Thermodynamics-Informed Graph Learning for Predicting CO2 Solubility in Water and Multicomponent Brines

Résumé Technique : Apprentissage sur Graphes Informé par la Thermodynamique pour la Prédiction de la Solubilité du CO2

Énoncé du Problème
La prédiction précise de la solubilité du CO2 dans l'eau saline est cruciale pour estimer le piégeage par dissolution dans les projets de captage, d'utilisation et de stockage du carbone (CCUS). Bien que des modèles récents basés sur l'augmentation de gradient (ex. : LightGBM, XGBoost) aient atteint une grande précision sur des bases de données compilées, ils traitent généralement la composition de la saumure comme un vecteur plat. Cette approche ne parvient pas à représenter explicitement la structure chimique sous-jacente, telle que les interactions ion-ion, ion-eau et CO2-saumure. Par conséquent, ces modèles peuvent éprouver des difficultés lors de l'extrapolation vers des chimies de saumures inconnues ou des régimes de haute salinité où les interactions physiques sont complexes.

Méthodologie
Les auteurs proposent un flux de travail d'apprentissage sur graphes informé par la thermodynamique conçu pour encoder la structure relationnelle des mélanges chimiques. La méthodologie se compose de quatre composantes primaires :

1. Représentation par Graphe :
   Chaque échantillon de saumure est converti en un graphe chimique $G = (V, E, u)$.

   • Nœuds ($V$) : Représentent les espèces, incluant le CO2, l'H2O et des ions spécifiques (Na+, K+, Ca2+, Mg2+, Cl−, SO4 2−).
   • Caractéristiques : Les caractéristiques des nœuds incluent la molalité, la charge ionique, le rayon et les descripteurs d'hydratation.
   • Arêtes ($E$) : Connectent les espèces actives à l'eau/CO2 et aux paires ion-ion, encodant des attributs tels que les produits de charges et les types d'interactions (ex. : charge opposée, CO2-ion).
   • État Global ($u$) : Comprend la température, la pression, la force ionique et la molalité totale.

2. Architecture (Implémentation Préliminaire) :
   Plutôt qu'un réseau de neurones sur graphes (GNN) à passage de messages complet, l'étude préliminaire utilise un ThermoGraphMLP. Cette architecture :

   • Convertit les entrées tabulaires brutes en 41 descripteurs de graphes chimiquement significatifs (ex. : force ionique, erreur de bilan de charge, concentrations équivalentes de cations/anions et descripteurs de résumé d'arêtes).
   • Alimente un réseau de neurones à trois couches avec ces descripteurs standardisés.
   • S'entraîne dans l'espace de la log-solubilité pour équilibrer l'influence des échantillons de haute solubilité et s'aligner sur les métriques d'erreur relative.
   • Utilise une activation softplus pour la sortie finale afin de garantir des prédictions de solubilité non négatives.

3. Objectif Informé par la Thermodynamique :
   La fonction de perte d'entraînement combine l'apprentissage supervisé avec des contraintes physiques douces :

   • Perte Supervisée ($L_{sup}$) : Erreur quadratique moyenne dans l'espace logarithmique.
   • Cohérence de la Pression ($L_P$) : Pénalise les prédictions où la solubilité diminue à mesure que la pression augmente.
   • Cohérence de l'Effet de Relargage ($L_{salt}$) : Pénalise les prédictions où la solubilité augmente à mesure que la force ionique augmente.
   • Régularisation Optionnelle : Inclut des termes pour la positivité et un potentiel apprentissage résiduel par rapport aux modèles d'équations d'état.

4. Protocole de Validation :
   L'étude emploie une division stratifiée (entraînement/validation/test) et évalue les performances via $R^2$, RMSE et l'Écart Absolu Moyen Relatif (AARD). Crucialement, elle teste les capacités d'extrapolation via des ensembles de test (holdout) pour la haute salinité et les systèmes salins spécifiques, en comparant le modèle proposé aux modèles de référence XGBoost tabulaire et XGBoost à descripteurs de graphes.

Résultats Clés
Le flux de travail a été testé sur 3 323 enregistrements expérimentaux nettoyés, extraits d'une base de données publiée (Liu et al., 2026).

• Référence Tabulaire : Un XGBoost standard sur des entrées tabulaires brutes a obtenu un $R^2 = 0,9856$, RMSE = 0,00098 et AARD = 6,23 %.
• XGBoost à Descripteurs de Graphes : L'utilisation des descripteurs de graphes ingénierés sans le réseau de neurones a obtenu l'erreur relative la plus faible, avec un AARD = 5,90 % ($R^2 = 0,9840$).
• ThermoGraphMLP : Le modèle de neurones informé par la physique a obtenu un $R^2 = 0,9741$ et un AARD = 6,83 %. Bien qu'il ait démontré un comportement compétitif en termes d'erreur relative, il n'a pas surpassé les modèles d'arbres boostés en termes de métriques d'erreur quadratique ($R^2$ ou RMSE).
• Cohérence Physique : Les diagnostics ont confirmé que le modèle respectait les tendances qualitatives attendues : la solubilité augmente avec la pression et diminue avec la salinité (effet de relargage).
• Limitations d'Extrapolation : L'étude a noté que l'extrapolation à haute salinité reste un défi majeur, les tests de holdout montrant des taux d'erreur élevés (ex. : AARD de 41,6 % pour ExtraTrees dans les holdouts de haute salinité).

Signification et Revendications
L'article cadre modestement sa contribution comme une étude d'architecture pilotée par la théorie et reproductible, plutôt que comme un remplacement définitif des modèles tabulaires de pointe.

• Résultat Principal : Les descripteurs chimiques basés sur les graphes peuvent améliorer le comportement de l'erreur relative (en abaissant l'AARD) par rapport aux entrées tabulaires brutes, suggérant que l'encodage des interactions ioniques est bénéfique.
• Limitation Actuelle : Le modèle de neurones informé par la physique actuel ne surpasse pas encore les bases tabulaires fortes (LightGBM/XGBoost) en termes de précision globale.
• Voie à Suivre : Les auteurs soutiennent que pour que ce travail soit publiable en tant qu'avancée majeure, les futures itérations devront démontrer une performance supérieure lors de validations de type "laisser un échantillon de source de côté" (leave-one-source-out) ou "laisser un système salin de côté" (leave-one-salt-system-out), et spécifiquement améliorer l'extrapolation vers les régimes de haute salinité et de saumures mixtes. Les résultats actuels établissent que la représentation par graphe est une direction viable, mais que l'implémentation complète du passage de messages et l'amélioration des capacités d'extrapolation sont nécessaires pour réaliser le plein potentiel de l'apprentissage informé par la thermodynamique dans ce domaine.