.png){kind=icon}
返回
Long-term stability forecasting for energy storage salt caverns using deep learning-based model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.energy.2025.134854.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地下盐穴因其良好的流变学特性、低渗透性和损伤后的自愈特性，被广泛用于能源存储。确保这些盐穴的长期稳定性对于此类项目的安全运行至关重要。然而，当前的评价方法工作量大、耗时，并涉及一系列实验室测试、本构模型的建立以及模拟实际原地地层的数值模拟。本文提出了一种基于深度学习的高效方法，用于预测能源存储盐穴的长期稳定性。将包括盐穴几何形状、运行参数、地层分布和岩心力学性能在内的12个关键参数设定为输入变量。将盐穴壁面最大位移和盐穴体积减小量设定为输出变量。在此数据集上训练了一个用于盐穴长期稳定性的人工神经网络模型。选择决定系数（R²）和均方根误差（RMSE）作为评价指标。训练集和测试集中，最大位移和盐穴体积减小量的R²值均超过0.97。这一高精度水平满足工程设计要求，表明深度学习模型有望成为在各种条件下预测能源存储盐穴长期稳定性的合适工具。这项开创性工作首次将深度学习模型应用于预测地下盐穴的长期稳定性。我们的创新方法提高了计算效率，并为大规模盐穴储气项目的初始阶段提供了选址和运行压力设计的关键见解。
Keyword:
Underground salt cavern
Long-term stability
Deep learning
Artificial neural network
期刊
IF:
9.4
论文数:
4.3W
被引数:
20.2W
机构
引用论文
Parameter design of the compressed air energy storage salt cavern in highly impure rock salt formations高度不纯岩盐地层中压缩空气储能盐洞的参数设计.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏Machine-learning-based capacity prediction and construction parameter optimization for energy storage salt cavernsENERGY
ENERGYIF9.4
PREAI
分享收藏Hybrid forecasting method for wind power integrating spatial correlation and corrected numerical weather prediction综合空间相关性和修正数值天气预报的风电功率混合预测方法APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏
查看更多内容