Abstract：
碳捕集与封存(CCS)项目中涉及的大规模CO2适合采用超临界管道输送.然而超临界CO2管道泄漏过程伴随着复杂相变,因此对其最大泄漏速率进行准确预测是目前的研究难点.鉴于传统物理模型方法存在建模复杂、假设过多、计算耗时等缺点,研究提出通过机器学习方法预测超临界CO2管道最大泄漏速率,分别采用粒子群算法优化的支持向量机(PSO-SVM)和简化处理的卷积神经网络(CNN)对等熵阻塞泄漏模型所生成的泄漏特征数据进行学习,并测试了机器学习模型的预测准确率和泛化能力.研究结果表明:①物理模型、PSO-SVM、CNN的预测结果与实验数据的平均误差为28.82％;②两种机器学习模型预测精度相差不大,CNN的训练时间远短于PSO-SVM,但PSO-SVM的泛化能力强于CNN,因此,SVM适用于小样本数据精确预测,而CNN更适用于对大数据的学习和预测.本研究成果为超临界CO2管道最大泄漏速率预测提供了一种高效的新方法.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
石油科学通报
ISSN： 2096-1693
CN： 10-1405/TE
Year： 2023
Issue： 1
Volume： 8
Page： 102-111
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 5
Affiliated Colleges：
