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

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 تاثیرگذار 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 0.97 و 0.94، 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.

multi-objective optimization of underground hydrogen storage operation in a depleted gas reservoir using smart proxy models

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.