导读

广东工业大学联合清华大学、克兰菲尔德大学在Journal of Molecular Liquids上发表了题为：“Machine learning models for fast selection of amino acids as green thermodynamic inhibitors for natural gas hydrate”的研究论文。氨基酸是一类安全无毒的天然气水合物热力学抑制剂，具有良好应用前景。然而，氨基酸种类较多，而天然气管道中的温度、压力、气体组成等环境条件又复杂多变，要快速筛选合适的氨基酸来有效抑制水合物生长变得十分困难。在本研究中，建立了机器学习模型来解决上述问题，根据氨基酸的基本物化性质及管道条件，可以快速准确地预测管道内水合物相平衡温度，并确定不同类型氨基酸的最低注入浓度。

摘要

天然氨基酸是一种安全无毒的水合物热力学抑制剂，但在天然气管道运行条件变化的复杂环境中快速准确的选择合适的氨基酸十分困难。本文研究目的是建立数学模型来预测氨基酸存在时的水合物相平衡温度，揭示氨基酸结构性质与其水合物抑制强度之间的关系，并确定最佳类型和浓度。采用多元线性回归（MLR）、随机森林（RF）、M5法则（M5R）、支持向量机（SVM）等方法预测水合物相平衡温度。对各模型进行参数优化后，四个模型预测的相关系数（R2）分别为0.9328、0.9793、0.9795和0.9980。SVM模型的预测效果优于其他模型，均方根误差（RMSE）分别比MLR、RF和M5R低83%、76%和69%。本研究所建立的SVM模型，为天然气管道中水合物热力学抑制剂筛选提供了一种简单实用而又快速可靠的预测工具。

引言

海洋天然气管道输运长期面临着水合物堵塞的挑战，目前工业上广泛应用的水合物热力学抑制剂仍以醇类等化学试剂为主，具有较高的毒性。前期研究表明，氨基酸是一种绿色无毒的水合物热力学抑制剂。目前，如何根据氨基酸的分子性质来准确预测水合物相平衡温度，仍是一个难题；尤其是在管道条件变化的情况下，如何对这些变化进行快速响应并且准确预测所需的氨基酸类型和最低浓度，是一个亟待解决的问题。在工业应用中，水合物热力学抑制剂的注入量通常很大（浓度甚至高达60%），如果能够根据相平衡曲线的变化来实时确定所需的最低注入浓度，则可以有效降低应用成本。

机器学习是一种基于数据的方法，经训练后可以“学习”并“识别”数据之间的规律，特别适用于高度非线性的数据挖掘。本研究中，将氨基酸的基本物化性质（分子量、等电点、亲疏水参数）、管道运行条件（温度、压力）及管道中气体组成作为自变量，采用机器学习方法对水合物相平衡温度进行预测，揭示氨基酸对水合物的热力学抑制强度与氨基酸物化性质之间的关联。

成果简介

01 提供了一种准确预测天然气水合物相平衡温度的数学模型

本文建立了三种机器学习模型，包括随机森林（RF）、M5法则（M5R）、支持向量机（SVM），对氨基酸存在时的天然气水合物相平衡温度（HFT）进行预测，并将预测结果与传统的多变量线性拟合（MLR）结果进行对比。由图1可见，使用SVM模型的预测效果最好，相关系数R2达到0.9980，分别比MLR、RF和M5R模型高7%、2%和1%。此外，SVM模型的均方根误差（RMSE）低至0.2188，分别比其他3种模型降低约83%、76%和69%。除一个样本的相对偏差为0.23%外，所有预测的HFT的相对偏差均小于0.2%，绝对偏差主要分布在0.1 - 0.2 K范围内（图2）。上述R2和RMSE结果均基于独立测试数据集，这些数据并未用于模型训练；可见，所建立的模型可以对HFT进行准确预测，并具有良好的泛化能力。

图1 天然气水合物相平衡温度的预测值与实验值对比图

图2 天然气水合物相平衡温度的预测值与实验值之间的误差

02 揭示了氨基酸物化性质与水合物抑制强度之间的关系

图3为氨基酸的水合物抑制强度（平均抑制温度）与其分子性质之间的关系图。可以看出，氨基酸的水合物抑制强度随等电点和浓度的增加而单调增加，随分子量的增加而降低。抑制强度随着亲水性指数的变化而呈抛物线形变化，最大平均抑制温度约为1.8 K。在所研究的四种物化性质中，亲水性指数是最不敏感的性质，该参数从-4.5到4.2的变化只能导致平均抑制温度在较小范围（约0.4 ~ 0.6 K）内变化。浓度是最显著的性质，尤其是当浓度超过15 %时，能使平均抑制温度提高8 K。前期研究表明，随着氨基酸浓度的增加，水合物抑制强度的增加可能与高浓度时溶液密度和折射率的变化有关。另外，氨基酸与水之间的氢键相互作用也可能随浓度的增加而增加，增加了水合物形成过程中对水结构的破坏，从而增强了水合物抑制能力。

图3 氨基酸分子性质与水合物热力学抑制强度之间的关系图

结论与展望

本文所建立的SVM模型，可以根据氨基酸的基本物化性质，快速准确预测天然气水合物形成的相平衡温度，预测值与实验值的相对偏差不超过0.2%，对应的R2和RMSE分别为0.9980和0.2188。该模型可为天然气管道中氨基酸种类与浓度的选择提供决策支持，有助于快速确定所需要的最低浓度来确保将相平衡温度降至管道实际温度以下。在未来工作中，可以开发一套天然气水合物抑制剂智能注入系统，不仅可以实时监测管道中压力、温度和气体成分的变化，还可以利用机器学习算法自动筛选并注入最合适浓度的氨基酸来有效抑制水合物形成。

原文信息

Guozhong Wu, Frederic Coulon, Jing-Chun Feng, Zhifeng Yang, Yuelu Jiang, Ruifeng Zhang. Machine learning models for fast selection of amino acids as green thermodynamic inhibitors for natural gas hydrate. Journal of Molecular Liquids, 2023, 370: 120952, https://doi.org/10.1016/j.molliq.2022.120952