Aug, 2024

基于人工智能的可持续地下可再生能源提取方法及其对地震活动的最小化影响

HTML
PDF
TL;DR本研究解决了在进行深地热能、碳捕集与储存及氢储存过程中，由于注入流体引发地震的问题。论文提出了一种基于强化学习的新方法，通过实时选择控制器参数，与稳健控制器高效互动，从而减少人为引发的地震并考虑进一步的生产目标，如最小控制功率。模拟结果表明，该方法在不同能源需求场景下具有良好的可靠性和有效性。
发现论文，激发创造
  • DeepThermal: 使用离线强化学习进行热电厂燃烧优化

    本研究通过开发一个名为DeepThermal的数据驱动人工智能系统来优化燃煤发电厂的燃烧效率，此系统采用了基于模型的离线强化学习（RL）框架，并在中国的四个大型燃煤发电厂中进行了成功部署。

    Feb, 2021

  • 深度强化学习优化地下系统不确定地质条件下的井控

    本文提出了一种基于深度强化学习（DRL）的一般控制策略框架，用于地下流动环境中的闭环决策制定。针对数据同化/历史匹配和鲁棒优化步骤中的挑战，将闭环油藏管理（CLRM）问题表示为一个部分可观察的马尔科夫决策过程，并使用近端策略优化算法来解决相关的优化问题。数据集由多个地质模型场景合集构成，训练结果表明相对于既有地质模型的鲁棒优化以及传统的CLRM方法，基于DRL的方法在油水注入生产中的净现值（NPV）获得了15%和33%的提升，并且相对于传统CLRM平均提升了4%NPV，并且在多种地质模型场景中均能发挥较好的效果。

    Mar, 2022

  • 未来能源与碳中和的强化学习挑战设计

    本研究探讨了随着气候变化对能源生产和消费管理的需求的增加，如何利用深度增强学习算法管理未来的法国电力网络，促进使电力运输网络更好地平衡生产和消费、最小化能量损失以及尽可能地确保人员和设备安全，旨在达到2030年法国碳排放净零的目标。

    Jul, 2022

  • 基于规划的强化学习实现可再生能源电力系统的实时调度

    该研究利用最新的强化学习算法和真实的电力网络环境，提出了一种系统的解决方案来解决传统能源调度面临的问题，并为电力系统提供了一个可持续的低碳未来。

    Mar, 2023

  • 多能源管理系统的自我完善硬约束条件下安全的强化学习

    本文介绍了两项新的安全强化学习方法，OptLayerPolicy和self-improving hard constraints，将约束函数与RL形式解耦，以提高初始效用和准确性，提供了在模拟的多能源系统案例研究中实现92.4%（OptLayerPolicy）的初始效用和104.9%（GreyOptLayerPolicy）的策略的结果。

    Apr, 2023

  • 深度强化学习用于人工上涌能源管理

    利用深度强化学习算法提出一种新颖的能源管理方法，以提高人工上升流系统的效率，同时确保海藻的稳定生长和碳封存的可持续性。

    Aug, 2023

  • 地质定向钻井中的最优顺序决策：一种强化学习方法

    利用模型无关的强化学习方法深度Q网络（DQN）优化地质导向决策，达到与近似最优决策优化方法相当的高质量结果，同时提供实时决策支持。

    Oct, 2023

  • 大规模地质碳和能源储存的高效机器学习代理

    通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

    Oct, 2023

  • 基于多模潜动态模型和深度强化学习的地质碳封存运营优化

    多模态潜在动态（MLD）模型用于提高地质碳储存的存储性能，通过快速流量预测和井控优化，结合深度学习框架，训练深度强化学习代理来最大化净现值（NPV）并减少计算资源使用。

    Jun, 2024

  • 能源系统高效设计与控制的强化学习

    通过引入一个新的强化学习框架来解决可再生能源系统中设计和控制的协同优化问题，可以提高可再生能源的整合和系统效率，推动能源管理领域的强化学习应用，实现可再生能源的更高效和更有效利用。

    Jun, 2024