通过改进 Pitzer 参数和物理信息神经网络实现地质条件下 CO2 溶解度的预测提升
化学物理
2025-08-20 v1
摘要
CO2 在形成盐水中的溶解度在碳捕获与储存（CCS）操作中发挥着关键作用。它受到压力、温度和盐水组成的强烈影响。已developed various experimental studies and modeling approaches to estimate CO2 solubility under wide ranges of pressure, temperature, and salinities. 本工作作出三大贡献: 首先, 我们present了一份关于测量和预测CO2溶解度的广泛实验、理论和仿真方法的详尽文献综述, 并讨论了不同参数如何影响溶解度; 其次, 我们引入改进的温度依赖Pitzer相互作用参数, 相较于地质化学软件PHREEQC中常规值, 平均绝对偏差降低最高达76%; 第三, 我们开发了一种结合热力学直觉与数据驱动学习的物理信息神经网络模型, 在最新方法中预测误差降低14%, 在高盐度条件下提升最高达40%。这些进展共同提供了一个稳健且准确的框架, 用于预测CO2溶解度, 支持更可靠的CCS设计和部署。
引用
@article{arxiv.2508.13323,
title = {Enhanced Prediction of CO2 Solubility under Geological Conditions for CCUS via Improved Pitzer Parameters and Physics-Informed Machine Learning},
author = {Abdeldjalil Latrach and Lily Jackson and Minou Rabiei},
journal= {arXiv preprint arXiv:2508.13323},
year = {2025}
}