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.
Telegram users are able to send files of any type up to 2GB each and access them from any device, with no limit on cloud storage, which has made downloading files more popular on the platform. Messages are not fully encrypted by default. That means the company could, in theory, access the content of the messages, or be forced to hand over the data at the request of a government. The regulator took order for the search and seizure operation from Judge Purushottam B Jadhav, Sebi Special Judge / Additional Sessions Judge. But Telegram says people want to keep their chat history when they get a new phone, and they like having a data backup that will sync their chats across multiple devices. And that is why they let people choose whether they want their messages to be encrypted or not. When not turned on, though, chats are stored on Telegram's services, which are scattered throughout the world. But it has "disclosed 0 bytes of user data to third parties, including governments," Telegram states on its website. The fake Zelenskiy account reached 20,000 followers on Telegram before it was shut down, a remedial action that experts say is all too rare.
from tw
