Модель глубокой нейронной сети для точного определения растворимости водорода при подземном хранении предложили томские ученые
🧪 Производство водорода постоянно наращивается, вопрос его хранения является одним из актуальных для отрасли. Сейчас он обычно хранится в газообразной или жидкой фазе в наземных резервуарах, активно развивается направление подземного хранения. Как сообщает пресс-служба Томского политехнического университета (ТПУ), исследователи вуза разработали гибридные модели глубокого обучения для прогнозирования растворимости водорода при его подземном хранении. Полученные ими результаты могут способствовать разработке более эффективных стратегий хранения водорода.
🌐 При подземном хранении водорода используются соленые водоносные горизонты и истощенные газовые или нефтяные пласты. Ученые считают опасным потенциальное взаимодействие водорода с остаточными углеводородами в пласте, подземными минералами и микробами: пригодность таких хранилищ для водорода требует детального изучения, говорят исследователи ТПУ. Так, одним из ключевых параметров является растворимость водорода в рассоле, измерение которой – сложный и дорогостоящий процесс. Методы машинного обучения, включая сверхточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM), могут обеспечить точные и надежные прогнозы растворимости, анализируя различные входные параметры и превосходя традиционные методы.
*️⃣ Однако автономные модели глубокого обучения обладают недостатками, например, высокой вычислительной нагрузкой, медленной сходимостью, чувствительностью к выбросам данных. Улучшить прогнозирование показателей растворимости водорода может интеграция методов глубокого обучения с оптимизационными алгоритмами. Такие гибридные модели, объединяющие CNN и LSTM с алгоритмами оптимизации, и были разработаны учеными ТПУ. В перспективе оптимальные модели могут быть использованы для надежного прогнозирования растворимости H2 без непосредственного проведения лабораторных исследований и в целом привести к разработке более эффективных и экономически выгодных методов подземного хранения водорода, уверены исследователи.
Модель глубокой нейронной сети для точного определения растворимости водорода при подземном хранении предложили томские ученые
🧪 Производство водорода постоянно наращивается, вопрос его хранения является одним из актуальных для отрасли. Сейчас он обычно хранится в газообразной или жидкой фазе в наземных резервуарах, активно развивается направление подземного хранения. Как сообщает пресс-служба Томского политехнического университета (ТПУ), исследователи вуза разработали гибридные модели глубокого обучения для прогнозирования растворимости водорода при его подземном хранении. Полученные ими результаты могут способствовать разработке более эффективных стратегий хранения водорода.
🌐 При подземном хранении водорода используются соленые водоносные горизонты и истощенные газовые или нефтяные пласты. Ученые считают опасным потенциальное взаимодействие водорода с остаточными углеводородами в пласте, подземными минералами и микробами: пригодность таких хранилищ для водорода требует детального изучения, говорят исследователи ТПУ. Так, одним из ключевых параметров является растворимость водорода в рассоле, измерение которой – сложный и дорогостоящий процесс. Методы машинного обучения, включая сверхточные нейронные сети (CNN) и сети долгой краткосрочной памяти (LSTM), могут обеспечить точные и надежные прогнозы растворимости, анализируя различные входные параметры и превосходя традиционные методы.
*️⃣ Однако автономные модели глубокого обучения обладают недостатками, например, высокой вычислительной нагрузкой, медленной сходимостью, чувствительностью к выбросам данных. Улучшить прогнозирование показателей растворимости водорода может интеграция методов глубокого обучения с оптимизационными алгоритмами. Такие гибридные модели, объединяющие CNN и LSTM с алгоритмами оптимизации, и были разработаны учеными ТПУ. В перспективе оптимальные модели могут быть использованы для надежного прогнозирования растворимости H2 без непосредственного проведения лабораторных исследований и в целом привести к разработке более эффективных и экономически выгодных методов подземного хранения водорода, уверены исследователи.
A Russian Telegram channel with over 700,000 followers is spreading disinformation about Russia's invasion of Ukraine under the guise of providing "objective information" and fact-checking fake news. Its influence extends beyond the platform, with major Russian publications, government officials, and journalists citing the page's posts. Sebi said data, emails and other documents are being retrieved from the seized devices and detailed investigation is in progress. Since its launch in 2013, Telegram has grown from a simple messaging app to a broadcast network. Its user base isn’t as vast as WhatsApp’s, and its broadcast platform is a fraction the size of Twitter, but it’s nonetheless showing its use. While Telegram has been embroiled in controversy for much of its life, it has become a vital source of communication during the invasion of Ukraine. But, if all of this is new to you, let us explain, dear friends, what on Earth a Telegram is meant to be, and why you should, or should not, need to care. Just days after Russia invaded Ukraine, Durov wrote that Telegram was "increasingly becoming a source of unverified information," and he worried about the app being used to "incite ethnic hatred." WhatsApp, a rival messaging platform, introduced some measures to counter disinformation when Covid-19 was first sweeping the world.
from nl
