Aenert news. Environment & Climate Change
气候变化是我们这个时代最紧迫的问题之一，需要立即采取行动以避免其有害影响。抵消这种发展的一种手段是高效的CO2捕获技术。这需要复杂的流程和数字系统来优化大数据预测并减少生产时间。机器学习等数学和统计方法在解决研究问题中发挥着重要作用。这种方法提供了预测大数据的快速结果和经济高效的工具。
在那里，分析地下流动和传输行为的数值模拟对于克服由于多物理性质、高度非线性控制方程、固有参数不确定性以及需要高空间分辨率来捕获多尺度异质性而带来的挑战至关重要。
现在（ 2023 年），国家能源技术实验室的科学家们完成了一个项目，在此过程中开发了一种用于地下监测的深度学习工具，有助于确保地质场所2一种称为分布式声学传感 (DAS) 的新型光纤传感技术已显示出作为地震监测工具的前景，但目前 DAS 使用的数据管理和处理方法不足以充分发挥该技术的潜力。
该工具使用卷积神经网络进行 DAS 测量训练。通过这种深度学习方法，科学家们能够开发出一种与其他常用滤波器相比具有高计算效率和改进的信噪比的数据滤波器。深度学习工具包括更快、更准确的实时监测、识别更多地震事件以及改进的地下成像。
鉴于气候危机，科学家正在寻找改善碳储存的新方法。2023年开发了一种机器学习 (ML) 系统，通过揭示物质与毒性之间的隐藏关系来预测溶剂的潜在健康问题。事实证明，长期接触溶剂会对人类健康造成重大风险。因此，通过确定溶剂毒性的影响因素，开发了健康表现的预测模型。在这项研究中，由于生成模型的可解释性，选择粗糙集机器学习 (RSML) 来完成这项工作。基于数据收集，开发了多种有机溶剂毒性模型、构建具有决策规则的预测模型以及模型验证。结果表明，溶剂毒性与巴拉班指数、化合价连通性指数、维纳指数和沸点之间存在相关性。使用 RSML 生成的预测模型能够对人体毒性和分子属性之间的相关性进行深入观察。
Image: Simplified information table of organic solvent toxicity
Source: Wey Ying Hoo, Jecksin Ooi, Nishanth Gopalakrishnan Chemmangattuvalappil, Chong Jia Wen/ An Interpretable Predictive Model for Health Aspects of Solvents via Rough Set Theory/ Processes 11(8):2293, July 2023/ DOI:10.3390/pr11082293/ Open Access This is an Open Access article is distributed under the terms of the Creative Commons Attribution 4.0 International (CC BY 4.0)
2023年，开发了解决CO2地质封存选址问题的综合决策方法。 为此，采用了多目标优化，包括比率分析以及毕达哥拉斯模糊环境中的完全乘法（MULTIMOORA）方法和优先聚合算子。 这项研究的学术贡献包括一些毕达哥拉斯模糊 Schweizer-Sklar 优先聚合（PFSSPA），它适应了标准的优先级和决策者的风险偏好。 该研究还基于开发的聚合算子（名为 PFSSPA-MULTIMOORA）扩展了经典的 MULTIMOORA 方法。 同时详细描述了该方法的计算过程。 后来，使用 PFSSPAMULTIMOORA 方法对备选方案进行排名。 最后采用PFSSPA-MULTIMOORA方法解决了CO2地质封存的选址问题。 通过对现有方法的比较分析，证明了所提方法的有效性和鲁棒性。
Image: Distribution of the four sites
Source: Yang Yang, Zhang Chao/ MULTIMOORA Method‑Based Schweizer–Sklar Operations for CO2 Geological Storage Site Selection Under Pythagorean Fuzzy Environment/ International Journal of Computational Intelligence Systems 16(1), March 2023/ DOI:10.1007/s44196-023-00201-0/ Open Access This is an Open Access article is distributed under the terms of the Creative Commons Attribution 4.0 International (CC BY 4.0)
使用深度学习进行二氧化碳储存有几个优点：在该系统中，可以通过采用和优化新颖的深度学习技术来减轻各种系统缺陷，以提高某些感兴趣信号（包括本地、区域和远距离地震）的可检测性。 使用人工神经网络的深度学习帮助科学家通过传感器监测地下来检测地下的变化。 就该项目而言，监测了任何形式的地震活动。
下一步将将该技术开发成实时监控工具。 获得 SBIR 第二阶段奖项后，这将在大型研究过程中实现，研究人员将开发可部署在碳储存地点的地震监测工作流程。
编委会
深度学习工具可实现更好的二氧化碳储存
用谷歌翻译翻译
