ТОМСК, 22 ноября. /ТАСС/. Гибридные модели глубокого обучения для прогнозирования растворимости водорода при его подземном хранении впервые разработали ученые Томского политехнического университета (ТПУ). Это позволит разрабатывать более эффективные стратегии хранения водорода, что необходимо для перехода к этому альтернативному и возобновляемому источнику энергии, сообщили ТАСС в пресс-службе Минобрнауки РФ.
В министерстве отметили, что в последние годы наблюдается стремительный рост интереса к водородным технологиям. Переход к такому альтернативному и возобновляемому источнику энергии требует решения множества задач, среди которых вопрос хранения водорода. Обычно водород хранится в газообразной или жидкой фазе в наземных резервуарах, однако одним из наиболее перспективных и экономически эффективных методов является его подземное хранение. Ученые решают задачу, как исключить опасность потенциального взаимодействия водорода с остаточными углеводородами в пласте, подземными минералами и микробами.
«Соленые водоносные горизонты хорошо изучены в части улавливания, утилизации и хранения углекислого газа, однако их пригодность для хранения водорода требует дальнейшего детального изучения. Одним из ключевых параметров является растворимость водорода в рассоле, измерение которой — сложный и дорогостоящий процесс. Методы машинного обучения могут обеспечить точные и надежные прогнозы растворимости, анализируя различные входные параметры и превосходя традиционные методы», — приводятся в сообщении слова руководителя исследования, инженера-исследователя Центра Хериот-Ватт ТПУ Шадфара Давуди.
О сути исследования.
По словам ученого, для прогнозирования растворимости водорода уже используются различные традиционные алгоритмы машинного обучения, включая использование оптимизационных методов для повышения точности моделей. Исследователи все чаще применяют сверхточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM) для достижения более точных и обобщающих прогнозов. При этом автономные модели глубокого обучения имеют ряд недостатков, таких как высокая вычислительная нагрузка, медленная сходимость, чувствительность к выбросам данных. Более того, сложные архитектуры нейронных сетей часто страдают от проблем, связанных с оптимизацией гиперпараметров.
По мнению ученого, интеграция методов глубокого обучения с оптимизационными алгоритмами может заметно улучшить прогнозирование показателей растворимости водорода. В рамках проекта впервые разработаны гибридные модели, объединяющие CNN и LSTM с алгоритмами оптимизации, такими как метод оптимизации роста (GO) и алгоритм оптимизации «серых волков» (GWO). Обучение и тестирование моделей проводилось на основе обширного набора лабораторных данных, включающего 981 замер, таких как температура, давление, соленость и тип соли. Данные были разделены на обучающую и тестовую выборки с использованием оптимального коэффициента разделения, определенного на основе анализа чувствительности.
«Особое внимание уделялось разработке гибридных моделей глубокого обучения. Проведенные исследования показали, что среди разработанных моделей лучшие результаты показывает CNN-GO. В перспективе она может быть использована для надежного прогнозирования растворимости водорода без непосредственного проведения лабораторных исследований, которые зачастую являются трудоемкими и времязатратными. В целом, подобный подход может привести к разработке более эффективных и экономически выгодных методов подземного хранения водорода», — приводятся слова Давуди.
Исследование проводилось в рамках федеральной программы Минобрнауки России «Приоритет-2030» национального проекта «Наука и университеты». Результаты опубликованы в журнале Energy & Fuels (Q1, IF: 5.2).