,神经网络权重和热力学参数不断更新,直到收敛,从而产生一个物理上一致且可泛化的模型。下载:下载高分辨率图像(947KB)下载:下载全尺寸图像图3. 物理信息神经网络(PINN)训练过程的工作流程,说明了数据驱动学习和基于物理的约束(来自PR-EoS和线性梯度理论(LGT))的整合。3. 结果与讨论3.1. PINN结果模型的核心在于PINN架构,该架构包含四个隐藏层,每层有128个神经元。这种架构利用Tanh激活函数引入系统的非线性。Tanh捕捉了输入变量(压力、温度和盐度)与IFT之间的复杂关系。图4展示了PINN模型的结构,说明了输入数据如何流经每一层,输出反映了预测的IFT。下载:下载高分辨率图像(369KB)下载:下载全尺寸图像图4. 本研究中使用的PINN模型结构。PINN模型的训练过程持续了2000个周期,使用Adam优化器来最小化数据损失(预测IFT值与实际IFT值之间的误差)和物理损失(模型中嵌入的物理约束的残差)。学习率设置为0.001,以平衡收敛速度和避免过拟合或欠拟合。图5显示了PINN模型的训练动态,跟踪了前2000个周期内总损失、数据损失和物理损失的变化。在初始阶段,观察到波动,反映了模型在更新权重以平衡最小化数据损失和物理损失时的调整。这一波动期表明模型正在努力使经验数据与嵌入的物理约束保持一致。随着训练的继续,这些波动逐渐减少,所有损失成分趋于稳定。这种稳定阶段表明模型成功整合了数据驱动的洞察力和物理原理,达到了总损失最小的平衡状态。最终稳定表明模型已经达到了一个状态,在此状态下,从数据中进一步显著改进或遵守物理约束的潜力很小。下载:下载高分辨率图像(138KB)下载:下载全尺寸图像图5. 训练过程中的总损失、物理损失和数据损失演变。图6展示了训练和测试数据集的预测IFT值与实际IFT值的交叉图。此外,还使用决定系数(R2)和均方根误差(RMSE)指标评估了模型的性能。对于训练集,PINN模型获得了0.98的R2和1.34的RMSE。这个高的R2值表明模型解释了训练数据中98%的方差,而相对较低的RMSE反映了最小的预测误差。图5显示大多数点位于对角线上。这些指标表明模型成功捕捉了压力、温度、盐度和IFT之间的关系。下载:下载高分辨率图像(275KB)下载:下载全尺寸图像图6. PINN模型在训练和测试数据集中的结果。模型在测试阶段的性能更好,获得了0.98的R2和2.07的RMSE。测试集中更高的R2和略微增加的RMSE表明模型能够很好地泛化到未见的数据,进一步增强了其鲁棒性。模型在测试集上的高准确性表明它没有过拟合训练数据。嵌入在PINN中的基于物理的约束可能通过强制与已知物理定律的一致性显著防止了过拟合。3.2. 数据驱动模型结果为了全面了解将物理纳入模型的影响,将PINN模型的性能与纯数据驱动模型(λ=0)进行了比较。数据驱动模型在训练过程中没有物理损失组件,仅依赖数据进行预测。这一比较的结果如图7所示。下载:下载高分辨率图像(277KB)下载:下载全尺寸图像图7. 忽略物理的PINN模型在训练和测试数据集中的结果。数据驱动模型的训练集获得了0.97的R2和1.44的RMSE,接近PINN模型的结果。在测试集上,数据驱动模型获得了0.985的R2和1.531的RMSE。这些结果表明数据驱动模型在R2方面在测试集上的表现略好。数据驱动模型在测试阶段的RMSE略低,表明它可能对特定测试数据有更好的拟合。然而,PINN模型在测试中略高的RMSE可能是由于物理损失施加的额外约束,确保了预测的物理一致性。虽然数据驱动模型可能更好地拟合了特定数据,但它缺乏物理信息方法提供的鲁棒性,这对于泛化到训练和测试数据之外的条件至关重要。在模型开发之后,使用残差图检查最小二乘回归的假设是至关重要的。图8提供了基于物理和基于数据的模型在预测IFT时的残差比较分析。残差计算为实际IFT减去预测IFT,有助于评估每个模型预测的准确性。接近零的残差表明预测非常准确。下载:下载高分辨率图像(265KB)下载:下载全尺寸图像图8. 基于物理(PINN)和数据驱动模型的IFT预测残差分析,a) 残差频率,b) 不同IFT值下的残差。图8a展示了两种模型的残差分布。基于物理的模型在零点处有一个明显的峰值,表明大约80%的预测与实际IFT值非常吻合。这个尖锐的峰值和狭窄的分布表明了高精度和准确性。基于数据的模型也在零点处有一个峰值,但残差分布更广。这种更宽的分布表明虽然模型总体上预测得很好,但其预测与实际值的差异更大,表明一致性较低。图8b将两种模型的残差与实际IFT值进行了对比。观察显示,两种模型在IFT值范围内都将许多数据点聚集在零残差线附近,强调了实际IFT值与预测IFT值之间的误差通常很小。然而,基于物理的模型在零点附近的点聚集得更紧密,特别是在IFT值的中间范围内。这种模型在各种IFT水平上表现出更稳定的性能。相比之下,基于数据的模型在IFT范围的低端和高端显示出更分散的残差分布,表明在这些极端情况下性能有所变化。3.3. 在开发范围之外的预测模型鲁棒性的一个关键测试是其在训练数据中不存在的条件下进行准确预测的能力。为了评估这一点,将PINN模型(λ=1)和数据驱动模型(λ=0)应用于一个验证集,其中输入参数——压力、温度和盐度——超出了训练和测试集中使用的范围,如表2所示。验证集的实际IFT值与预测IFT值的交叉图显示了强相关性,特别是在基于物理的模型中(图9- 红点)。验证集的R2值为0.902,表明即使这些数据点超出了原始训练范围,基于物理的模型也解释了验证数据中超过90%的方差。验证集的RMSE为2.290,略高于测试集,但仍处于可接受范围内。相比之下,数据驱动模型在验证集的外推方面遇到了困难。图9(蓝点)显示了数据驱动模型的预测IFT值,与实际值的关联较弱。数据驱动模型在验证集上的R2为0.587,RMSE为4.544,明显低于基于物理的模型。这种显著差异突显了纯数据驱动方法在应用于训练范围之外的条件时的局限性。基于物理的模型能够泛化到新条件,这直接归功于其中嵌入的基于物理的约束。通过将控制物理方程纳入损失函数,模型学会了做出与已知物理定律一致的预测,即使在不熟悉的条件下也是如此。在氢储存等应用中,准确预测各种压力、温度和盐度下的IFT对于安全和高效的操作至关重要。下载:下载高分辨率图像(213KB)下载:下载全尺寸图像图9. PINN模型在两个验证数据集中的交叉图结果,范围超出了开发范围。同样,图10展示了实际IFT值与预测IFT值之间的残差误差分析。两个图表详细比较了基于物理(PINN)和基于数据的模型在预测IFT时的残差(误差)。图10a显示了残差的频率分布,基于物理的模型在零点处有一个尖锐的峰值,表明大多数预测与实际测量值非常吻合。这种狭窄的分布表明了更高的准确性和精度,与基于数据的模型形成鲜明对比,后者虽然总体上准确,但残差分布更广。这表明其一致性较低,预测值与实际值的差异更大。通过验证数据集中的残差分散评估了预测不确定性。基于物理的公式展示了始终紧密的残差分布,表明预测不确定性较低,相对鲁棒性更强。图10b显示了残差与IFT值的散点图,进一步说明了这一点。基于物理的模型在广泛的IFT值范围内保持残差接近零,表明了一致的准确性,并仅显示出少数异常值。相比之下,基于数据的模型在IFT值的较低和较高端显示出更分散的残差分布,表明在这些极端情况下性能有所变化。3.3. 在开发范围之外的预测模型鲁棒性的一个关键测试是其在训练数据中不存在的条件下进行准确预测的能力。为了评估这一点,将PINN模型(λ=1)和数据驱动模型(λ=0)应用于一个验证集,其中输入参数——压力、温度和盐度——超出了训练和测试集中使用的范围,如表2所示。验证集的实际IFT值与预测IFT值的交叉图显示了强相关性,特别是在基于物理的模型中(图9- 红点)。验证集的R2值为0.902,表明即使这些数据点超出了原始训练范围,基于物理的模型也解释了验证数据中超过90%的方差。验证集的RMSE为2.290,略高于测试集,但仍处于可接受范围内。相比之下,数据驱动模型在验证集的外推方面遇到了困难。图9(蓝点)显示了数据驱动模型的预测IFT值,与实际值的关联较弱。数据驱动模型在验证集上的R2为0.587,RMSE为4.544,明显低于基于物理的模型。这种显著差异突显了纯数据驱动方法在应用于训练范围之外的条件时的局限性。基于物理的模型能够泛化到新条件,这直接归功于其中嵌入的基于物理的约束。通过将控制物理方程纳入损失函数,模型学会了做出与已知物理定律一致的预测,即使在不熟悉的条件下也是如此。在氢储存等应用中,准确预测各种压力、温度和盐度下的IFT对于安全和高效的操作至关重要。下载:下载高分辨率图像(244KB)下载:下载全尺寸图像图10. 验证数据集的残差误差分析,a) 残差频率,b) 不同IFT值下的残差。为了进一步验证PINN的行为,使用了Dong等人[15]的未见数据来比较PINN结果与分析模型的结果。图11比较了Dong等人[15]讨论的PINN模型与解析线性LGT-EOS模型的IFT预测结果。每个图(a)到(d)代表不同的压力水平:(a) 72 psi,(b) 430 psi,(c) 1080 psi,以及(d) 2170 psi,展示了两种模型在各种热力学情景下的性能。在图11a中,LGT-EOS模型以两种变体(LGT-EOS1和LGT-EOS2)呈现,它们使用不同的EOS常数来紧密匹配实验IFT数据。这些变体说明了IFT预测对LGT框架内EOS参数选择的敏感性。用红线标记的PINN模型有效地捕捉了不同压力下IFT作为温度函数的一般趋势。这突显了该模型在不需要显式参数调整的情况下整合复杂物理行为的能力,而这在传统EOS模型中是常见的需求。在整个图中,尽管PINN预测通常与实际数据点(用蓝色显示)对齐,但显然LGT-EOS模型倾向于略微低估IFT值。这种低估可能源于LGT-EOS模型中存在的简化,正如Dong等人[15]所解释的,这些简化可能会忽略影响IFT的关键因素。最终,将PINN模型与经典的LGT-EOS模型进行比较,不仅展示了机器学习技术在预测热物理性质方面的潜力,还指出了传统模型可能需要改进或调整以提高预测准确性的领域,特别是在图11c和d所示的更高压力条件下。从定量上看,PINN在所有压力下都 consistently 产生了比解析模型更低的RMSE值,表明平均预测误差更小。具体来说,在72 psi时,PINN的RMSE为0.533 mN/m,而LGT-EOS为0.957 mN/m;在430 psi时,RMSE值分别为1.364 mN/m和1.445 mN/m;在1080 psi时,分别为0.892 mN/m和1.427 mN/m;在2170 psi时,分别为0.869 mN/m和1.719 mN/m。尽管在某些情况下解析模型报告的R2值略高(例如,在430 psi时为0.994 vs 0.964,在1080 psi时为0.996 vs 0.973,在2170 psi时为0.998 vs 0.988),但R2主要反映了线性相关性的强度,而不是绝对预测准确性。PINN一致较低的RMSE值表明其与实验数据在数量上的一致性更好,特别是在更高压力下,解析模型的偏差变得更加明显。这些结果表明,虽然解析公式可能保持了强烈的相关趋势,但PINN在不同热力学条件下提供了更准确的定量预测。
下载:下载高分辨率图像(625KB)
下载:下载全尺寸图像
图11. 使用PINN模型和LGT-EOS解析模型(基于[15])进行的IFT预测比较,以及实际值与PINN和LGT-EOS之间的R2和RMSE。a) 压力=72 psi,b) 压力=430 psi,c) 压力=1080 psi,d) 压力=2170 psi。
本研究的结果表明,所提出框架的新颖性不仅体现在其公式上,也体现在其预测行为上。虽然纯数据驱动的神经网络在开发范围内取得了良好的性能,但当应用于独立的扩展范围验证数据集时,其准确性显著下降,证实了其有限的外推能力。相比之下,基于PR-EOS/LGT的PINN在压力、温度和盐度超出开发范围的条件下保持了稳健的验证性能。这表明基于导数的物理约束不仅仅是作为数值正则化项,而且引导模型朝着校准域外的物理一致趋势发展。此外,与解析LGT-EOS模型的比较表明,所提出的框架在保持热力学可解释性的同时,提高了与实验数据的定量一致性。因此,结果证实了自适应热力学PINN结合了机器学习的灵活性和机械性的PR-EOS/LGT约束,提高了在储层相关条件下的H2-盐水IFT预测的可靠性。
3.4. 物理/数据损失权重比的影响
模型性能的另一个关键方面是总损失函数中物理损失和数据损失之间的平衡。在PINN框架中,总损失是数据损失(衡量预测值与实际值之间的差异)和物理损失(衡量模型预测与控制物理方程的符合程度)的组合。这两个组分的相对权重可以显著影响模型的性能。
图12展示了系统改变物理/数据损失权重比的分析结果。图表显示了随着物理损失相对于数据损失的增加,训练集、测试集和验证集的R2和RMSE值如何变化。当物理损失占总损失的54%(λ=1.2)时,模型在训练集、测试集和验证集中获得了最高的R2值和最低的RMSE值。在这种比例下,模型能够很好地拟合数据,同时仍然遵循控制系统的物理定律。这种平衡对于确保模型在训练范围之外的新条件下保持通用性和稳健性至关重要。当物理损失权重超过1.00时,模型性能开始下降,这是因为模型受到物理组分的过度约束,导致其准确泛化数据的能力下降。表3总结了不同λ值下不同数据集的性能指标。它显示,在所有物理/数据权重比下,训练集和测试集的性能始终保持较高,R2值通常在0.97到0.99之间,RMSE保持相对较低的范围,表明在已知条件下模型训练稳健且预测可靠,尤其是在低λ值时,此时模型更依赖于数据而非物理。
下载:下载高分辨率图像(212KB)
下载:下载全尺寸图像
图12. 物理/数据权重比的RMS和R2值。
表3. 物理/数据权重比对PINN结果的影响。
空单元格 λ=物理/数据损失比
空单元格 0.00 0.67 0.83 1.00 1.21 1.33
2.00 R2训练 0.97 0.99 0.98 0.97 0.97 0.96
RMSE训练 1.44 1.34 1.16 1.34 1.03 1.39 1.56
R2测试 0.99 0.99 0.99 0.98 0.98 0.98
RMSE测试 1.53 2.07 1.65 2.07 2.01 2.44 2.94
R2验证 0.59 0.76 0.81 0.90 5 0.91 0.85 0.64
RMSE验证 4.54 3.49 3.04 2.29 2.32 2.97
3.5. 敏感性分析
训练有素的PINN模型被用来对影响氢-盐水IFT的输入参数进行全面的敏感性分析。采用了两种互补的方法来确保结果的稳健性和可解释性。首先,使用了Spearman等级相关系数,因为它是一种非参数度量方法,可以在不假设线性或正态性的情况下捕捉单调关系,这适用于热力学数据集的异质性和非线性特性。这种方法能够识别压力、温度、盐度和IFT之间的主导单调趋势。其次,进行了基于Sobol方差的全局敏感性分析,以量化每个参数在整个输入空间中的相对贡献。与局部敏感性方法不同,Sobol分析将模型输出的方差分解为一阶(S1)效应,代表每个参数的直接贡献,以及总阶(ST)效应,包括个别影响和更高阶的交互作用。Spearman和Sobol方法的结合使用允许区分单调趋势和非线性交互效应,并便于比较在不同操作条件下纯数据驱动与基于物理的公式捕获的敏感性。这种双重方法提供了严格且物理上可解释的参数重要性评估,这与研究目标一致。
生成了P、T和S的随机值,并估计了10,000个IFT实现,以评估每个输入参数对输出的影响。分析结果如图13所示,表明温度对IFT的影响最大,S1为0.69,占IFT方差的约69%。温度的总阶指数ST为0.75,证实温度是主导因素,无论是单独还是与其他变量结合。压力和盐度也有显著影响,一阶指数分别为0.13和0.19,总阶指数分别为0.19和0.23,表明影响适中。所有参数的S1和ST之间的相对较小差异表明变量之间的交互作用较小。
图13. Sobol敏感性分析的一阶指数(S1)和总阶指数(ST)。
图14中的相关系数表明IFT与输入参数之间存在线性关系。温度和压力与IFT呈负相关(R = -0.8对于温度;R = -0.45对于压力),表明这些参数的增加与IFT降低相关。相比之下,盐度呈正相关(R = 0.55),表明更高的盐度增加了盐水和H2之间的IFT。敏感性分析显示温度是影响IFT的最重要因素,其次是盐度和压力,为优化氢储存条件提供了见解。
3.6. PINN预测的不确定性量化
为了评估所提出的PINN模型的可靠性和稳健性,使用集成学习方法进行了预测不确定性分析。在基于物理和地下工程问题中,不确定性量化尤为重要,因为预测通常应用于可能超出可用实验测量范围的操作条件。评估预测不确定性有助于确定与模型输出相关的信心,并提供关于热力学变量与界面张力(IFT)之间学习关系的稳定性的洞察。
在这项研究中,通过使用不同的随机种子训练多个PINN模型来估计由模型参数初始化和训练变异性引起的认知不确定性。每个模型使用相同的架构、数据集和训练程序进行训练,但具有独立的权重初始化和随机训练轨迹。训练模型的集合为每个验证数据点产生了多个预测。这些预测的平均值被用作最终模型估计,而集合成员之间的标准差被用作预测不确定性的度量。随后使用关系μ±1.96σ构建了95%的预测区间,其中μ代表集合平均预测,σ代表集合标准差。这种基于集合的不确定性框架提供了对预测置信度的实用近似,而不修改PINN架构或引入额外的概率建模假设。该方法捕捉了与神经网络训练相关的变异性,因此提供了对模型预测中认知不确定性的有用估计。由此产生的不确定性指标和预测区间使得能够更全面地评估在不同压力、温度和盐度条件下的氢-盐水IFT预测的模型可靠性。
图15提供了集成PINN预测在测试样本上一致性的视觉评估。集合平均值跟随实验IFT值的整体变化,并再现了排序样本中观察到的总体增长趋势。95%的预测区间在大部分域内保持相对紧凑,表明不同的PINN实现为许多测试点产生了相似的估计。同时,一些局部区域显示出明显更宽的预测区间,这表明在这些条件下集合成员之间的一致性降低。这些区域可能对应于输入空间中数据较稀疏或热力学响应对控制变量变化更敏感的部分。因此,图14支持所提出框架在广泛稳定性的同时,仍然能够识别出预测信心相对较低的具体条件。
图16通过显示所有测试样本的预测标准差分布来补充这一分析。直方图在低不确定性值处高度集中,表明大多数预测在集合成员之间的分布相对较小。这种模式表明,对于大多数评估条件,学习到的映射是稳定的。向更高不确定性值延伸的较小尾部表明,只有有限的一部分样本对预测分散有不成比例的贡献。在实际应用中,这意味着不确定性在整个测试域中并不均匀高,而是集中在特定情况下。这种行为与物理信息建模中不确定性分析的作用一致,其中大多数预测可能保持良好约束,而少数操作条件由于更高的敏感性或来自可用数据的支持减少而自然表现出较低的信心。
图16. 从集成PINN标准差估计的预测不确定性分布。行业实践与未来工作
将物理定律纳入机器学习中,可以比传统模型更精确、更可靠地预测界面张力(IFT)。这种预测精度的提升能够通过提供对超高密度储氢(UHS)系统设计和运行至关重要的数据,从而极大地影响行业实践。在UHS系统中,准确控制流体相互作用对于最大化存储效率和安全性至关重要。通过改进IFT预测,所提出的模型可以降低与实验测量相关的成本,并减少因存储设计不足而带来的风险。准确的IFT预测有助于更好地管理氢的注入性和流动性,这是优化存储容量并确保UHS项目长期稳定性和安全性的关键。此外,精确的IFT预测还有助于遵守环境和安全法规。基于物理知识的神经网络(PINN)模型通过提供一种可靠的方法来预测地下环境中的氢行为,帮助验证UHS项目是否满足法规要求,特别是环境影响和储层完整性方面的要求。
未来的研究应进一步探索基于物理知识的神经网络(PINN)在界面热力学和地下能源系统中的应用,特别是在地下储氢(UHS)领域。一个重要的方向是扩展数据集,以涵盖更广泛的操作条件,如极端压力、温度和盐度水平,以及多组分气体系统(H2-CO2-CH4混合物)。这将提高基于PINN的模型在预测不同储层环境中的界面张力(IFT)时的鲁棒性和泛化能力。此外,引入更详细的热力学表示方法——如高级状态方程、非理想混合规则和分子级相互作用——可以进一步提高PINN在氢-盐水系统中的物理准确性。
从方法论的角度来看,未来的研究可以探讨针对该领域定制的先进PINN公式,包括多尺度和多物理场方法,将这些方法与流体流动、相行为和与地下储层相关的反应传输过程结合起来。整合不确定性量化技术,如贝叶斯PINN、概率框架或基于集合的方法,可以在实验数据有限的情况下提高预测的可靠性。此外,可以探索混合架构或基于注意力的架构,以增强特征表示能力,同时保持热力学一致性,从而提高模型在高度非线性和异质系统中的性能。
实验验证仍然是推进PINN在界面热力学应用中的关键要求。未来的工作应优先设计针对以前未探索的储层条件(包括高压、高温和高盐度环境)的针对性实验。此外,与高保真数值模拟(如分子动力学或孔隙尺度建模)进行对比,可以更深入地了解PINN预测的物理一致性,并帮助完善嵌入的物理约束。
最后,将所提出的框架扩展到相关的地下应用(如碳捕获与封存(CCS)、提高采收率(EOR)、地热系统和枯竭储层中的氢储存)是未来研究的一个有前景的方向。要将PINN框架扩展到这些系统,需要纳入额外的物理机制,包括多组分相行为、组成效应、润湿性改变和反应传输过程。例如,在CCS应用中,模型可以扩展以捕捉CO?-盐水-岩石相互作用,包括超临界条件下的溶解、矿化和界面现象。同样,在EOR系统中,该框架可以适应包括油-气-盐水界面动力学、表面活性剂效应和毛细压力行为。从建模的角度来看,这些扩展可能涉及为多组分混合物整合状态方程,并将界面张力预测与储层尺度上的控制流动和传输方程结合起来。使用时空PINN可以实现对流体置换、指形效应和相变等动态过程的建模。此外,将框架扩展到现场应用可能需要将PINN与储层模拟器结合,或开发混合工作流程,其中PINN作为更大模拟环境中的快速替代模型。这些发展将使PINN从属性预测工具发展成为完全集成的、符合物理原理的地下系统建模框架。通过结合热力学严谨性、数据驱动的适应性和计算效率,扩展后的框架有望支持实时决策、基于不确定性的储层管理以及能源存储和回收过程的优化。这样的进步将进一步确立PINN作为模拟地下能源工程中复杂界面和多相现象的强大而多功能的方法。
5. 结论
本研究利用基于物理知识的神经网络(PINN)来改进氢-盐水系统中IFT的预测,有效解决了传统机器学习模型和实验方法的局限性。主要结论如下:
• PINN模型在训练和测试数据集中的决定系数很高,R2值超过97,表明其能够在各种条件下准确预测H2-盐水系统中的IFT。
• 相比之下,虽然数据驱动模型在训练和测试数据集中的R2值也高于0.96,但在验证数据上的表现显著下降,R2为0.587,RMSE为4.544,这突显了其在训练条件之外进行外推时的局限性。
• 结合物理约束的PINN模型在验证场景中的表现优于传统数据驱动模型,R2为0.91,强调了基于物理知识的建模在确保可靠外推和广泛适用性方面的作用。
• 研究确定,总损失的54%(λ=1.2)物理权重能够获得最佳模型性能,在不同数据集中实现高R2值和低RMSE。这种平衡使模型能够在准确拟合数据的同时遵循物理定律。
通过将物理定律嵌入模型架构中,PINN提供的预测与实验观察结果一致,并符合基本物理原理。这种方法显著提高了模型在复杂系统(如氢储存)中的可靠性和适用性,而传统数据驱动模型可能在这方面存在不足。
数据可用性:本研究使用和分析的数据集可应要求向相应作者索取。
CRediT声明:作者参与了分析/概念化/数据整理以及手稿的撰写/审阅。
未引用的参考文献:[[28], [29], [30]]
CRediT作者贡献声明:
Ahmed Farid Ibrahim:撰写——审阅与编辑、撰写——初稿、方法论、调查、形式分析、数据整理、概念化。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号