用于预测地质构造中氢气吸附的物理信息神经网络：整合经典吸附理论的热力学约束深度学习
机器学习
2026-03-31 v1 地球物理
摘要
准确预测细粒度地质材料中氢气吸附情况，对于评估地下氢气储存容量、 assessing caprock 完整性以及表征 subsurface 能源系统中的氢气迁移至关重要。经典等温模型在单个样本水平表现良好，但在跨异质 population 的泛化时会失败，其决定系数从单样本拟合的 0.80-0.90 下降到聚合多样本数据集的 0.09-0.38。我们提出了一种多尺度物理信息神经网络框架，通过将经典吸附理论和热力学约束直接嵌入学习过程来解决这一限制。该框架利用 1,987 项来自黏土、页岩和煤炭的氢气吸附等温线测量数据，补充 224 项特征吸附测量。七类别物理信息特征工程方案从原始材料表征数据中生成 62 个热力学有意义的描述子。损失函数通过惩罚权重强制执行饱和限制、单调压力响应以及 Van't Hoff 温度依赖性，而三阶段课程式训练策略确保竞争性物理约束的稳定集成。架构多样的集成模型提供校准的不确定性量化，通过后验温度缩放实现目标预测区间覆盖率。优化后的 PINN 在 held-out 测试集上实现 R2 = 0.9544、RMSE = 0.0484 mmol/g 和 MAE = 0.0231 mmol/g，98.6% 的单调性满足率，零负预测。物理信息正则化在 leave-one-lithology-out 验证下比经调校的随机森林实现 10-15% 的跨岩相泛化优势，确认热力学约束可在地质边界间有效迁移。
引用
@article{arxiv.2603.28328,
title = {Physics-Informed Neural Networks for Predicting Hydrogen Sorption in Geological Formations: Thermodynamically Constrained Deep Learning Integrating Classical Adsorption Theory},
author = {Mohammad Nooraiepour and Mohammad Masoudi and Zezhang Song and Helge Hellevang},
journal= {arXiv preprint arXiv:2603.28328},
year = {2026}
}