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.
The account, "War on Fakes," was created on February 24, the same day Russian President Vladimir Putin announced a "special military operation" and troops began invading Ukraine. The page is rife with disinformation, according to The Atlantic Council's Digital Forensic Research Lab, which studies digital extremism and published a report examining the channel. In addition, Telegram now supports the use of third-party streaming tools like OBS Studio and XSplit to broadcast live video, allowing users to add overlays and multi-screen layouts for a more professional look. Emerson Brooking, a disinformation expert at the Atlantic Council's Digital Forensic Research Lab, said: "Back in the Wild West period of content moderation, like 2014 or 2015, maybe they could have gotten away with it, but it stands in marked contrast with how other companies run themselves today." 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. "There is a significant risk of insider threat or hacking of Telegram systems that could expose all of these chats to the Russian government," said Eva Galperin with the Electronic Frontier Foundation, which has called for Telegram to improve its privacy practices.
from vn
