|
Title
|
تاثير گازهاي محافظ (Cushion gas) حين ذخيره سازي هيدروژن بر تغييرات ترشوندگي ( IFT و Contact angle) ، گرانروي و ظرفيت جذب گاز در مخزن با محوريت يادگيري ماشين
|
|
Type
|
Thesis
|
|
Keywords
|
ارزيابي چرخه حيات، ذخيره سازي هيدروژن، گاز محافظ، تغييرات ترشوندگي، ظرفيت جذب، گرانروي، ذخيره سازي كربن دي اكسيد
|
|
Abstract
|
ذخيره سازي زيرزميني هيدروژن به عنوان يكي از راهبردهاي كليدي در گذار به سيستم هاي انرژي پايدار، نقش مهمي در كاهش انتشار گازهاي گلخانه اي و بهبود امنيت انرژي ايفا مي كند. عملكرد بهينه مخازن ذخيره سازي هيدروژن تحت تأثير مجموعه اي از پارامترهاي ترموديناميكي و سيالاتي از جمله تغييرات ترشوندگي، انحلال پذيري در محيط هاي شور، ضريب پخش شدگي، گرانروي و ظرفيت جذب گاز قرار دارد. هدف اين پژوهش، بررسي جامع اين عوامل و تحليل تأثير گازهاي همراه و شرايط عملياتي مخزن بر رفتار هيدروژن و ديگر گازهاي ذخيره شده، با بهره گيري از روش هاي پيشرفته يادگيري ماشين بود. در اين مطالعه، مجموعه داده هاي تجربي شامل بيش از 3500 نمونه براي پارامترهاي ترشوندگي، 256 نمونه براي انحلال هيدروژن، بيش از 1600 داده براي گرانروي، و بيش از 3800 نمونه براي ظرفيت جذب CO₂ و CH₄ جمع آوري شد. مدل هاي يادگيري ماشين شامل LSBoost، Random Forest، CatBoost، Extra Trees، ANN و SVM به كار گرفته شدند و با استفاده از بهينه سازي بيزين و الگوريتم جستجوي تصادفي، دقت پيش بيني به حداكثر رسيد. نتايج نشان داد كه مدل هاي LSBoost-BO، RF و CatBoost توانستند پارامترهاي كليدي مانند كشش بين سطحي، زاويه تماس، ضريب پخش شدگي، ويسكوزيته و ظرفيت جذب گازها را با دقت بسيار بالا (R2> 0.98) پيش بيني كنند. تحليل هاي ترموديناميكي و عددي نشان دادند كه فشار، دما، شوري و تركيب گازهاي همراه نقش تعيين كننده اي در رفتار هيدروژن در مخازن دارند. كاهش كشش بين سطحي و افزايش زاويه تماس موجب توزيع يكنواخت هيدروژن، افزايش نفوذپذيري و كاهش تجمع موضعي گاز مي شود. ضريب پخش شدگي و گرانروي نيز با كنترل شرايط عملياتي قابل بهينه سازي بوده و عملكرد تزريق و برداشت هيدروژن را بهبود مي بخشند. علاوه بر اين، ظرفيت جذب CO₂ و CH₄ تحت تأثير ويژگي هاي سنگ مخزن، درصد كربن آلي و شرايط فشار و دما قرار دارد و مي توان با تنظيم اين پارامترها عملكرد مخازن تنگ را بهينه كرد. نتايج اين پژوهش نشان مي دهند كه تركيب داده هاي تجربي، شبيه سازي هاي عددي و الگوريتم هاي پيشرفته يادگيري ماشين، ابزار قدرتمندي براي تحليل، پيش بيني و بهينه سازي فرآيندهاي ذخيره سازي هيدروژن و ساير گازها در محيط هاي متخلخل فراهم مي آورد. يافته هاي اين مطالعه مي تواند به عنوان مبناي علمي و عملي جهت طراحي بهينه، بهره بر
|
|
Researchers
|
mehdi maleki (Student) , Ali Ranjbar (First primary advisor) , Yousef Kazemzadeh (Advisor)
|