Aenert news. Environment & Climate Change
El cambio climático es uno de los problemas más apremiantes de nuestro tiempo y requiere medidas inmediatas para evitar sus efectos nocivos. Un instrumento para contrarrestar este desarrollo es una tecnología eficiente de captura de CO2. Esto requiere procesos complejos y sistemas digitales para optimizar la predicción de big data y reducir el tiempo de producción. Un enfoque matemático y estadístico como el aprendizaje automático juega un papel importante en la resolución de problemas de investigación. Este enfoque proporciona resultados rápidos en la predicción de big data y herramientas rentables.
Allí, las simulaciones numéricas que analizan el flujo subterráneo y el comportamiento del transporte son de suma importancia para superar los desafíos debidos a la naturaleza multifísica, las ecuaciones gobernantes altamente no lineales, las incertidumbres inherentes de los parámetros y la necesidad de altas resoluciones espaciales para capturar la heterogeneidad a múltiples escalas.
Ahora ( 2023 ), los científicos del Laboratorio Nacional de Tecnología Energética concluyeron un proyecto durante el cual se desarrolló una herramienta de aprendizaje profundo para el monitoreo del subsuelo que podría ayudar a garantizar el almacenamiento seguro de dióxido de carbono (CO2) en sitios geológicos. Un nuevo tipo de tecnología de detección de fibra óptica llamada detección acústica distribuida (DAS) se ha mostrado prometedora como herramienta de monitoreo sísmico, pero los métodos actuales de gestión y procesamiento de datos utilizados con DAS no son suficientes para aprovechar plenamente el potencial de la tecnología.
La herramienta fue entrenada en mediciones DAS utilizando redes neuronales convolucionales. Gracias a este enfoque de aprendizaje profundo, los científicos pudieron desarrollar un filtro de datos con una alta eficiencia computacional y una relación señal-ruido mejorada en comparación con otros filtros comúnmente aplicados. La herramienta de aprendizaje profundo incluyó un monitoreo en tiempo real más rápido y preciso, la identificación de más eventos sísmicos y mejores imágenes del subsuelo.
Ante la crisis climática, los científicos están investigando nuevos métodos para mejorar el almacenamiento de carbono. En 2023, se desarrolló un sistema de aprendizaje automático (ML) para predecir los posibles problemas de salud de los solventes al descubrir la relación oculta entre sustancias y toxicidad. Se ha demostrado que la exposición prolongada a disolventes plantea riesgos importantes para la salud humana. Por lo tanto, se desarrolló un modelo predictivo para el desempeño de la salud mediante la identificación de los factores que contribuyen a la toxicidad de los solventes. En el estudio, se eligió Rough Set Machine Learning (RSML) para este trabajo debido a la naturaleza interpretable de los modelos generados. A partir de la recopilación de datos se desarrollaron varios modelos sobre la toxicidad de diversos disolventes orgánicos, la construcción de modelos predictivos con reglas de decisión y la verificación de modelos. Los resultados mostraron que existían correlaciones entre la toxicidad de los disolventes y el índice de Balaban, el índice de conectividad de valencia, el índice de Wiener y los puntos de ebullición. El modelo predictivo generado utilizando RSML pudo brindar observaciones esclarecedoras sobre la correlación entre la toxicidad humana y los atributos moleculares.
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)
En 2023 , un método integrado de toma de decisiones para resolver el problema de selección de sitios para CO2 Se desarrolló el almacenamiento geológico. Para este fin, se empleó una optimización multiobjetivo que incluye análisis de razones, así como el método de forma multiplicativa completa (MULTIMOORA) y operadores de agregación priorizados en un entorno difuso pitagórico. Las contribuciones académicas de este estudio incluyeron algunas agregaciones priorizadas difusas pitagóricas de Schweizer-Sklar (PFSSPA), que acomodaron los niveles de prioridad de los criterios y las preferencias de riesgo de los tomadores de decisiones. El estudio también amplió el método clásico MULTIMOORA basado en los operadores de agregación desarrollados (llamados PFSSPA-MULTIMOORA). Además, se describió en detalle el proceso de cálculo de este método. Posteriormente se utilizó el método PFSSPAMULTIMOORA para clasificar las alternativas. Finalmente, se utilizó el método PFSSPA-MULTIMOORA para resolver el problema de selección del sitio de almacenamiento geológico de CO2 . Un análisis comparativo de los métodos existentes pudo demostrar la eficacia y solidez del método propuesto.
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)
Hay varias ventajas al utilizar el aprendizaje profundo para el almacenamiento de CO2 : En este sistema, varias fallas del sistema podrían Este problema se puede mitigar adaptando y optimizando nuevas técnicas de aprendizaje profundo para mejorar la detectabilidad de ciertas señales de interés, incluidos terremotos locales, regionales y distantes. El aprendizaje profundo, que utiliza redes neuronales artificiales, ayudó a los científicos a detectar cambios bajo tierra monitoreando el subsuelo con sensores. En el caso de este proyecto se monitoreó cualquier forma de actividad sísmica.
El siguiente paso será convertir la tecnología en una herramienta de seguimiento en tiempo real. Habiendo recibido un premio SBIR Fase II, esto se realizará en el curso de un gran estudio en el que los investigadores desarrollarán un flujo de trabajo de monitoreo sísmico que podría implementarse en sitios de almacenamiento de carbono.
Por el consejo editorial
Herramienta de aprendizaje profundo para un mejor almacenamiento de CO2
Traducido con el Traductor de Google
