<menuitem id="ddrxl"><delect id="ddrxl"><i id="ddrxl"></i></delect></menuitem>

      <nobr id="ddrxl"></nobr>
      <nobr id="ddrxl"><thead id="ddrxl"></thead></nobr>

      當前位置:首頁>>新聞動態>>科研進展

      力學所在量子軌道雜化表征干酪根成熟度的機器學習研究中取得進展

      作者:杜書恒 2022-07-05 09:30 來源:
      放大 縮小

      國產油氣資源不足是制約我國經濟發展的最大瓶頸,嚴重威脅我國能源安全。如何提升頁巖油氣的開發利用率是力學學科的“卡脖子”問題。干酪根是油氣的生成母質和主要賦存介質,熱成熟度是評價油氣生成潛力的重要指標之一,定量描述干酪根成熟度演化的理論模型是油氣勘探及原位催熟的理論基礎,也是指導油氣增產的關鍵科學問題。

      近期,中科院力學所非線性力學國家重點實驗室趙亞溥研究團隊在“Mechano-energetics”(力能學) 的整體學術思想下 [Science China Technological Science 65, 490?492 (2022)],首次采用機器學習結合實驗數據的方法預測干酪根組分及其結構特征 [Fuel 290, 120006 (2021)],目前已被引用 17 次,引起國內外專家對機器學習在能源應用方面的高度關注。在此基礎上,進一步實現了機器學習智能化高通量重構干酪根分子,對未知分子重構平均相似度達到了 90% 以上 [Energy & Fuels 36(11), 5749–5761 (2022)]。通過機器學習方法提取 13C NMR 譜圖中的軌道雜化和化學鍵信息,預測干酪根的熱成熟度 (圖 1);提出了一種新的基于軌道雜化的干酪根成熟度指數 (orbital hybridization maturity index, OrbHMI),并與分子成熟度指數 (molecule-maturity index, MMI) 和模型預測值進行比較 (圖 2)。機器學習模型預測結果的平均泛化誤差低于 5%,超過 87% 的預測誤差在 10% 以內,表明機器學習對干酪根成熟度預測的高精確度。研究闡明干酪根熟化過程是 sp2 雜化碳占比升高,sp3 雜化碳占比降低的過程,干酪根分子結構由脂肪結構逐步向芳香結構轉變。該方法同樣可推廣用于其他成熟度指標 (如鏡質體反射率 %Ro) 的預測,為干酪根裂解成油成氣機理的研究奠定理論基礎。

      該成果以“Defining kerogen maturity from orbital hybridization by machine learning”為題發表在中科院一類國際權威期刊 Fuel (Ma J, Kang DL, Wang XH and Zhao YP*. Fuel, 2022, 310: 122250. https://doi.org/10.1016/j.fuel.2021.122250) 上,一經發表即被中美學者引用。該工作得到國家自然科學基金重點項目 (No. 12032019) 和中國科學院前沿重點研究計劃 (No. QYZDJ-SSW-JSC019) 等項目的支持。

      圖 1 基于機器學習的干酪根成熟度表征模型示意圖

      圖 2 新指標 OrbHMI 與 MMI 以及機器學習模型預測結果之間的比較

      附件:
      一个人免费观看的日本,曰本女人与公拘交酡视频,国产成人无码a区在线观看导航,中文人妻av高清一区二区