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

Technische Samenvatting: Thermodynamisch Geïnformeerd Graph Learning voor de Voorspelling van CO2-oplosbaarheid

Probleemstelling
Nauwkeurige voorspelling van de CO2-oplosbaarheid in zout water is cruciaal voor het inschatten van de oplossingsopslag (dissolution trapping) in koolstofafvang-, gebruik en opslagprojecten (CCUS). Hoewel recente gradiënt-boosting modellen (bijv. LightGBM, XGBoost) een hoge nauwkeurigheid hebben bereikt op samengestelde databases, behandelen deze doorgaans de pekelcompositie als een platte vector. Deze aanpak faalt in het expliciet weergeven van de onderliggende chemische structuur, zoals ion-ion, ion-water en CO2-pekel interacties. Bijgevolg kunnen deze modellen moeite hebben met extrapolatie naar onbekende pekelchemieën of regimes met een hoge saliniteit waar fysieke interacties complex zijn.

Methodologie
De auteurs stellen een thermodynamisch geïnformeerde graph-learning workflow voor, ontworpen om de relationele structuur van chemische mengsels te coderen. De methodologie bestaat uit vier primaire componenten:

1. Graafrepresentatie:
   Elk pekelmonster wordt omgezet in een chemische graaf $G = (V, E, u)$.

   • Knopen ($V$): Representeren soorten inclusief CO2, H2O en specifieke ionen (Na+, K+, Ca2+, Mg2+, Cl−, SO4 2−).
   • Kenmerken: De knoopkenmerken omvatten molaliteit, ionische lading, straal en hydratatie-beschrijvers.
   • Randen ($E$): Verbinden actieve soorten met water/CO2 en ion-ion paren, waarbij attributen zoals ladingproducten en interactietypes (bijv. tegengestelde lading, CO2-ion) worden gecodeerd.
   • Globale Toestand ($u$): Omvat temperatuur, druk, ionsterkte en totale molaliteit.

2. Architectuur (Voorlopige Implementatie):
   In plaats van een volledige message-passing Graph Neural Network (GNN), maakt de voorlopige studie gebruik van een ThermoGraphMLP. Deze architectuur:

   • Zet ruwe tabelvormige inputs om in 41 chemisch betekenisvolle graaf-beschrijvers (bijv. ionsterkte, ladingbalansfout, cation/anion equivalente concentraties en edge-summary beschrijvers).
   • Voedt deze gestandaardiseerde beschrijvers aan een drie-laags neuraal netwerk.
   • Traint in de log-oplosbaarheidsruimte om de invloed van monsters met een hoge oplosbaarheid te balanceren en aan te sluiten bij relatieve-foutmetrieken.
   • Gebruikt een softplus activatie voor de uiteindelijke output om niet-negatieve oplosbaarheidsprognoses te garanderen.

3. Thermodynamisch Geïnformeerd Doel:
   De trainingsverliesfunctie combineert supervised learning met zachte fysieke beperkingen:

   • Supervised Loss ($L_{sup}$): Gemiddelde kwadratische fout in de log-ruimte.
   • Drukconsistentie ($L_P$): Bestraft voorspellingen waarbij de oplosbaarheid afneemt naarmate de druk toeneemt.
   • Salting-Out Consistentie ($L_{salt}$): Bestraft voorspellingen waarbij de oplosbaarheid toeneemt naarmate de ionsterkte toeneemt.
   • Optionele Regularisatie: Omvat termen voor positiviteit en potentiële residuele leerprestaties tegen equation-of-state modellen.

4. Validatieprotocol:
   De studie gebruikt een gestratificeerde split (training/validatie/test) en evalueert prestaties met behulp van $R^2$, RMSE en Average Absolute Relative Deviation (AARD). Cruciaal is dat de extrapolatiecapaciteiten worden getest via holdout-sets voor hoge saliniteit en specifieke zoutsystemen, waarbij de voorgestelde modelprestaties worden vergeleken met de tabular XGBoost en graph-descriptor XGBoost baselines.

Belangrijkste Resultaten
De workflow werd getest op 3.323 schoongemaakte experimentele records geëxtraheerd uit een gepubliceerde database (Liu et al., 2026).

• Tabular Baseline: Standaard XGBoost op ruwe tabelvormige inputs bereikte $R^2 = 0,9856$, RMSE = 0,00098 en AARD = 6,23%.
• Graph-Descriptor XGBoost: Het gebruik van de geëngineerde graaf-beschrijvers zonder het neurale netwerk bereikte de laagste relatieve fout, met AARD = 5,90% ($R^2 = 0,9840$).
• ThermoGraphMLP: Het natuurkundig geïnformeerde neurale model bereikte $R^2 = 0,9741$ en AARD = 6,83%. Hoewel het competitief gedrag vertoonde in relatieve-foutmetrieken, overtrof het de geboste boommodellen niet in kwadratische-foutmetrieken ($R^2$ of RMSE).
• Fysieke Consistentie: Diagnostiek bevestigde dat het model de verwachte kwalitatieve trends volgde: de oplosbaarheid nam toe met de druk en nam af met de saliniteit (salting-out effect).
• Extrapolatiebeperkingen: De studie merkte op dat extrapolatie naar hoge saliniteit een aanzienlijke uitdaging blijft, waarbij holdout-tests hoge foutpercentages lieten zien (bijv. een AARD van 41,6% voor ExtraTrees in high-salinity holdouts).

Betekenis en Claims
Het artikel kadert zijn bijdrage bescheiden als een theorie-gedreven en reproduceerbare architectuurstudie, in plaats van een definitieve vervanging voor de huidige state-of-the-art tabelvormige modellen.

• Primaire Bevinding: Graaf-gebaseerde chemische beschrijvers kunnen het relatieve-foutgedrag verbeteren (het verlagen van de AARD) vergeleken met ruwe tabelvormige inputs, wat suggereert dat het coderen van ionische interacties voordelig is.
• Huidige Beperking: De huidige natuurkundig geïnformeerde neurale methode is nog niet in staat om sterke tabelvormige baselines (LightGBM/XGBoost) te overtreffen in algemene nauwkeurigheid.
• Pad Vooruit: De auteurs stellen dat voor het werk om gepubliceerd te worden als een belangrijke vooruitgang, toekomstige iteraties superieur moeten presteren in leave-one-source-out of leave-one-salt-system-out validatie, en specifiek de extrapolatie naar hoge-saliniteit en gemengde pekelregimes moeten verbeteren. De huidige resultaten vestigen de graafrepresentatie als een levensvatbare richting, maar de volledige message-passing implementatie en verbeterde extrapolatiecapaciteiten zijn vereist om het volledige potentieel van thermodynamisch geïnformeerd leren in dit domein te realiseren.