本文目录一览：
【精品能源内容，点击右上角加'关注'】
据路透社5月23日报道，尽管当前需求降低和石油和天然气产量减少，但美国的原油和天然气产量仍然排名全球第一。
随着页岩革命的兴起，水力压裂和水平钻井等技术得以广泛使用，据美国能源信息署(EIA)的数据，截至2020年2月28日当周，美国原油日产量从2008年的平均500万桶飙升至创纪录的1310万桶。
根据EIA的数据，由于石油需求疲软和低油价，截至5月8日当周，美国原油产量降至1160万桶/天，预计2020年平均产量为1170万桶/天。
根据英国石油公司(BP)去年发布的《世界能源统计审查报告》(Statistical Review of World Energy report)提供的*数据，2018年，美国在原油总量和全球石油产品产量方面仍居全球首位，日均产量为1530万桶。报告显示，紧随其后的是沙特阿拉伯，2018年的平均日产量为1220万桶，而俄罗斯的平均日产量为1140万桶。
美国原油进口下降，出口上升。多年来，页岩油革命帮助美国逐渐减少了原油进口量，也帮助美国开始出口原油。
2015年底，美国解除了自上世纪70年代以来实施的禁止出口国内生产的原油的禁令。EIA数据显示，自那以来，美国原油日出口量从2016年的平均59.1万桶增加至2020年2月的创纪录高位371万桶。在2019年前七个月，美国每月向多达31个目的地出口原油。
在进口方面，2006年页岩革命爆发前，美国保持了原油进口量的历史*纪录，即1012万桶/天。该水平在2019年降至日均679万桶，2019年11月降至581万桶。美国将继续从北部邻国加拿大进口大部分原油，2019年加拿大平均每天进口381万桶原油。
然而，EIA的数据显示，美国仍严重依赖中东地区，2009年美国平均每天从沙特进口50万桶原油。然而，这一水平明显低于海湾战争后1991年创下的170万桶/天的历史*水平。2019年美国从墨西哥进口的石油数量平均达到60万桶/天。
在天然气方面，EIA数据显示，自页岩革命以来，美国天然气产量也从2008年的21.1万亿立方英尺(5975亿立方米)跃升至2019年的36.2万亿立方英尺(1.02万亿立方米)。在天然气产量方面，美国仍然是世界第一。英国石油公司《世界能源统计报告》显示，2018年美国天然气产量平均约为8320亿立方米。
报告显示，俄罗斯以6690亿立方米的天然气产量紧随其后。十多年来一直是世界液化天然气出口*的卡塔尔，在2018年以1750亿立方米的天然气产量跌至第四位。加拿大仍然是美国天然气进口的主要供应国，美国几乎所有通过管道进口的天然气都是由加拿大提供的。2019年，美国从加拿大进口的天然气总量为2.68万亿立方英尺(759亿立方米)。2019年，美国从特立尼达进口的液化天然气最多，平均为468亿立方英尺(13.2亿立方米)。紧随其后的是尼日利亚的31亿立方英尺(8780万立方米)和法国的26亿立方英尺(7360万立方米)。
在液化天然气方面，2017年，由于液化天然气出口增加，输往墨西哥的管道数量增加，以及从加拿大进口的天然气减少，美国的天然气出口量开始超过进口量。2016年2月，美国Cheniere Energy旗下位于路易斯安那州的Sabine Pass液化终端*向海外发货后，美国开始从48个州出口液化天然气。
从那时起，马里兰州的Cove Point液化天然气出口终端开始运作，德克萨斯州的Corpus Christi终端于2018年开始出口液化天然气。另外两个液化天然气出口终端——路易斯安那州的卡梅伦液化天然气和德克萨斯州的Freeport液化天然气终端也已投产，而佐治亚州的厄尔巴岛(Elba Island)液化天然气出口终端也即将全面投产。
根据EIA的数据，2016年2月只有一个终端的美国液化天然气出口量仅为33亿立方英尺，而在2020年1月则飙升至约2500亿立方英尺(71亿立方米)的历史*水平。
天然气期货今天行情价【文/观察者网 王濛】美国得克萨斯州一个天然气港口爆炸令原本就紧张的天然气供应雪上加霜，欧洲天然气期货价格涨超12%，英国天然气期货价格上涨33%。尽管因俄乌冲突导致的天然气海外需求激增，但美国国内市场的天然气供应可能会陷入困境。
美国财经新闻网站Business Insider报道：在美国主要天然气出口港发生火灾后，欧洲天然气价格飙升了近40%
综合美国财经新闻网站Business Insider、路透社、彭博社6月9日消息，美东时间周三上午11点40分，美国*的天然气出口公司自由港天然气公司（Freeport LNG）在得克萨斯州墨西哥湾处的设施发生爆炸，该港口接收约20亿立方英尺的天然气，大致相当于美国48个州产量的2.5%，因此这场爆炸可能对全球液化天然气的供应产生重大影响，在海外需求激增之际，美国页岩气的全球供应将受影响。
该天然气出口设施关闭后，英国天然气期货价格上涨约33%，至172便士/萨姆，而基准荷兰天然气价格上涨约12%，至89.12欧元/兆瓦时。
而天然气无法外运使美国本土天然气供应增加。据查询，新加坡时间9日上午8点31分，美国7月交割的天然气期货下跌6.1%，至每百万英热单位8.169美元，前一交易日收盘下跌6.4%。此前，天然气价格曾一度升至13年来的新高，但此次暴跌让这轮涨势戛然而止。
新加坡时间9日上午8点31分，美国7月交割的天然气期货下跌6.1%。图表自彭博社
彭博社称，自由港天然气公司发言人布朗通过电子邮件表示，事故没有造成人员伤亡或对周边的社区造成风险，目前相关部门正在对事件进行调查，但该天然气出口设施在发生火灾后至少关闭三周。上个月，美国所有港口接收的天然气，约有五分之一通过该码头。
纽约对冲基金（Again Capital）合伙人约翰·基尔达夫表示，这场大火“将减少出口，并在一定程度上缓解美国供应的压力”。他还表示，美国消费者“应该会从较低的价格中受益，但欧洲和亚洲可能会支付更高的价格”。
路透社援引分析人士消息，由于俄乌冲突的持续，欧洲买家无法购买俄罗斯的液化天然气，而中国需求的复苏，使得液化天然气市场更加紧张。自由港天然气公司每周大约运送四批货物，该港口的关闭将使至少100万吨液化天然气从市场上消失，又让市场失去了一个主要供应商。短缺加剧现货液化天然气的竞争，推动全球液化天然气价格上涨。
据了解，发生爆炸的天然气出头码头是美国七个液化天然气出口港口之一，过去几年中，该港口帮助美国与卡塔尔和澳大利亚竞争，使美国成为全球第一大液化天然液化气出口国。
此外，该设施约占美国液化天然气出口总量的五分之一，在今年头4个月向欧洲供应了75%的液化天然气，火灾将导致欧洲天然气价格飙升。欧洲的液化天然气买家可能会开始从现货市场寻找美国液化天然气的替代品，这将促进全球有限的即时交货的液化天然气产品的竞争，并可能推高亚洲现货液化天然气价格。
本文系观察者网*稿件，未经授权，不得转载。
基于第一性原理的理论计算对于指导催化剂的设计有着重要的意义。然而第一性原理计算有着十分昂贵的计算成本，阻碍了许多复杂体系催化剂的进一步探索。有鉴于此，武汉大学郭宇铮教授和剑桥大学张召富博士等人介绍了一种利用机器学习算法，大大减少计算成本以进行更广泛研究的策略，并开发了相应的程序包DMCP并将其开源(https://github.com/XuhaoWan/DMCP)。近日，相关论文以题为“A Density-functional-theory-based and Machine-learning-accelerated Hybrid Method for Intricate System Catalysis”发表于Materials Reports: Energy。本文第一作者为武汉大学硕士研究生万旭昊。本工作被收录在Materials Reports: Energy期刊，作为“能源材料中的机器学习与人工智能专刊”的封面文章发表。MRE致力于发表与能源和环境等与当代社会重大挑战相关的重要成果，旨在促进与能源相关的新材料、新技术、新器件、新系统研究。本专刊旨在推动能源材料领域机器学习和人工智能方向的*进展。密度泛函理论 (DFT)是研究和预测材料的几何结构、机械性质、电子结构和反应能量时最常用的计算化学手段。过去几十年中，研究者们已经开发了许多基于DFT的量子化学模拟程序并应用，例如VASP、CASTEP、QE等。这些第一性原理程序在探索材料的众多物理和化学特性时表现出很高的准确性和可靠性。然而，这些基于 DFT 的程序的计算成本非常昂贵，并且一旦所研究的系统大到一定程度，算力限制将使得其几乎不可能实现。催化是工业社会的重要组成部分，因为它提供与我们日常生活密切相关的大量工业产品，如肥料、药物和燃料。而理论计算可以获得在实验中很难得到的重要信息，如分子的过渡态、反应的化学趋势和变化，帮助研究人员设计新的高活性催化剂。但目前，许多复杂化学体系如双原子催化剂，高熵合金和复杂晶体的研究也受到计算能力的限制。有两种思路解决这些重大挑战，一是提高进一步提高CPU的计算能力以突破限制，另一个是开发新的算法减少总的计算需求。本文尝试用第二种思路解决这一问题。图 1. 机器学习中的 (a) 线性模型、(b) 核回归模型、(c) 决策树模型和 (d) 神经网络模型的示意图。本文首先介绍了机器学习的通常流程，从确定需要解决的问题开始，然后获取数据，对数据进行特征化，最后建立机器学习模型。解决问题可以通过预测关键值、模型的深入分析，甚至是对问题底层机制的理解。此外，在催化领域，机器学习过程经常使用特定的物理或化学特性，例如极限电位、吸附能、选择性、d带中心等。催化研究中通常将这些特征映射到数据集的标签来建立机器学习模型因此常用的是有监督的机器学习算法而不是无监督算法。随后简要概述了*的几种机器学习算法类型，并讨论了它们对不同目标的适用性，如图1所示。图 2. 基于 DFT 和 ML 加速方法在复杂系统中催化应用的示意图。蓝色虚线框表示该步骤是可选的。在本文的理论方法部分，我们简单介绍了十种常用的机器学习算法例如GBR, KNR, FNN等，同时介绍了常常用来评估模型准确性的两个参数均方根误差RMSE和确定性分数R2。如图2所示，具体介绍了机器学习模型建立的过程。首先，应用特征工程从任一 DFT 计算生成的或者从材料数据库（如 Materials Project、C2DB等。）获取的数据中确定输入数据的特征然后应用得到的数据集进行模型训练。模型精度可以通过数据预处理、数据集拆分、重复试验和交叉验证来提高，通过不断的模型训练和测试，可以建立和选择出*的模型。性能*的模型可用于预测未包含在训练数据中的其他材料的相应催化性能。最后，结果分析有助于确定反应的主要描述符并帮助理解机器学习模型。图 3. 简单介绍了应用于催化领域的机器学习模型中的特征工程。原子特征如原子序数、原子半径、相对原子质量和键长等；电子特征如d和p轨道的电子数，d带中心，氧化物形成焓和泡利电负性等；系统特征如系统中某一部分的电荷转移、吸收能和有效配位数等都可以被选定为机器学习模型的特征并进行进一步的研究。在构建机器学习模型时，特征工程是最重要的步骤，因为它很大程度上决定了模型的最终表现。在催化领域，特征工程应满足几个要求：特征应该能够独立地描述系统的部分电子结构或原子结构，也应该有效描述活性位点周围的化学配位环境，同时应该可以通过很少的DFT计算或直接从可用的数据库查询中获得，此外它们应该在物理上直观以保证模型的鲁棒性。因此，通常将以三个类别来建立不同化学系统的输入特征，如图3所示。随后，以双原子过渡金属酞菁（Pc）催化剂为例，文章介绍了我们的新型DFT-ML方法具体应用。如图4(a)所示，由于酞菁的特殊中空结构可以提供完美的位点来容纳具有高化学稳定性的TM原子，双原子过渡金属酞菁也因此成为天然的双原子催化剂。图4(b)展示了双原子过渡金属酞菁催化剂的数百种组合可能性，这表明机器学习方法的必要性。图 4. (a) 双原子过渡金属酞菁催化剂的结构。(b) 研究的所有过渡金属元素。(c) 使用双原子过渡金属酞菁催化剂作为电催化剂的CO2RR反应途径示意图。图5的直方图中描述了机器学习模型的平均R2得分和RMSE，可用于直接比较模型性能，以便为后续工作选择性能*的模型。由于越低的RMSE和越高的R2意味着越好的性能，可以看出，GBR模型的性能非常出色，训练过程中 RMSE 仅为0.08 eV，R2得分为 0.96，而这两个值在测试过程中略有变化，分别为0.12 eV和 0.8。因此，我们在后续的研究中采用整体性能*的GBR算法进行活性预测与机理分析。图 5. 分别来自训练集和测试集的 GBR、KRR 和 RFR 模型的(a)RMSE和(b)R2得分。图6(a)表明GBR模型的预测结果与DFT计算得到的实际值非常接近，再一次验证了GBR模型的出色性能。通过文章的SI内容可知，GBR预测得到的拥有*活性的银钴双原子酞菁，实际活性也非常优异。通过Pearson相关系数图与特征重要性饼图分析可知，两种过渡金属原子的电负性是双原子过渡金属酞菁CO2RR电催化剂最重要的描述符。图 6. (a) DFT 计算值与GBR 模型预测值的散点对比图。(b) 20个选定特征的 Pearson 相关系数图。(c) 20 个特征的特征重要性。我们开发了相应的软件包DMCP（https://github.com/XuhaoWan/DMCP）来为实现上述基于DFT理论和机器学习加速的DFT-ML方案，用于解决一系列更加复杂的材料设计与性能预测问题。DMCP软件包可以预测复杂系统（如双原子催化剂，高熵合金）的催化性能，并通过适当的算法选择和数据特征揭示确定其潜在催化活性的内在描述符。1.十种机器学习算法：GBR、KNR、SVR、GPR、FNN、RFR、ETR、KRR、LASSO和ENR。2.多种提高模型准确性的方法：数据集拆分、交叉验证、重复试验。上图清楚地列出了DMCP的详细流程。首先通过特征工程选定全面的、恰当的、准确的模型输入特征。随后按照选定特征，通过第一性原理计算与已有数据库建立整个数据集并转化为csv格式。对原始数据集进行预处理并拆分为训练集与测试集后，首先在训练集上建立选定的算法对应的机器学习模型，随后参考测试集上的表现，通过重复试验、交叉验证、参数调节等方式进一步优化模型表现。训练完成之后，选定几种算法中模型性能*的一种以进行进一步研究，如活性预测与机理分析。DMCP集成了多种可视化方法，包括模型表现对比条形图、R2得分小提琴图（重复试验）、训练数据集和测试数据集散点图（模型选定后）、Pearson相关系数图和特征重要性图。可视化模块对于整个工作流程的许多部分是可选的，对于模型选择和结果分析很有用。最后程序将输出结果，包括csv格式的数据以及与可视化模块相应的图片。DMCP具体的输入文件格式与各参数的详细意义可查阅说明文件（https://github.com/XuhaoWan/DMCP/manual）。软件的下载、安装、流程的实现以及几个功能应用的简单例子可参考具体教程（https://github.com/XuhaoWan/DMCP/tutorial）。软件本身及其对应的使用手册、教程仍在持续更新，欢迎大家关注。实际上，DMCP构建了从原始数据到机器学习模型的整个流程框架，因此并不仅仅限于应用在复杂系统催化这一领域。通过适当的算法选择与特征工程，DMCP可应用在更广的学科交叉领域，例如凝聚态物理、纳米药物开发与物质空间探索等。Wan, Z. Zhang*, W. Yu, and Y. Guo*, A density-functional-theory-based and machine-learning-accelerated hybrid method for intricate system catalysis. Materials Reports: Energy. doi.org/10.1016/j.matre.2021.100046.https://www.sciencedirect.com/science/article/pii/S2666935821000811郭宇铮教授课题组长期招收计算材料学、新型半导体材料与器件、光催化新能源器件等方向的博士后等研究人员，和硕士/博士研究生，详情请查询招聘的历史链接: 武汉大学郭宇铮教授课题组招聘博士后与重点资助博士后https://mp.weixin.qq.com/s/e7GT-O4HBneQypgVJE6jKQ和武汉大学郭宇铮教授课题组招收硕博研究生与招聘博士后https://mp.weixin.qq.com/s/L2ZZ6GWaiTJBFC3qucRA2A[1] (Cover paper) X. Wan, Z. Zhang*, W. Yu, and Y. Guo*, A Density-functional-theory-based and Machine-learning-accelerated Hybrid Method for Intricate System Catalysis, Materials Reports: Energy 25, 100046 (2021) https://doi.org/10.1016/j.matre.2021.100046[2] X. Wan, Z. Zhang*, H. Niu, Y. Yin, C. Shao, and Y. Guo*, Machine-Learning-Accelerated Catalytic Activity Predictions of Transition Metal Phthalocyanine Dual-Metal-Sites Catalysts for CO2 Reduction, J. Phys. Chem. Lett. 12, 6111 (2021)[3] H. Niu#, Zhaofu Zhang#, X. Wang, X. Wan, C. Kuai*, and Y. Guo*, A feasible strategy for identifying single-atom catalysts towards electrochemical NO-to-NH3 conversion, Small (2021) DOI: 10.1002/smll.202102396[4] Z. Wang#, Z. Zhang#, S. Liu, J. Robertson, and Y. Guo*, Electronic properties and tunability of the hexagonal SiGe alloys, Appl. Phys. Lett. 118, 172101 (2021)[5] H. Niu#, X. Wan#, X. Wang, C. Shao, J. Robertson, Z. Zhang*, and Y. Guo*, Single-Atom Rhodium on Defective g-C3N4: A Promising Bifunctional Oxygen Electrocatalyst, ACS Sustainable Chem. Eng. 9, 3590, (2021)[6] Y. Yin, Z. Zhang*, H. Zhong, C. Shao, C. Zhang, J. Robertson, and Y. Guo*, Sub 5 nm Tellurium Nanowire Gate–All–Around MOSFETs from First Principles, ACS Appl. Mater. Interfaces, 13, 3387 (2020)[7] H. Niu, Z. Zhang*, X. Wang, X. Wan, C. Shao, and Y. Guo*, Theoretical Insights into the Mechanism of Selective Nitrate-to-Ammonia Electroreduction on Single-Atom Catalyst, Adv. Funct. Mater. 31, 2008533 (2020)[8] Z. Wang, Z Zhang, C. Shao, J. Robertson, S. Liu*, and Y. Guo*, Defects and Passivation of the Sub-oxide Layers at SiO2/4H-SiC(0001) Interface by First-Principles Calculation, IEEE Trans. Electron Devices 68, 288 (2020)[9] X. Wang, H. Niu, Y. Liu, C. Shao, J. Robertson, Z. Zhang*, and Y. Guo*, Single-Atom Catalysis for CO2 Electroreduction on Graphene: A First-Principles Study, Catal. Sci. Technol. 10, 8465 (2020)[10] X. Wan, H. Niu, Y. Yin, X. Wang, C. Shao, Z. Zhang*, and Y. Guo*, Enhanced Electrochemical Oxygen Evolution Reaction Activity on Natural Single-atom Catalyst Transition Metal Phthalocyanine: The Substrate Effect, Catal. Sci. Technol. 10, 8339 (2020)[11] S. Xu, Y. Yin, H. Niu, X. Wang, C. Shao, K. Xi, Z. Zhang*, Y. Guo*, Adsorption and diffusion of alkali atoms on FeX2 (X=Se, S) surfaces for potassium-ion battery applications, Appl. Surf. Sci. 536, 147774 (2020)[12] H. Niu, X. Wang, C. Shao, Z. Zhang*, and Y. Guo*, Computational Screening Single-Atom Catalysts Supported on g-CN for N2 Reduction: High Activity and Selectivity, ACS Sustainable Chem. Eng. 8, 13749 (2020)[13] Z. Wang#, Z. Zhang#, C. Shao, J. Robertson, S. Liu*, and Y. Guo*, Tuning the high-κ oxide (HfO2, ZrO2)/4H-SiC interface properties with a SiO2 interlayer for power device applications, Appl. Surf. Sci. 527, 146843 (2020)[14] Y. Yin, C. Shao, C. Zhang, Z. Zhang*, X. Zhang, J. Robertson and Y. Guo*, The Anisotropic Transportation Property of Antimonene MOSFET, ACS Appl. Mater. Interfaces, 12, 22378 (2020)[15] (Hot paper) H. Niu, X. Wang, C. Shao, Y. Liu, Z. Zhang*, and Y. Guo*, Revealing the oxygen reduction reaction activity origin of single atoms supported on g-C3N4 monolayers: a first-principles study, J. Mater. Chem. A 8, 6555 (2020)[16] J. Lyu#, J. Pei#, Y. Guo#, J. Gong, H. Li*, A New Opportunity for 2D van der Waals Heterostructures: Making Steep‐Slope Transistors, Adv. Mater. 32, 1906000 (2019)
energy reports是几区sci1.期刊介绍及速览
Energy Reports是Elsevier（爱思唯尔）出版社旗下的刊物，于2015年创刊，是一个从技术工程角度或从社会研究角度在线的多学科、完全开放获取的期刊。
期刊官方网站：
https://www.sciencedirect.com/journal/energy-reports
期刊投稿网站：
https://www.editorialmanager.com/egyr/default1.aspx
2.期刊领域
Energy Reports涵盖能源研究的任何方面，所有主题领域都将得到审议（例如可再生能源、化石、核能）。
3.编辑团队
EnergyReports编辑团队由1位主编、2位*编辑、8位副编辑、1位助理编辑、30位编辑委员会成员、1位顾问编辑和2位咨询委员会成员组成。
4.刊文量
Energy Reports近年来的总发文量逐年增长，去年达到707篇。而今年截至目前仅有83篇。因此，小编预计今年的总发文量会回归100篇左右。其中，去年的综述型文章不到20篇。
国人发文情况：
小编分析了近年来所有文献的地区分布。中国大陆发文量第一，占比38%。葡萄牙和泰国分别以10%位居第二、三名。
机构发文情况：
国家电网有限公司以总发文量的3%夺得头筹，同在前十名的中国机构还有中国科学院和华北电力大学。
5.影响因子和分区
JCR分区情况：在能源与燃料领域为Q1。目前在中科院分区为工程技术领域三区。
Energy Reports的*影响因子6.87。这本期刊的影响因子加倍增长，这可能和发文量的扩张有关，希望明年能够保持住。
6.自引率
Energy Reports的*自引率为34%，高于安全线（25%），大家投稿需谨慎！
7.审稿周期
Energy Reports期刊官网提供了审稿周期信息。从提交到给出审稿意见的平均时间约为6.8周。
于是，小编选取了最近发表的几篇文献：
①4月21日投稿，6月17日接受，从投稿到接受不到两个月。
②3月24日投稿，6月17日接受，从投稿到接受不到三个月。
③11月13日投稿，6月19日接受，从投稿到接受约七个多月。
8 版面费
Energy Reports是一本OA模式的期刊，该模式下文章处理费（Article Publishing Charge，APC）为USD 2240，折合人民币14437.248元。
9.网友点评
网友评价1：
整体还不错，稳中有涨，明年继续看好。
网友评价2：
7月13号投稿，
8月26日返回修改意见要求小修，
9.2修回，
一直under review10天，
9.15变为required reviews completed，
9.20accept。
10.相关期刊
与Energy Reports互引的期刊情况如下图所示。
在iJournal平台
（https://ijournal.topeditsci.com/home）点击饼状图中的相应期刊，就可以迅速链接到该期刊详情，让大家从一本期刊对这个学科领域内的大部分期刊一目了然。
与Energy Reports互引较多的刊物有：
EnergiesSolar EnergyEnergy Conversion and Management
Cited journals
今天的内容先分享到这里了，读完本文《energy report》之后，是否是您想找的答案呢？想要了解更多energy report、天然气期货今天行情价相关的财经新闻请继续关注本站，是给小编*的鼓励。
免责声明
本站所有信息均来自互联网搜集
1.与产品相关信息的真实性准确性均由发布单位及个人负责，
2.拒绝任何人以任何形式在本站发表与中华人民共和国法律相抵触的言论
3.请大家仔细辨认！并不代表本站观点,本站对此不承担任何相关法律责任！
4.如果发现本网站有任何文章侵犯你的权益,请立刻联系本站站长[QQ:775191930]，通知给予删除
energy report(天然气期货今天行情价)
