علی رنجبر

ذخیره سازی زیرزمینی هیدروژن به عنوان یکی از راهبردهای کلیدی در گذار به سیستم های انرژی پایدار، نقش مهمی در کاهش انتشار گازهای گلخانه ای و بهبود امنیت انرژی ایفا می کند. عملکرد بهینه مخازن ذخیره سازی هیدروژن تحت تأثیر مجموعه ای از پارامترهای ترمودینامیکی و سیالاتی از جمله تغییرات ترشوندگی، انحلال پذیری در محیط های شور، ضریب پخش شدگی، گرانروی و ظرفیت جذب گاز قرار دارد. هدف این پژوهش، بررسی جامع این عوامل و تحلیل تأثیر گازهای همراه و شرایط عملیاتی مخزن بر رفتار هیدروژن و دیگر گازهای ذخیره شده، با بهره گیری از روش های پیشرفته یادگیری ماشین بود. در این مطالعه، مجموعه داده های تجربی شامل بیش از 3500 نمونه برای پارامترهای ترشوندگی، 256 نمونه برای انحلال هیدروژن، بیش از 1600 داده برای گرانروی، و بیش از 3800 نمونه برای ظرفیت جذب CO₂ و CH₄ جمع آوری شد. مدل های یادگیری ماشین شامل LSBoost، Random Forest، CatBoost، Extra Trees، ANN و SVM به کار گرفته شدند و با استفاده از بهینه سازی بیزین و الگوریتم جستجوی تصادفی، دقت پیش بینی به حداکثر رسید. نتایج نشان داد که مدل های LSBoost-BO، RF و CatBoost توانستند پارامترهای کلیدی مانند کشش بین سطحی، زاویه تماس، ضریب پخش شدگی، ویسکوزیته و ظرفیت جذب گازها را با دقت بسیار بالا (R2> 0.98) پیش بینی کنند. تحلیل های ترمودینامیکی و عددی نشان دادند که فشار، دما، شوری و ترکیب گازهای همراه نقش تعیین کننده ای در رفتار هیدروژن در مخازن دارند. کاهش کشش بین سطحی و افزایش زاویه تماس موجب توزیع یکنواخت هیدروژن، افزایش نفوذپذیری و کاهش تجمع موضعی گاز می شود. ضریب پخش شدگی و گرانروی نیز با کنترل شرایط عملیاتی قابل بهینه سازی بوده و عملکرد تزریق و برداشت هیدروژن را بهبود می بخشند. علاوه بر این، ظرفیت جذب CO₂ و CH₄ تحت تأثیر ویژگی های سنگ مخزن، درصد کربن آلی و شرایط فشار و دما قرار دارد و می توان با تنظیم این پارامترها عملکرد مخازن تنگ را بهینه کرد. نتایج این پژوهش نشان می دهند که ترکیب داده های تجربی، شبیه سازی های عددی و الگوریتم های پیشرفته یادگیری ماشین، ابزار قدرتمندی برای تحلیل، پیش بینی و بهینه سازی فرآیندهای ذخیره سازی هیدروژن و سایر گازها در محیط های متخلخل فراهم می آورد. یافته های این مطالعه می تواند به عنوان مبنای علمی و عملی جهت طراحی بهینه، بهره بر