Predictive Modeling of CO₂ Wettability at Brine‑Mineral Interfaces as a Mechanistic Framework for Sustainable Carbon Storage
本研究通过对630个实证观测数据进行15种机器学习模型的评估，开发了一个用于预测二氧化碳在盐水-矿物界面润湿性的鲁棒预测框架，确定了CatBoost为最优算法（R²为0.9357），旨在通过识别压力和矿物组成等关键控制参数，提升地质碳封存的安全性和效率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
地球大气层正在变暖，而这一变化的主要驱动力是人类工业排放的二氧化碳的积累。为了减缓这一趋势，科学家们正在探索捕捉这种气体并将其封存在被称为咸水层（saline aquifers）的深层多孔岩层中的方法。这些岩层位于地表之下数英里处，是充满了咸水的巨大、类似海绵状的岩石层。目标是将二氧化碳泵入其中，使其被岩石和水困住，从而与大气隔绝数千年。然而，为了使这一计划奏效，工程师必须确定气体能够保持原位。如果气体可以轻易穿过岩石或逃逸，那么储层就会失效。
保持气体被困住的关键在于一种被称为“润湿性”（wettability）的特性。简单来说，润湿性描述了岩石表面更倾向于粘附哪种液体：是咸水还是二氧化碳。如果岩石更亲水，水就会覆盖在岩石颗粒上，形成一道阻止气体自由移动的保护屏障。这是安全储存的理想情况。如果岩石更亲气，气体就可以滑过孔隙并可能发生逃逸。这种偏好是通过气体、水和岩石交汇处形成的夹角来衡量的。较小的角度意味着岩石亲水，气体被困住；较大的角度则意味着岩石亲气，气体可以自由移动。由于岩石、水和气体之间的相互作用非常复杂且不断变化，在深层地球的极端高温高压下预测这个角度极其困难。
莫哈末雷扎·卡泽米（Mohammadreza Kazemi）是伊朗石油化学研究技术公司的研究人员，他致力于利用一种现代方法来解决这个预测问题。他没有依赖于往往难以应对此类复杂性的传统方程，而是转向了机器学习——这是人工智能的一个分支，即计算机通过数据学习模式。他收集了来自以往科学研究的大量真实测量数据，共计630组。这些测量记录了二氧化碳、盐水以及不同类型的矿物（如石英、方解石、长石和云母）在各种压力、温度和盐度条件下的相互作用。挑战在于寻找一种数学方法，能够观察这些条件并准确预测产生的接触角，而无需每次都进行昂贵且耗时的物理实验。
为了找到最佳方法，卡泽米测试了十五种不同的计算机算法，其范围从简单的线性模型到模仿人类大脑的多层复杂网络。他在大部分数据上训练这些模型，然后用剩余部分进行测试，以观察它们对新场景的预测能力。结果显而易见：简单的模型无法捕捉到岩石与流体之间复杂的非线性本质，经常出现显著偏差。另一方面，最复杂的模型有时会对训练数据进行过度拟合，即记住了噪声而非底层规则，导致在面对新数据时表现不佳。
一种被称为 CatBoost 的特定算法脱颖而出，成为了明确的获胜者。它证明了自己是这项任务中最可靠的工具，能够以极高的精度预测接触角。在测试阶段，该模型的预测结果与实际实验数据高度吻联，捕捉到了结果中 93.57% 的变化，其表现远优于其他方法。这种高水平的准确性意味着该模型可以被信赖，用于预测在不同地下环境下气体的行为，而无需对每一个地点都进行物理测试。
除了做出准确预测之外，该研究还使用了一种技术来理解模型做出决策的原因。这种分析揭示了哪些因素最为重要。最重要的驱动因素是系统的压力；随着压力的增加，气体的行为会发生显著变化。第二重要的因素是岩石表面的初始状态，具体是指在气体到达之前岩石润湿度的基准测量值。令人惊讶的是，名为云母（mica）的特定矿物比石英或长石等常见矿物发挥了更大的作用。云母的存在——一种具有层状结构的矿物——强烈影响了岩石是会紧紧抓住水还是让气体占据主导地位。
研究结论认为，这种机器学习框架为模拟这些复杂的相互作用提供了一种稳健且稳定的方式。通过使用这一工具，工程师可以更好地选择安全的碳封存场址，并设计注入策略，以最大限度地实现气体在地下安全封存的目标。虽然目前的模型是基于现有数据建立的，尚未考虑到数千年间发生的缓慢化学变化，但它代表了一个重要的进步。它提供了一种应对深层地质封存不确定性的方法，确保泵入地球的二氧化碳能够被安全地锁闭，从而保护未来的大气环境。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。