科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了定量预测采空区不同理化条件下煤对CO2的吸附封存能力，以常温常压下3种煤在不同矿物质含量、含水率和CO2体积分数下的饱和吸附量数据为基础，分别采用机器学习方法中的误差反向传播(BP)神经网络和随机森林算法对实验数据进行训练和预测，对两种模型的预测性能进行了分析和比较，并通过随机森林算法计算了各影响因素的重要性权重。结果表明：BP神经网络和随机森林模型均可以很好地预测煤对CO2的吸附能力，其中BP神经网络模型测试集的平均绝对误差(MAE)和均方根误差(RMSE)分别为0.022 5和0.071 8,随机森林模型测试集的MAE和RMSE分别为0.032 0和0.090 5,均小于0.1;BP神经网络模型预测结果中，相对误差小于5%的数据为100%,而随机森林模型预测结果中，相对误差小于5%的数据为82%,且BP神经网络预测模型的平均绝对误差、均方误差和均方根误差均小于随机森林模型，证明BP神经网络在CO2饱和吸附量的预测应用上准确性更高，预测效果更好。CO2体积分数是所有影响吸附的因素中影响程度最大的，约为30%;其次是比表面积，约为26%;CO2体积分数、比表面积和含水率3个因素的重要性权重之和可达75%,远高于其他3个因素；孔体积与平均孔径的影响程度较低，而矿物质含量对吸附量的影响不大。研究结果可为采空区封存CO2技术的应用提供理论支撑，对温室气体的减排具有重要意义。
-
单位山西省晋神能源有限公司; 辽宁工程技术大学
