Idrogeno Sotterraneo e IA: Come il Machine Learning Sta Rivoluzionando lo Stoccaggio Energetico!

Ciao a tutti! Oggi voglio parlarvi di qualcosa di veramente affascinante che sta succedendo nel mondo dell’energia e della tecnologia: lo stoccaggio sotterraneo dell’idrogeno (UHS) e come l’intelligenza artificiale, o meglio, il machine learning (ML), sta entrando in gioco per risolvere alcuni problemi chiave. Sembra fantascienza, ma è realtà e potrebbe essere una delle chiavi per un futuro energetico più sostenibile.

Perché l’Idrogeno Sotterraneo è Così Importante?

Viviamo in un’epoca di grandi cambiamenti, con una spinta globale verso le energie rinnovabili come il solare e l’eolico. Fantastico, vero? Beh, quasi. Il problema è che queste fonti sono intermittenti: il sole non splende sempre e il vento non soffia costantemente. Come garantiamo un flusso di energia stabile? Qui entra in gioco lo stoccaggio. E l’idrogeno si candida come una soluzione promettente su larga scala. Possiamo produrlo quando c’è surplus di energia rinnovabile e conservarlo per usarlo quando serve.

Dove conservarlo? I luoghi ideali sembrano essere le formazioni geologiche sotterranee: vecchi giacimenti di petrolio e gas esauriti, acquiferi profondi o caverne saline. Questi posti offrono capacità enormi e spesso abbiamo già dati geologici disponibili, il che rende il riutilizzo di infrastrutture esistenti un’opzione concreta.

Il Problema Nascosto: i Gas Cuscino e la Dispersione

Per far funzionare questi “serbatoi” sotterranei, però, non basta pompare idrogeno. Serve mantenere una pressione minima, evitare infiltrazioni d’acqua e gestire i volumi durante l’iniezione e l’estrazione. Per questo si usano i cosiddetti “gas cuscino” (cushion gases), come azoto (N2), metano (CH4) o anidride carbonica (CO2). Questi gas, più densi dell’idrogeno, restano nel giacimento e aiutano a mantenere tutto stabile. Pensate che in alcuni casi possono occupare dal 40% all’80% del volume totale!

Ma c’è un inghippo. L’idrogeno, leggero e sfuggente, tende a mescolarsi con questi gas cuscino. Questo fenomeno si chiama dispersione. Il risultato? Contaminazione dell’idrogeno, riduzione della sua purezza e, di conseguenza, costi aggiuntivi (e non indifferenti) per purificarlo prima dell’uso. Capire e prevedere come avviene questa dispersione è fondamentale.

Il coefficiente di dispersione (KL) è il parametro che ci dice quanto velocemente e facilmente i gas si mescolano nel sottosuolo poroso. Questo valore dipende da tanti fattori: il tipo di roccia, la composizione dei gas, la pressione, la temperatura, la velocità con cui l’idrogeno viene iniettato o estratto.

I Metodi Tradizionali? Costosi e Lenti

Finora, per calcolare questo famoso KL, ci si affidava a esperimenti in laboratorio o a complesse simulazioni numeriche (come i modelli CFD). Metodi validi, certo, ma spesso molto costosi, richiedono tempi lunghissimi e non sempre riescono a catturare l’accuratezza necessaria nelle condizioni dinamiche e complesse di un vero giacimento sotterraneo. Inoltre, c’è una sorprendente mancanza di dati affidabili proprio per le miscele idrogeno-gas cuscino nelle condizioni reali di stoccaggio. Molti studi hanno trascurato il problema o usato valori stimati, il che non è ideale per progettare sistemi efficienti e sicuri.

Ecco che Arriva il Machine Learning!

Ed è qui che la storia si fa interessante. E se potessimo usare la potenza del machine learning per prevedere questo coefficiente di dispersione in modo più rapido, economico ed accurato? L’idea è proprio questa: dare “in pasto” a degli algoritmi intelligenti i dati provenienti da esperimenti reali e insegnare loro a riconoscere i pattern e le relazioni tra le condizioni operative (come pressione e velocità di spostamento) e il valore di KL.

Nel nostro studio, abbiamo esplorato proprio questa strada. Abbiamo raccolto dati sperimentali preziosi, ottenuti misurando la dispersione dell’idrogeno in diversi gas cuscino (N2, CH4, CO2) attraverso campioni di roccia (arenaria di Fontainebleau, un classico per questi studi) a diverse pressioni (da 50 a 100 bar) e velocità (da 0.2 a 8.4 cm/min), simulando le condizioni reali dell’UHS.

Abbiamo poi messo alla prova diversi modelli di machine learning:

• Random Forest (RF)
• Least Squares Boosting (LSBoost)
• Regressione Bayesiana
• Regressione Lineare (LR)
• Reti Neurali Artificiali (ANN)
• Support Vector Machines (SVM)

L’obiettivo era vedere quale di questi “cervelli artificiali” fosse il migliore nel prevedere KL basandosi solo su pressione (P) e velocità di spostamento (Um).

Il Campione Indiscusso: Random Forest

I risultati sono stati entusiasmanti! Tra tutti i modelli testati, uno ha brillato particolarmente: il Random Forest (RF). Questo algoritmo, che funziona creando tante piccole “decisioni” (alberi decisionali) e combinando i loro risultati, ha mostrato un’accuratezza sbalorditiva. Pensate: ha raggiunto un coefficiente di determinazione (R2) – una misura di quanto bene il modello spiega i dati – di 0.9965 sui dati di test (quelli che il modello non aveva mai visto prima!) e addirittura 0.9999 sui dati di allenamento. Gli errori (misurati con l’RMSE) sono stati bassissimi: 0.023 e 0.001 rispettivamente. In pratica, il modello RF è riuscito a prevedere la dispersione con una precisione incredibile!

Questo significa che abbiamo potenzialmente uno strumento potentissimo per:

• Prevedere la dispersione in modo rapido ed economico, senza dover fare sempre nuovi e costosi esperimenti.
• Ottimizzare le operazioni di stoccaggio, scegliendo le condizioni migliori per minimizzare la contaminazione.
• Migliorare la progettazione dei siti UHS.
• Ridurre i rischi e i costi legati alla purificazione dell’idrogeno.

Un altro risultato interessante emerso dall’analisi successiva, focalizzata sui singoli gas cuscino usando il modello RF, è che la CO2 sembra comportarsi in modo particolarmente “prevedibile” o stabile nel contesto della dispersione dell’idrogeno, mostrando le migliori performance in termini di indice di determinazione (R2) rispetto a CH4 e N2. Questo potrebbe renderla un’opzione interessante da considerare attentamente nella scelta dei gas cuscino, anche se ovviamente entrano in gioco molti altri fattori economici e operativi.

Cosa Ci Riserva il Futuro (e Qualche Cautela)

Certo, non è tutto risolto. Questi modelli sono stati allenati su dati di laboratorio. Il mondo reale, con le sue rocce eterogenee, temperature e pressioni variabili, e interazioni complesse, è sempre più complicato. Quindi, il prossimo passo è fondamentale:

• Integrare dati provenienti da siti di stoccaggio reali (field-scale).
• Considerare altri fattori importanti (come la bagnabilità della roccia, effetti capillari, diffusione molecolare).
• Sviluppare modelli ibridi che combinino la potenza del ML con la comprensione fisica dei fenomeni (simulazioni numeriche).
• Studiare come la dispersione cambia nel tempo, durante cicli multipli di iniezione ed estrazione.
• Validare questi modelli in progetti pilota industriali.

Nonostante queste sfide, la strada è tracciata. Il machine learning si sta dimostrando uno strumento incredibilmente potente per affrontare le complessità dello stoccaggio sotterraneo dell’idrogeno. Ci permette di ottenere previsioni più accurate, ottimizzare le operazioni, ridurre i costi e, in definitiva, rendere l’UHS una soluzione più praticabile ed efficiente.

È affascinante vedere come l’intelligenza artificiale possa aiutarci concretamente a costruire un futuro energetico più pulito e sostenibile. Stiamo solo iniziando a scalfire la superficie del potenziale di queste tecnologie combinate!

Fonte: Springer