بهینه‌سازی چندهدفه ذخیره‌سازی زیرزمینی هیدروژن در یک مخزن گازی تخلیه‌شده با استفاده از مدل‌های جایگزین هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی شیمی و نفت، دانشگاه صنعتی شریف، تهران، ایران

چکیده

گرم شدن کره زمین و تغییرات اقلیمی منجر به کاهش مصرف یا جایگزینی سوخت‌های فسیلی با منابع تجدیدپذیر ‌شده است. با این‌حال، به‌دلیل وابستگی جوی-فصلی تولید انرژی‌های تجدید پذیر نیاز به یک سیستم‌ ذخیره‌سازی بزرگ مقیاس برای‌ بر طرف کردن ناترازی انرژی می‌باشد. استفاده از هیدروژن به‌عنوان حامل انرژی و ذخیره‌سازی‌ زیرزمینی آن راهکار جدید برای‌ حل این چالش است. اما ویژگی‌ها و رفتار خاص گاز هیدروژن در محیط متخلخل نیازمند شبیه‌سازی‌های متعدد و زمان‌بر، برای تعیین بهترین سناریو ذخیره‌سازی گاز بر اساس بهینه‌سازی چندهدفه می‌باشد. در این مقاله ذخیره‌سازی زیرزمینی گاز هیدروژن در یک مخزن گازی تخلیه‌شده شبیه‌سازی شد و در ادامه با مدل هوش مصنوعی جایگزین گردید و بهینه‌سازی متغیرهای تصمیم‌گیری توسط الگوریتم ژنتیک چندهدفه انجام گرفت. با توجه به حضور گازهای بازمانده از قبل در مخزن و اختلاط آن با گاز هیدروژن تزریقی، دو پارامتر مهم خلوص گاز تولید شده و ضریب بازیافت هیدروژن تزریقی در اولویت بررسی قرار گرفتند. به‌کمک روش طراحی آزمایش، داده‌های مورد نیاز برای بررسی پارامترهای تأثیرگذار و آموزش روش‌های داده-محور از طریق شبیه‌سازی میدانی تولید شد. در ادامه یک شبکه عصبی مصنوعی با 10 نرون و تابع فعال‌سازی سیگموئیدی به‌عنوان مدل‌ جایگزین مبتنی بر هوش مصنوعی برای آموزش و صحت سنجی به‌ترتیب با دقت برابر با 97/0 و 94/0، بهترین عملکرد را برای پیش‌بینی میزان خلوص و بازیافت هیدروژن ارائه داد. پاسخ‌های بهینه عملیاتی برای متغیرهای تصمیم‌گیری نشان دهنده درصد غالب گاز نیتروژن در گاز پایه با ترکیب 75، 20 و 5% به‌ترتیب برای نیتروژن، کربن دی اکسید و متان می‌باشد. علاوه‌براین، تولید بهینه از بازه مشبک‌کاری چاه تولیدی از قسمت بالا و مشبک‌کاری تزریقی هیدروژن از قسمت پایین مخزن به‌صورت یک مجموعه جواب مطلوب (جبهه پارتو) مشخص گردید. نتایج این پژوهش برای‌ طراحی آزمایشات و انجام بهینه مدل‌سازی‌های مقیاس بزرگ هیدروژن که به امکانات محاسباتی و زمان بسیار طولانی نیاز دارند مفید خواهد بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Multi-Objective Optimization of Underground Hydrogen Storage Operation in a Depleted Gas Reservoir Using Smart Proxy Models

نویسندگان [English]

  • Hossein Kheirollahi
  • Shahab Ayatollahi
  • Hassan Mahani
Department of Chemical and Petroleum Engineering, Sharif University of Technology, Tehran, Iran
چکیده [English]

Global warming and climate change, driven by rising greenhouse gas emissions, are among the most critical challenges of our time. To address this, various solutions have been developed, including net-zero carbon strategies such as carbon capture and storage, as well as energy transition efforts to reduce or replace fossil fuels with renewable sources. However, the intermittent nature of clean energy production necessitates large-scale storage systems to ensure a stable energy supply. Hydrogen, as an energy carrier, presents a promising solution, with underground hydrogen storage (UHS) offering the potential for sustainable energy supply during peak demand. Due to hydrogen’s unique characteristics and dynamic behavior in porous media, complex compositional modeling and time-intensive physics-based simulations are required to determine optimal storage scenarios. This paper first simulates UHS in a depleted gas reservoir, then based on simulation results a proxy model is developed and utilized for multi-objective optimization. Given the presence of remaining gas and the complex phase behavior of reservoir fluids, hydrogen recovery factor and purity were selected as decision variables for optimization. The design of experiment methods, such as Latin hypercube sampling, generated the necessary training and testing subsets for an artificial neural network model. The feed-forward model, incorporating 10 neurons and a sigmoid activation function as a smart proxy, achieved the highest accuracy—0.97 for training and 0.94 for testing—in predicting hydrogen purity and recovery factor, effectively guiding multi-objective optimization of decision variables via a genetic algorithm. Furthermore, Pareto front analysis of optimal solutions revealed nitrogen gas as the dominant component in the injected cushion gas composition, consisting of 75% nitrogen, 20% carbon dioxide, and 5% methane. The results also identified production from top perforations and hydrogen injection in lower perforations as optimal conditions. The approach outlined in this study can support UHS field applications and facilitate rapid decision-making in large-scale energy storage operations.

کلیدواژه‌ها [English]

  • Underground Hydrogen Storage
  • Depleted Gas Reservoir
  • Proxy Model
  • Multi-Objective Optimization
  • Artificial Intelligence
  • Genetic Algorithm

مراجع

[1]. Vanek, F., Albright, L., & Angenent, L. (2008). Energy systems engineering. McGraw-Hill Professional Publishing. ##
[2]. Bahrami, M., Izadi Amiri, E., Zivar, D., Ayatollahi, S., & Mahani, H. (2023). Challenges in the simulation of underground hydrogen storage: A review of relative permeability and hysteresis in hydrogen-water system. Journal of Energy Storage, 73, 108886. doi:10.1016/j.est.2023.108886. ##
[3]. Sampene, A., Li, C., Agyeman, F., & Brenya, R. (2021). Analysis of the BRICS countries’ pathways towards a low-carbon environment. BRICS Journal of Economics, 2(4), 77-102. ##
[4]. Zivar, D., Kumar, S., & Foroozesh, J. (2021). Underground hydrogen storage: A comprehensive review. International Journal of Hydrogen Energy, 46(45), 23436-23462. doi:10.1016/j.ijhydene.2020.08.138. ##
[5]. Zeng, L., Sarmadivaleh, M., Saeedi, A., Chen, Y., Zhong, Z., & Xie, Q. (2023). Storage integrity during underground hydrogen storage in depleted gas reservoirs. Earth-Science Reviews, 247, 104625. doi:10.1016/j.earscirev.2023.104625. ##
[6]. Pérez-Vigueras, M., Sotelo-Boyás, R., de Guadalupe González-Huerta, R., & Bañuelos-Ruedas, F. (2023). Feasibility analysis of green hydrogen production from oceanic energy. Heliyon, 9(9). doi:10.1016/j.heliyon.2023.e20046. ##
[7]. Juez-Larré, J., Gonçalves Machado, C., Yousefi, H., Wang, T. K., Groenenberg, R., & Van Gessel, S. (2023, May). (Pre) feasibility study of underground hydrogen storage potential in depleted gas fields and salt caverns in the Netherlands. In EGU General Assembly Conference Abstracts (pp. EGU-10005). doi.org/10.5194/egusphere-egu23-10005. ##
[8]. Raad, S. M. J., Leonenko, Y., & Hassanzadeh, H. (2022). Hydrogen storage in saline aquifers: Opportunities and challenges. Renewable and Sustainable Energy Reviews, 168, 112846. doi:10.1016/j.rser.2022.112846. ##
[9]. Talukdar, M., Blum, P., Heinemann, N., & Miocic, J. (2024). Techno-economic analysis of underground hydrogen storage in Europe. Iscience, 27(1). doi:10.1016/j.isci.2023.108771. ##
[10]. Gloc, M., Szwed, M., Zagórski, A., & Mizera, J. (2018). Hydrogen influence on microstructure, corrosionresistance and mechanical properties of low alloy steel and explosively cladded steel used for hydrogen storage salt caverns. Applied Mechanics and Materials, 875, 47-52. doi:10.4028/www.scientific.net/amm.875.47. ##
[11]. Zhu, S., Shi, X., Yang, C., Li, Y., Li, H., Yang, K., Wei, X., Bai, W. & Liu, X. (2023). Hydrogen loss of salt cavern hydrogen storage. Renewable Energy, 218, 119267. doi:10.1016/j.renene.2023.119267. ##
[12]. Le Duigou A, Bader A-G, Lanoix J-C, Nadau L.(2017). Relevance and costs of large scale underground hydrogen storage in France. Int J Hydrog Energy.;42(36):22987-23003. doi:10.1016/j.ijhydene.2017.06.239. ##
[13]. Thaysen, E. M., McMahon, S., Strobel, G. J., Butler, I. B., Ngwenya, B. T., Heinemann, N., Wilkinson, M., Hassanpouryouzband, A., McDermott, C.I. & Edlmann, K. (2021). Estimating microbial growth and hydrogen consumption in hydrogen storage in porous media. Renewable and Sustainable Energy Reviews, 151, 111481. doi:10.1016/j.rser.2021.111481. ##
[14]. Bagheri, M., Mahani, H., Ayatollahi, S., & Zivar, D. (2023). Direct pore-scale simulation of the effect of capillary number and gas compressibility on cyclic underground hydrogen storage & production in heterogeneous aquifers. Advances in Water Resources, 181, 104547. doi:10.1016/j.advwatres.2023.104547. ##
[15]. Muhammed, N. S., Haq, B., Al Shehri, D., Al-Ahmed, A., Rahman, M. M., & Zaman, E. (2022). A review on underground hydrogen storage: Insight into geological sites, influencing factors and future outlook. Energy Reports, 8, 461-499. doi:10.1016/j.egyr.2021.12.002. ##
[16]. Kalati, S. S., Khiabani, N. P., Ayatollahi, S., Mahani, H., Zivar, D., & Esmaeilbeig, M. A. (2024). Molecular dynamics simulation of hydrogen diffusion into brine: Implications for underground hydrogen storage. International Journal of Hydrogen Energy, 53, 17-28. doi:10.1016/j.ijhydene.2023.11.318. ##
[17]. Kumar, K. R., & Hajibeygi, H. (2021). Multiscale simulation of inelastic creep deformation for geological rocks. Journal of Computational Physics, 440, 110439. doi:10.1016/j.jcp.2021.110439. ##
[18]. Kanaani, M., Sedaee, B., Asadian-Pakfar, M., Gilavand, M., & Almahmoudi, Z. (2023). Development of multi-objective co-optimization framework for underground hydrogen storage and carbon dioxide storage using machine learning algorithms. Journal of Cleaner Production, 386, 135785. doi:10.1016/j.jclepro.2022.135785. ##
[19]. Zheng, F., Jahandideh, A., Jha, B., & Jafarpour, B. (2021). Geologic CO2 storage optimization under geomechanical risk using coupled-physics models. International Journal of Greenhouse Gas Control, 110, 103385. doi:10.1016/j.ijggc.2021.103385. ##
[20]. Park, C., Oh, J., Jo, S., Jang, I., & Lee, K. S. (2021). Multi-objective optimization of CO2 sequestration in heterogeneous saline aquifers under geological uncertainty. Applied Sciences, 11(20), 9759. doi.org/10.3390/app11209759. ##
[21]. Kashkooli, S. B., Gandomkar, A., Riazi, M., & Tavallali, M. S. (2022). Coupled optimization of carbon dioxide sequestration and CO2 enhanced oil recovery. Journal of Petroleum Science and Engineering, 208, 109257. doi:10.1016/j.petrol.2021.109257. ##
[22]. Vaziri, P., & Sedaee, B. (2024). An application of a genetic algorithm in co-optimization of geological CO2 storage based on artificial neural networks. Clean Energy, 8(1), 111-125. doi:10.1093/ce/zkad077. ##
[23]. Saeed, M., & Jadhawar, P. (2024). Optimizing underground hydrogen storage in aquifers: The impact of cushion gas type. International Journal of Hydrogen Energy, 52, 1537-1549. doi:10.1016/j.ijhydene.2023.08.352. ##
[24]. Da Silva, L. M., Avansi, G. D., & Schiozer, D. J. (2020). Development of proxy models for petroleum reservoir simulation: a systematic literature review and state-of-the-art. International Journal of Advanced Engineering Research and Science, 7(10), 36-62. doi:10.22161/ijaers.710.5. ##
[25]. Bahrami, P., Sahari Moghaddam, F., & James, L. A. (2022). A review of proxy modeling highlighting applications for reservoir engineering. Energies, 15(14), 5247. doi:10.3390/en15145247. ##
[26]. Matthew, D. A. M., Jahanbani Ghahfarokhi, A., Ng, C. S. W., & Nait Amar, M. (2023). Proxy model development for the optimization of water alternating CO2 gas for enhanced oil recovery. Energies, 16(8), 3337. doi:10.3390/en16083337. ##
[27]. مقسمی، ح.، علیزاده سواره، ب. (1394). داده کاوی با MATLAB وIBM SPSS Modeler. انتشارات کاوشگران جوان رایانه. ##
[26]. Haupt, R. L., & Haupt, S. E. (2004). Practical genetic algorithms. John Wiley & Sons.
[27]. Yang X-S.(2010). Engineering Optimization. Wiley-Blackwell. doi:10.1002/9780470640425. ##
[28]. Sheshbolouky, M., Kheirollahi, H. and Khodapanah, E. (2024). Using multi-objective optimization genetics algorithm for co-estimation of saturation functions by piecewise model. Journal Petroleum Research. 2024;34(1403-2):72-90. doi:10.22078/pr.2024.5266.3337. ##
پژوهش نفت
دوره 35، 1404-1 - شماره پیاپی 140
شماره ویژه توسعه زنجیره فناوری های هیدروژنی
فروردین و اردیبهشت 1404
صفحه 37-54

فایل ها

هم رسانی

ارجاع به این مقاله

آمار