二氧化碳封存性能预测方法、装置及存储介质与流程

1.本技术涉及二氧化碳封存性能预测技术领域，尤其涉及二氧化碳封存性能预测方法、装置及存储介质。


背景技术：

2.世界经济的快速发展，使得全球范围内对一次能源的需求量迅速增长。伴随一次能源的大量消耗，大气中以二氧化碳为主的温室气体排放量也在逐年增多。目前二氧化碳减排的方法主要有三类：提高能源的利用效率，增大可再生能源占比以及开展二氧化碳捕集、利用与封存技术(carbon capture,utilization and storage，ccus)。
3.ccus技术还未成熟，由于不同排放源排放的二氧化碳具有不同的浓度、压力和温度等原因，会导致成本和减排效果的不可预计，对电厂和化工厂的效率以及发电成本和生产成本等产生严重的冲击。因此，提升二氧化碳封存性能预测的精度，将成为解决问题的关键。


技术实现要素：

4.本技术提供了一种二氧化碳封存性能预测方法、装置及系统，以至提高二氧化碳封存性能预测精度。本技术的技术方案如下：
5.第一方面，本技术实施例提供了一种二氧化碳封存性能预测方法，包括：
6.获取影响深部咸水层二氧化碳封存性能的关键相关参数；
7.对所述关键相关参数进行预处理，得到预处理后的关键相关参数；
8.基于所述预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，所述训练好的权重高斯过程回归模型是通过训练样本训练得到的，所述训练样本包括经过标注的影响深部咸水层二氧化碳封存性能的关键相关参数和对应的封存性能指标；所述权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的；
9.输出所述性能预测结果。
10.第二方面，本技术实施例提供了一种二氧化碳封存性能预测装置，包括：
11.参数获取模块，用于获取影响深部咸水层二氧化碳封存性能的关键相关参数；
12.参数预处理模块，用于对所述关键相关参数进行预处理，得到预处理后的关键相关参数；
13.性能预测模块，用于基于所述预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，所述训练好的权重高斯过程回归模型是通过训练样本训练得到的，所述训练样本包括经过标注的影响深部咸水层二氧化碳封存性能的关键相关参数和对应的封存性能指标；所述权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的；
14.预测结果输出模块，用于输出所述性能预测结果。
15.第三方面，本技术实施例提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本技术第一方面实施例所述的二氧化碳封存性能预测方法。
16.第四方面，本技术实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本技术第一方面实施例所述的二氧化碳封存性能预测方法。
17.第五方面，本技术实施例提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本技术第一方面实施例所述的二氧化碳封存性能预测方法的步骤。
18.本技术实施例提供的技术方案至少带来以下有益效果：
19.通过获取影响深部咸水层二氧化碳封存性能的关键相关参数；并对所述关键相关参数进行预处理，得到预处理后的关键相关参数；再基于所述预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，所述权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的；能够解决二氧化碳封存性能预测的有效性问题，即提高二氧化碳封存性能预测精度，从而提高封存成本和减排效果的可预见性。
20.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理，并不构成对本技术的不当限定。
22.图1是根据一示例性实施例示出的一种二氧化碳封存性能预测方法的流程图。
23.图2是根据一示例性实施例示出的权重高斯过程回归模型的训练方法的流程图。
24.图3是根据一示例性实施例示出的一种二氧化碳封存性能预测装置的框图。
25.图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
26.为了使本领域普通人员更好地理解本技术的技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
27.需要说明的是，本技术中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
28.图1是根据本技术一个实施例的二氧化碳封存性能预测方法的流程图。需要说明的是，本技术实施例的二氧化碳封存性能预测方法可应用于本技术实施例的二氧化碳封存性能预测装置。该二氧化碳封存性能预测装置可被配置于电子设备上。如图1所示，该二氧
化碳封存性能预测方法可以包括如下步骤。
29.在步骤s101中，获取影响深部咸水层二氧化碳封存性能的关键相关参数。
30.二氧化碳地质封存技术是提取工厂排放废气中的二氧化碳并压缩至超临界状态，再运输到封存场地永久埋存在地下深部，达到减排的目的。具体可以通过注入井，借助压力，将二氧化碳注入地下1500—2500米之间的咸水层封存。
31.本技术实施例采用深部咸水层进行二氧化碳封存，获取影响封存性能的关键相关参数。
32.影响二氧化碳封存性能的相关参数包括但不限于深部咸水层的孔隙度、渗透率、深部咸水层厚度、注入速率、残余气体饱和度、深部咸水层盐度、深部咸水层压力、深部咸水层温度以及垂直渗透率和水平渗透率的比值等数据。
33.其中，残余气体饱和度为注入结束后，仍存留在深部咸水层的孔隙介质中的气体的饱和度。
34.在步骤s102中，对关键相关参数进行预处理，得到预处理后的关键相关参数。
35.获取影响二氧化碳封存性能的相关参数之后，需要对获取的数据进行数据清洗、剔除异常数据、数据格式转换等预处理，以得到符合要求的关键相关参数。
36.在步骤s103中，基于预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，训练好的权重高斯过程回归模型是通过训练样本训练得到的，训练样本包括经过标注的影响深部咸水层二氧化碳封存性能的关键相关参数和对应的封存性能指标；权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的。
37.将预处理后的关键相关参数，输入训练好的权重高斯过程回归模型，可以得到二氧化碳封存性能预测结果。
38.在步骤s104中，输出性能预测结果。
39.通过训练好的权重高斯过程回归模型得到二氧化碳封存性能预测结果之后，输出性能预测结果，以便根据该预测结果对封存成本、减排效果等进行评估。
40.本技术实施例的二氧化碳封存性能预测方法，通过获取影响深部咸水层二氧化碳封存性能的关键相关参数；并对关键相关参数进行预处理，得到预处理后的关键相关参数；再基于预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的；能够解决二氧化碳封存性能预测的有效性问题，即提高二氧化碳封存性能预测精度，从而提高封存成本和减排效果的可预见性。
41.本技术实施例还提供了上述实施例中的权重高斯过程回归模型的训练方法，图2是根据本技术实施例的训练好的权重高斯过程回归模型的训练过程的流程图。如图2所示，该训练过程可以包括如下步骤。
42.在步骤s201中，获取影响深部咸水层二氧化碳封存性能的初步相关参数。
43.影响二氧化碳封存性能的初步相关参数包括但不限于深部咸水层的孔隙度、渗透率、深部咸水层厚度、注入速率、残余气体饱和度、深部咸水层盐度、深部咸水层压力、深部咸水层温度以及垂直渗透率和水平渗透率的比值等数据。
44.在步骤s202中，对初步相关参数进行预处理，得到预处理后的初步相关参数。
45.需要说明的是，在本技术的实施例中，上述步骤s202的实现过程可参见上述步骤s102的实现过程的描述，在此不再赘述。
46.在步骤s203中，根据封存性能参数相关性测试试验，从初步相关参数中获取关键相关参数。
47.也就是说，获取影响深部咸水层二氧化碳封存性能的初步相关参数之后，进行试验验证，筛选出对封存性能影响比较大的关键相关参数，然后根据关键相关参数，进行模型训练和预测。
48.在步骤s204中，获取关键相关参数对应的封存性能指标。
49.需要说明的是，封存性能指标包括总封存效率指数(tei)，总封存效率指数为残余封存指数与溶解度封存指数之和；其中，残余封存指数(rti)为二氧化碳残余封存质量与二氧化碳注入总质量的比值，溶解度封存指数(sti)为溶解在咸水中的二氧化碳质量与二氧化碳注入总质量的比值。
50.即，rti＝(二氧化碳残余封存质量(吨))/(二氧化碳注入总质量(吨))，
51.sti＝(溶解在咸水中的二氧化碳质量(吨))/(二氧化碳注入总质量(吨))，
52.tei＝rti sti。
53.也就是说，训练好的权重高斯过程回归模型的输出结果为总封存效率指数。标签训练样本中的总封存效率指数根据残余封存指数与溶解度封存指数得到。
54.在步骤s205中，基于关键相关参数、封存性能指标和高斯过程回归算法对权重高斯过程回归模型进行训练，得到训练好的权重高斯过程回归模型。
55.需要说明的是，高斯过程回归(gaussian process regression，gpr)是使用高斯过程(gaussian process，gp)先验对数据进行回归分析的非参数模型。
56.可选的，对权重高斯过程回归模型进行训练时，包括：通过均值函数和引入权重的协方差矩阵定义高斯过程；通过求解高斯过程的后验概率的对数似然方程，得到性能预测结果。
57.一个高斯过程f(x)是一个随机过程，即每个有限的随机变量集合都有一个多变量的正态分布，f(x)的高斯分布关系gp可以通过均值函数m(x)和协方差矩阵cov(x，x
t
)定义，见如下公式(1)：
58.f(x)～gp(m(x)，cov(x，x
t
))
ꢀꢀ
(1)
59.其中，
60.其中，x为训练样本中的数据。
61.其中，协方差矩阵可以描述训练样本数据之间的关联性，以从输入数据得到的联合高斯先验分布为条件，预测结果的后验概率p满足正态分布n，表示如下：
[0062][0063]
其中，p(z|f，x)为预测结果的后验概率，k(x1，x1)为数据样本两两结合的协方差矩阵，k(x，x)为基于核函数计算的整个协方差矩阵，xi(i＝1，2，
……
，n)表示训练样本数据中第i组数据，n为训练样本数据的数据组数。
[0064]
本技术实施例在协方差矩阵k(x，x)中引入惩罚项λ，λ∈(0，1)：
[0065][0066]
协方差矩阵公式k(x，x)进一步表达为如下公式(2)：
[0067][0068]
需要说明的是，惩罚项λ即权重，通过在协方差矩阵增加权重，可以提供模型的准确率，即进一步提高预测精度。
[0069]
通过求解如下对数似然方程(3)，得到最终的性能预测结果：
[0070][0071]
求解上述对数似然方程(3)，可以得到性能预测结果。
[0072]
得到训练好的权重高斯过程回归模型之后，可以通过该训练好的权重高斯过程回归模型进行封存性能预测。
[0073]
本技术实施例的权重高斯过程回归模型的训练方法，通过引入权重的协方差矩阵，得到权重高斯过程回归模型，训练好的权重高斯过程回归模型能够解决二氧化碳封存性能预测的有效性问题，即提高二氧化碳封存性能预测精度，从而提高封存成本和减排效果的可预见性。
[0074]
图3是根据一示例性实施例示出的一种二氧化碳封存性能预测装置的框图。参照图3，该二氧化碳封存性能预测装置可以包括：参数获取模块301、参数预处理模块302、性能预测模块303和预测结果输出模块304。
[0075]
具体地，参数获取模块301，用于获取影响深部咸水层二氧化碳封存性能的关键相关参数；
[0076]
参数预处理模块302，用于对关键相关参数进行预处理，得到预处理后的关键相关参数；
[0077]
性能预测模块303，用于基于预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，训练好的权重高斯过程回归模型是通过训练样本训练得到的，训练样本包括经过标注的影响深部咸水层二氧化碳封存性能的关键相关参数和对应的封存性能指标；权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的；
[0078]
预测结果输出模块304，用于输出性能预测结果。
[0079]
在本技术的一些实施例中，装置包括模型训练模块305，用于：
[0080]
获取影响深部咸水层二氧化碳封存性能的初步相关参数；
[0081]
对初步相关参数进行预处理，得到预处理后的初步相关参数；
[0082]
根据封存性能参数相关性测试试验，从初步相关参数中获取关键相关参数；
[0083]
获取关键相关参数对应的封存性能指标；
[0084]
基于关键相关参数、封存性能指标和高斯过程回归算法对权重高斯过程回归模型进行训练，得到训练好的权重高斯过程回归模型。
[0085]
在本技术的一些实施例中，模型训练模块305对权重高斯过程回归模型进行训练时，包括：
[0086]
通过均值函数和引入权重的协方差矩阵定义高斯过程；
[0087]
通过求解高斯过程的后验概率的对数似然方程，得到性能预测结果。
[0088]
在本技术的一些实施例中，封存性能指标包括总封存效率指数，总封存效率指数为残余封存指数与溶解度封存指数之和；其中，残余封存指数为二氧化碳残余封存质量与二氧化碳注入总质量的比值，溶解度封存指数为溶解在咸水中的二氧化碳质量与二氧化碳注入总质量的比值。
[0089]
在本技术的一些实施例中，初步相关参数包括深部咸水层的孔隙度、渗透率、深部咸水层的厚度、二氧化碳的注入速率、残余气体饱和度、深部咸水层的盐度、深部咸水层的压力、深部咸水层的温度以及垂直渗透率和水平渗透率的比值。
[0090]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0091]
本技术实施例的二氧化碳封存性能预测装置，通过获取影响深部咸水层二氧化碳封存性能的关键相关参数；并对关键相关参数进行预处理，得到预处理后的关键相关参数；再基于预处理后的关键相关参数和训练好的权重高斯过程回归模型，得到性能预测结果；其中，权重高斯过程回归模型的高斯过程是通过均值函数和引入权重的协方差矩阵定义的；能够解决二氧化碳封存性能预测的有效性问题，即提高二氧化碳封存性能预测精度，从而提高封存成本和减排效果的可预见性。
[0092]
图4是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备400可以是服务器，计算机等。
[0093]
参照图4，电子设备400可以包括以下一个或多个组件：处理器410，存储器420，i/o接口430，以及通信接口440。
[0094]
处理器410通常控制电子设备400的整体操作，诸如与显示，数据通信以及记录操作相关联的操作。处理器410执行指令以完成上述的二氧化碳封存性能预测的方法的全部或部分步骤。
[0095]
存储器420被配置为存储各种类型的数据以支持在电子设备400的操作。这些数据的示例包括用于在电子设备400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器420可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0096]
i/o接口430为处理器410和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
[0097]
通信接口440被配置为便于电子设备400和其他设备之间有线或无线方式的通信。电子设备400可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信接口440经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信接口440还包括近场通信(nfc)模块，以促进短
程通信。例如，在nfc模块可基于射频识别(rfid)技术，红外数据协会(irda)技术，超宽带(uwb)技术，蓝牙(bt)技术和其他技术来实现。
[0098]
在示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(asic)、数字信号处理器(dsp)、数字信号处理设备(dspd)、可编程逻辑器件(pld)、现场可编程门阵列(fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述二氧化碳封存性能预测的方法。
[0099]
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器420，上述指令可由电子设备400的处理器410执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0100]
一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备400的处理器执行时，使得电子设备400能够执行上述实施例所述的二氧化碳封存性能预测方法。
[0101]
在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的指令由电子设备400的处理器执行时，使得电子设备400能够执行上述方法。
[0102]
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0103]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
[0104]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求来限制。