CO 2 –N 2 Mixture Viscosity Modelling Using Machine Learning: Towards Sustainable Carbon Capture and Energy Efficiency

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a comprehensive ML benchmark for CO2-N2 viscosity, offering insights into model selection and feature importance.

🏢実務担当者:The explicit equations from GMDH enable quick viscosity estimates for CCUS process design without complex simulations.

🏛政策担当者:Demonstrates that ML can reduce CCUS operational uncertainty, supporting policy incentives for technology deployment.

二酸化炭素（CO₂）と窒素（N₂）の混合物の粘度を正確に決定することは、原油増進回収法（EOR）および炭素回収・利用・貯留（CCUS/CCS）にとって極めて重要である。この重要な熱物性値の決定は通常、費用と時間を要する実験によって行われており、油田の回収計画や迅速な意思決定には理想的ではない。一方、従来のモデリングは状態方程式（EoS）や経験的相関式に大きく依存しており、単純化の仮定や適用範囲の限界により、特に超臨界条件付近ではCO₂–N₂粘度に対して不正確となる可能性がある。その結果、高速かつ正確な予測のために機械学習（ML）手法が普及している。そこで本研究では、圧力0.00127～160.99 MPa、温度66.55～575.15 Kにわたる約3036件の文献データポイントを収集し、クリーニングおよび前処理を行った。次に、前処理済みデータを用いて、勾配ブースティング（GB）、極端勾配ブースティング（XGBoost）、LightGBM、CatBoost、ランダムフォレスト、3つの多層パーセプトロン人工ニューラルネットワーク（MLP-ANN）、スタッキングアンサンブル、および群手法データ処理（GMDH）を含む複数のMLモデルを開発した。開発したモデルは、混合物中のCO₂–N₂の温度、圧力、モル分率の関数としてCO₂–N₂粘度を予測するためにベンチマークされた。結果の分析によれば、GBが最良の性能を達成し、テストデータセットに対して相関係数（R²）0.9933±0.0011、二乗平均平方根誤差（RMSE）4.83±0.39 μPa·s、平均絶対誤差（MAE）2.34±0.10 μPa·s（平均±95%信頼区間）を示し、他のすべてのMLモデルおよび使用した文献の相関式を上回った。さらに、GMDHに基づき、温度範囲T<300 KおよびT>300 Kにおいて実験粘度を高精度で予測する2つの実用的な明示式を提案した。感度分析により、圧力が粘度に対して最も高い正の影響を及ぼし、温度は比較的強い負の影響を示すことも明らかになった。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Accurate determination of the viscosity of carbon dioxide (CO 2 ) mixed with nitrogen (N 2 ) is vital for enhanced oil recovery (EOR) and carbon capture, utilisation and storage (CCUS/CCS). The determination of this important thermophysical property is usually through costly and time‐consuming experiments, which is not ideal for field recovery planning and rapid decision‐making. On the other hand, the conventional modelling relies largely on equations of state (EoS) and empirical correlations, which can be inaccurate for CO 2 –N 2 viscosity, particularly near supercritical conditions due to simplifying assumptions and limited transferability. Consequently, machine‐learning (ML) methods have gained popularity for fast and accurate prediction. Hence, in this study, ~3036 literature data points spanning pressures of 0.00127–160.99 MPa and temperature of 66.55–575.15 K were collected, cleaned and pre‐processed. Then, using pre‐processed data, several ML models, including gradient boosting (GB), extreme gradient boosting (XGBoost), LightGBM, CatBoost, random forest, three multilayer perceptron artificial neural networks (MLP‐ANNs), a stacking ensemble and a group method of data handling (GMDH) were developed. The developed models were benchmarked to predict CO 2 –N 2 viscosity as a function of temperature, pressure and the mole fractions of CO 2 –N 2 in the mixture. The analysis of the results indicate that the GB achieved the best performance with a correlation coefficient ( R 2 ) of 0.9933 ± 0.0011, root mean square error (RMSE) of 4.83 ± 0.39 μPa·s and mean absolute error (MAE) of 2.34 ± 0.10 μPa·s (mean ± 95% CI) for the test dataset, outperforming all other ML models and the utilised literature correlations. In addition, based on GMDH, two practical explicit equations within temperature ranges of T  < 300 K and T  > 300 K that predict the experimental viscosity with high accuracy were proposed. The sensitivity analysis also shows that the pressure has the highest positive impact, while temperature exhibited a comparably strong negative effect on viscosity.

• semanticscholar https://doi.org/10.1155/er/2452722first seen 2026-05-05 23:35:12 · last seen 2026-08-14 05:33:59