吴恒安/余昊CEJ: 动力学理论+机器学习快速预测页岩纳米孔中的甲烷吸附

了解页岩纳米孔中的气体吸附行为对于页岩气储层估计和性能预测至关重要，但考虑到页岩的地质环境和纳米孔结构的复杂性，这一点仍不清楚。一般来说，基于实验和分子动力学（MD）模拟的传统方法总是昂贵且耗时。

为此，中国科学技术大学吴恒安教授、余昊等人从微观和动力学理论的角度构建了一个预测页岩纳米孔中甲烷吸附行为的机器学习（ML）框架，其中提出了与势能分布（PED）相关的三个新参数来表征页岩狭缝纳米孔中的甲烷吸附特性。为了实现快速准确的预测，作者建立了一系列由GCMC/MD模拟仿真结果组成的数据集来训练ML模型。

然后，利用狭缝纳米孔甲烷吸附能力参数（γ）获取算法来表征现实页岩狭缝纳米孔的性质，其分析结果作为ML过程最终预测的输入参数。作者采用的ML算法为全连接神经网络（FCNN），其架构是一层中的所有节点或神经元都连接到下一层的神经元。此外，数据集共包括1800个碳狭缝纳米孔中的甲烷吸附曲线，其中20% 作为测试数据集，80%作为训练数据集。

图1. 输入参数、FCNN模型架构和预测吸附曲线

基于5折交叉验证的结果显示，预测结果和模拟结果之间的R²值相似，通常高于0.99，表明构建的FCNN模型可有效预测甲烷吸附特性。本研究主要结论可归纳如下：

1）提出并利用平均最小势能ω、最小势能标准差ξ和狭缝纳米孔甲烷吸附能力参数γ来表示狭缝纳米孔结构的吸附特性，并考虑动力学理论；

2）基于ML方法，快速准确地预测不同温度和压力下不同狭缝纳米孔中甲烷的吸附曲线；

3）获取无机和有机狭缝纳米孔甲烷吸附能力参数γ，基于参数γ获取和应用算法预测不同温度和压力条件下的吸附曲线，结合预测结果分析甲烷吸附行为；

4）应用所提出的ML模型来预测甲烷在不同地质条件下的吸附行为，表明预测页岩纳米孔中气体吸附行为的可行性。此外，这项工作中获得的见解对于预测复杂环境因素下的纳米约束流体行为也具有指导意义。

图2. ML算法预测结果

Fast prediction of methane adsorption in shale nanopores using kinetic theory and machine learning algorithm, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.137221

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/10/d7956872ee/

吴恒安/余昊CEJ: 动力学理论+机器学习快速预测页岩纳米孔中的甲烷吸附

相关推荐

发表回复