Aenert news. Environment & Climate Change
Der Klimawandel ist eines der dringendsten Probleme unserer Zeit und erfordert sofortiges Handeln, um seine schädlichen Auswirkungen abzuwenden. Ein Instrument, um dieser Entwicklung entgegenzuwirken, ist eine effiziente CO2-Abscheidungstechnologie. Dies erfordert komplexe Prozesse und digitale Systeme, um die Big-Data-Vorhersage zu optimieren und die Produktionszeit zu verkürzen. Ein mathematisch-statistischer Ansatz wie maschinelles Lernen spielt eine wichtige Rolle bei der Lösung von Forschungsproblemen. Dieser Ansatz liefert schnelle Ergebnisse bei der Vorhersage großer Datenmengen und kosteneffiziente Tools.
Dort sind numerische Simulationen zur Analyse des unterirdischen Strömungs- und Transportverhaltens von größter Bedeutung, um die Herausforderungen zu meistern, die sich aus der multiphysikalischen Natur, den stark nichtlinearen maßgeblichen Gleichungen, den inhärenten Parameterunsicherheiten und der Notwendigkeit hoher räumlicher Auflösungen zur Erfassung der Heterogenität auf mehreren Skalen ergeben.
Jetzt ( 2023 ) haben Wissenschaftler des National Energy Technology Laboratory ein Projekt abgeschlossen, in dessen Rahmen ein Deep-Learning-Tool für die Untergrundüberwachung entwickelt wurde, das dazu beitragen könnte, eine sichere Speicherung von Kohlendioxid (CO2) an geologischen Standorten zu gewährleisten. Eine neue Art von faseroptischer Sensortechnologie namens Distributed Acoustic Sensing (DAS) hat sich als Instrument zur seismischen Überwachung als vielversprechend erwiesen, aber die aktuellen Datenverwaltungs- und Verarbeitungsmethoden, die mit DAS verwendet werden, reichen nicht aus, um das Potenzial der Technologie voll auszuschöpfen.
Das Tool wurde auf DAS-Messungen mithilfe von Faltungs-Neuronalen Netzen trainiert. Durch diesen Deep-Learning-Ansatz konnten die Wissenschaftler einen Datenfilter mit hoher Recheneffizienz und einem verbesserten Signal-Rausch-Verhältnis im Vergleich zu anderen häufig verwendeten Filtern entwickeln. Das Deep-Learning-Tool umfasste eine schnellere und genauere Echtzeitüberwachung, die Identifizierung weiterer seismischer Ereignisse und eine verbesserte Bildgebung unter der Oberfläche.
Angesichts der Klimakrise suchen Wissenschaftler nach neuen Methoden, um die Kohlenstoffspeicherung zu verbessern. Im Jahr 2023wurde ein System für maschinelles Lernen (ML) entwickelt, um die potenziellen Gesundheitsprobleme von Lösungsmitteln vorherzusagen, indem der verborgene Zusammenhang zwischen Substanzen und Toxizität aufgedeckt wird. Es wurde nachgewiesen, dass eine längere Exposition gegenüber Lösungsmitteln ein erhebliches Risiko für die menschliche Gesundheit darstellt. Daher wurde ein Vorhersagemodell für die Gesundheitsleistung entwickelt, indem die Faktoren identifiziert wurden, die zur Lösungsmitteltoxizität beitragen. In der Studie wurde Rough Set Machine Learning (RSML) aufgrund der Interpretierbarkeit der generierten Modelle für diese Arbeit ausgewählt. Basierend auf der Datenerfassung wurden mehrere Modelle zur Toxizität verschiedener organischer Lösungsmittel, die Konstruktion von Vorhersagemodellen mit Entscheidungsregeln und die Modellverifizierung entwickelt. Die Ergebnisse zeigten, dass es Korrelationen zwischen der Lösungsmitteltoxizität und dem Balaban-Index, dem Valenzkonnektivitätsindex, dem Wiener-Index und den Siedepunkten gab. Das mithilfe von RSML erstellte Vorhersagemodell konnte aufschlussreiche Beobachtungen über den Zusammenhang zwischen menschlicher Toxizität und molekularen Eigenschaften liefern.
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)
Im Jahr 2023 wird eine integrierte Entscheidungsmethode zur Lösung des Standortauswahlproblems für CO2 entwickelt Es wurde ein geologischer Speicher entwickelt. Zu diesem Zweck wurde eine Mehrzieloptimierung eingesetzt, die eine Verhältnisanalyse sowie die Methode der vollständigen multiplikativen Form (MULTIMOORA) und priorisierte Aggregationsoperatoren in einer pythagoreischen Fuzzy-Umgebung umfasste. Zu den akademischen Beiträgen dieser Studie gehörten einige pythagoreische Fuzzy-Schweizer-Sklar-priorisierte Aggregationen (PFSSPA), die den Prioritätsstufen der Kriterien und den Risikopräferenzen von Entscheidungsträgern Rechnung trugen. Die Studie erweiterte auch die klassische MULTIMOORA-Methode basierend auf den entwickelten Aggregationsoperatoren (genannt PFSSPA-MULTIMOORA). Außerdem wurde der Berechnungsprozess dieser Methode ausführlich beschrieben. Später wurde die PFSSPAMULTIMOORA-Methode zum Ranking der Alternativen verwendet. Schließlich wurde die PFSSPA-MULTIMOORA-Methode verwendet, um das Standortauswahlproblem der geologischen CO2 -Speicherung zu lösen. Durch eine vergleichende Analyse bestehender Methoden konnte die Wirksamkeit und Robustheit der vorgeschlagenen Methode nachgewiesen werden.
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)
Die Verwendung von Deep Learning für die CO 2 -Speicherung bietet mehrere Vorteile: In diesem System könnten verschiedene Systemfehler auftreten durch die Anpassung und Optimierung neuartiger Deep-Learning-Techniken gemildert werden, um die Erkennbarkeit bestimmter relevanter Signale, einschließlich lokaler, regionaler und entfernter Erdbeben, zu verbessern. Deep Learning, das künstliche neuronale Netze nutzt, half den Wissenschaftlern dabei, Veränderungen im Untergrund zu erkennen, indem sie den Untergrund mit Sensoren überwachten. Bei diesem Projekt wurde jede Form seismischer Aktivität überwacht.
Der nächste Schritt besteht darin, die Technologie zu einem Echtzeit-Überwachungstool weiterzuentwickeln. Nach Erhalt eines SBIR-Phase-II-Preises wird dies im Rahmen einer großen Studie realisiert, in der Forscher einen seismischen Überwachungsablauf entwickeln werden, der an Kohlenstoffspeicherstandorten eingesetzt werden könnte.
Von der Redaktion
Deep-Learning-Tool für eine bessere CO2-Speicherung
Übersetzt mit Google Translate
