文献

J-GLOBAL ID：202202246921253345   整理番号：22A1115677

地下塩水帯水層におけるCO_2貯蔵性能の正確な予測のための知識ベース機械学習技術【JST・京大機械翻訳】

Knowledge-based machine learning techniques for accurate prediction of CO₂ storage performance in underground saline aquifers

著者 (5件)： Vo Thanh Hung (School of Earth and Environmental Sciences, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul, South Korea) ,  Yasin Qamar (Key Laboratory of Continental Shale Hydrocarbon Accumulation and Efficient Development, Ministry of Education, Northeast Petroleum University, Daqing 163318, China) ,  Yasin Qamar (College of Energy and Mining Engineering, Shandong University of Science and Technology, Qingdao 266590, China) ,  Al-Mudhafar Watheq J. (Basrah Oil Company, Basrah, Iraq) ,  Lee Kang-Kun (School of Earth and Environmental Sciences, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul, South Korea)
資料名： Applied Energy  (Applied Energy)
巻： 314  ページ： Null  発行年： 2022年 
JST資料番号： A0097A  ISSN： 0306-2619  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 地下塩水帯水層における二酸化炭素貯蔵は大気CO_2放出を低減する有望な技術であると考えられている。深部塩水帯水層におけるCO_2残留と溶解度はCO_2貯蔵セキュリティを改善するための重要なプロセスである。本研究では,塩水形成におけるCO_2隔離の捕捉効率を,3つの教師つき機械学習(ML)ベースのモデル:ランダムフォレスト(RF),極端な勾配ブースティング(XGBoost),およびサポートベクトル回帰(SVR)を開発することによって予測した。1509試料の多様な野外規模のシミュレーションデータベースを文献から収集し,提案モデルを訓練と試験のために調べた。3つのMLモデルの予測精度を検証するために,予測結果を分析し,図式および統計的指標を用いて比較した。予測結果から,提案したMLモデルをそれらの精度に基づいてランク付けした:XGBoost>RF>SVR。XGBoostベースの予測モデルは,残留および溶解度トラッピング効率の両方に対して,非常に低い二乗平均平方根誤差(RMSE=0.0041)および高い相関係数(R2=0.9993)を達成した。しかし,RFとSVRはそれぞれ0.0243と0.074のRMSEと0.9781と0.9284のR2値を示した。さらに,XGBoostモデルの適用性を検証し,15の疑わしいデータポイントをデータベース全体にわたって検出した。したがって,提案したモデルは,世界中の他の塩水形成におけるCO_2トラッピング指数を予測するための貴重な実行可能なテンプレートである。総合的に,XGBoostモデルを包括的ブラインド試験における貯留層シミュレーションモデルに対して試験し,炭素貯蔵プロジェクトの不確実性評価のためのロバストなスクリーニングとプロセス計画ツールとして使用できる。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  溶解度 ,  データベース ,  炭素 ,  相関係数 ,  捕獲 ,  *知識ベース ,  ロバスト性 ,  *機械学習 ,  予測モデル ,  二酸化炭素貯留
準シソーラス用語： 予測精度 ,  ブースティング ,  ランダムフォレスト ,  サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： CO_2貯蔵 ,  炭素捕捉と貯蔵 ,  機械学習 ,  XGBoost ,  塩水帯水層

分類 (2件)： 有害ガス処理法  (SC04030H) ,  地熱エネルギー  (LB03040B)

タイトルに関連する用語 (6件)： 地下 ,  塩水帯水層 ,  貯蔵 ,  予測 ,  知識 ,  機械学習技術