【技术实现步骤摘要】
本专利技术涉及深部咸水层co2封存，尤其涉及一种基于机器学习的深部咸水中co2溶解度预测方法。
技术介绍
1、碳捕获利用与封存(ccus)技术是全球公认的减少碳排放主流技术措施，深部咸水中co2埋存则是ccus技术的重要手段，是降低碳排放量的有效途径之一。咸水层封存包括构造封存、残余气封存、溶解封存和矿化封存，其中溶解封存被视为最有效的长效封存。准确确定co2在深部咸水中的溶解度是评估咸水层co2溶解封存潜力的重要依据。然而，由于co2在深部咸水中的溶解度同时受到多种因素的影响，导致准确预测co2在深部咸水层溶液中的溶解度难度大，现有技术方法难以满足准确评估复杂多变的咸水层co2溶解封存潜力的基本要求。因此，提出一种能准确预测co2在深部咸水中的溶解度的co2溶解度预测方法是十分有必要的。
技术实现思路
1、本专利技术的目的在于提供一种基于机器学习的深部咸水中co2溶解度预测方法，旨在解决现有技术中的co2在深部咸水中的溶解度同时受到多种因素的影响，导致难以准确预测co2在深部咸水中的溶解度，无法准确评估深部咸水层co2溶解埋存潜力的技术问题。
2、为实现上述目的，本专利技术采用的一种基于机器学习的深部咸水中co2溶解度预测方法，包括如下步骤：
3、优选机器学习算法；
4、对咸水中co2溶解度的实验数据进行预处理；
5、建立预测深部咸水中co2溶解度的机器学习模型；
6、优化预测深部咸水中co2溶解度的机器学习模型；>
7、进行深部咸水中co2溶解度预测。
8、其中，在优选机器学习方法的步骤中：
9、根据深部咸水中co2溶解度预测问题性质、样本数据特征和各常用机器学习方法的适用范围，初步筛选出2～9个适用于预测深部咸水中co2溶解度的机器学习算法；
10、使用层次分析法对初步筛选出来的机器学习算法进行评价；
11、根据评价结果对机器学习算法进行优选。
12、其中，在使用层次分析法对初步筛选出来的机器学习算法进行评价的步骤中，评价过程为：
13、建立层次结构模型；
14、构造判断矩阵；
15、计算权向量和一致性检验；
16、计算综合得分。
17、其中，在对咸水中co2溶解度的实验数据进行预处理的步骤中，预处理过程为：
18、处理异常值；
19、进行数据归一化；
20、划分数据集。
21、其中，在建立预测深部咸水中co2溶解度的机器学习模型的步骤中，建立过程为：
22、建立超参数空间，确定机器学习算法需要调节的超参数以及各超参数的调节范围；
23、利用训练集、tpe算法和k折交叉验证法对超参数空间中的不同超参数组合进行优选；
24、获取最佳超参数组合，选择评估结果最优的超参数组合作为最佳超参数组合；
25、利用训练集和最佳超参数组合训练机器学习模型；
26、使用测试集对训练好的机器学习模型进行综合性能评估。
27、其中，在使用训练集、tpe算法和k折交叉验证法对超参数空间中的不同超参数组合进行优选的步骤中，优选过程为：
28、初始化，从超参数空间中随机选择一组超参数作为初始点，构建初始的概率密度函数，用于生成观察点；
29、重复执行以下步骤直到达到预定的迭代次数及其他停止条件：超参数组合采样，从当前的概率密度函数中采样一个超参数候选组合；
30、机器学习模型训练，使用k折交叉验证法将训练集数据划分为k个不同的子训练集和验证集组合，利用k个不同的子训练集和采样得到的超参数组合训练机器学习模型；
31、机器学习模型评估，使用k个验证集评估相对应子训练集训练的机器学习模型的性能，并记录k个机器学习模型评估结果的平均值；
32、更新，根据评估结果的平均值更新概率密度函数。
33、其中，在优化预测深部咸水中co2溶解度的机器学习模型的步骤中，优化过程为：
34、分析和筛选出对机器学习模型准确性和泛化性影响较大的部分超参数，并在建立完成的预测深部咸水中co2溶解度的机器学习模型的超参数值的基础上，为筛选出的超参数定义一个候选值集合，形成一个超参数网格；
35、利用训练集、网格搜索法和k折交叉验证法对机器学习模型进行一次优化；
36、使用测试集数据对一次优化后的机器学习模型的综合性能进行评估；
37、检验一次优化后的机器学习模型的co2溶解度预测结果。
38、其中，在利用训练集、网格搜索法和k折交叉验证法对机器学习模型进行一次优化的步骤为：
39、使用k折交叉验证法将训练集数据划分为k个不同的子训练集和验证集组合；
40、使用k个子训练集训练超参数网格中所有超参数组合的机器学习模型；
41、使用相对应的验证集评估训练好的机器学习模型，并分别求取每个超参数训练好的k个机器学习模型评估结果的平均值；
42、获取评估结果平均值最优的超参数组合作为最优超参数组合；
43、使用训练集和最优超参数组合重新训练机器学习模型。
44、其中，在检验一次优化后的机器学习模型的co2溶解度预测结果的步骤中，检测过程为：
45、使用一次优化后的机器学习模型预测不同温度、压力和盐离子浓度下的co2溶解度；
46、若co2溶解度预测值变化规律符合物理化学变化规律，一次优化后的机器学习模型则可直接用于co2溶解度的预测；
47、若co2溶解度预测值变化规律不符合物理化学变化规律，则需对一次优化后的机器学习模型进行二次优化，直至co2溶解度预测值满足质量要求；
48、10、如权利要求9所述的基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，在若co2溶解度预测值变化规律不符合物理变化规律，则需对一次优化后的机器学习模型进行二次优化的步骤中，优化过程为：
49、使用不同平滑程度的局部加权散点平滑法对不同组合的同一盐浓度和压力下，单位间隔温度和相对应的一次优化后的机器学习模型的co2溶解度预测值进行拟合；
50、确定局部加权散点法的平滑程度；
51、使用确定平滑程度的局部加权法对同一盐浓度和压力下，单位间隔下不同温度的一次优化后的机器学习模型的co2溶解度预测值进行优化；
52、利用线性插值法对同一离子浓度、压力下，两单位间隔温度之间的机器学习模型co2溶解度预测值进行优化；
53、利用训练集和测试集数据评估二次优化后的机器学习模型，若评估结果符合质量要求，则可使用二次优化后的机器学习模型预测深部咸水中的co2溶解度。
54、本专利技术的一种基于机器学习的深部咸水中co2溶解度预测方法，通过优选机器学习算法；对咸水中co2溶解度的实验数据进行预处理本文档来自技高网...
【技术保护点】
1.一种基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在优选机器学习方法的步骤中：
3.如权利要求2所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在使用层次分析法对初步筛选出来的机器学习算法进行评价的步骤中，评价过程为：
4.如权利要求1所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在对咸水中CO2溶解度的实验数据进行预处理的步骤中，预处理过程为：
5.如权利要求1所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在建立预测深部咸水中CO2溶解度的机器学习模型的步骤中，建立过程为：
6.如权利要求5所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在使用训练集、TPE算法和K折交叉验证法对超参数空间中的不同超参数组合进行优选的步骤中，优选过程为：
7.如权利要求1所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在优化预测深部
8.如权利要求7所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在利用训练集、网格搜索法和K折交叉验证法对机器学习模型进行一次优化的步骤为：
9.如权利要求7所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在检验一次优化后的机器学习模型的CO2溶解度预测结果的步骤中，检测过程为：
10.如权利要求9所述的基于机器学习的深部咸水中CO2溶解度预测方法，其特征在于，在若CO2溶解度预测值变化规律不符合物理变化规律，则需对一次优化后的机器学习模型进行二次优化的步骤中，优化过程为：
...【技术特征摘要】
1.一种基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，在优选机器学习方法的步骤中：
3.如权利要求2所述的基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，在使用层次分析法对初步筛选出来的机器学习算法进行评价的步骤中，评价过程为：
4.如权利要求1所述的基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，在对咸水中co2溶解度的实验数据进行预处理的步骤中，预处理过程为：
5.如权利要求1所述的基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，在建立预测深部咸水中co2溶解度的机器学习模型的步骤中，建立过程为：
6.如权利要求5所述的基于机器学习的深部咸水中co2溶解度预测方法，其特征在于，在使用训练集...
【专利技术属性】
技术研发人员：张卫，胡世莱，王伟，马晓玉，戚会清，李继强，白雪媛，杨棽垚，
申请(专利权)人：重庆科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。