《Geoenergy Science and Engineering》:Evaluation and Optimization of Nonisothermal CO
2 Injection for Improving Geologic Carbon Storage with Physics-based and Deep Learning-based Approaches
编辑推荐:
本研究提出融合物理仿真与深度学习的综合框架,用于高效评估温度摆动注入(TSI)对二氧化碳地质封存的影响。通过T2Well/ECO2N耦合模型生成大规模数据集,构建高精度深度学习代理模型(R2>0.995),结合特征重要性分析(PFI/FS)和遗传算法优化,确定最优TSI参数组合,使封存量提升22.1%-32.6%。研究为复杂非等温注入策略设计提供了计算高效且可解释的解决方案。
杨宇正(Woojong Yang)|韩元植(Weon Shik Han)|苗智培(Jize Piao)|金奎英(Kue-Young Kim)|尹元元(Won Woo Yoon)|柯蒂斯·M·奥尔登堡(Curtis M. Oldenburg)
韩国首尔瑞德门区(Seodaemun-gu)延世大学(Yonsei University)地球系统科学系,地址:50 Yonsei-ro,邮编03722
摘要
在地质碳储存(Geological Carbon Storage, GCS)过程中,提出了温度摆动注入(Temperature Swing Injection, TSI)方法,该方法通过在井口定期改变注入温度来提高储存效率。准确描述TSI需要一个井筒-水库耦合模型,但求解这些耦合偏微分方程计算量很大。为克服这一挑战,本研究提出了一个集成框架,该框架结合了基于物理的模拟方法来定量评估TSI对二氧化碳(CO2)储存的影响,并使用基于深度学习的替代模型。通过参数化两种代表性的TSI策略(渐变温度摆动(Gradual Temperature Swing, GTS)和阶梯式温度摆动(Stepwise Temperature Swing, STS),生成了一个全面的数据集。使用井筒-水库耦合模拟器(T2Well/ECO2N)对这些策略在各种地层条件下的大约一年的二氧化碳注入过程进行了模拟。然后利用模拟结果开发和训练基于深度学习的替代模型,这些模型能够准确再现模拟结果(R2 > 0.995)。平均而言,TSI使二氧化碳储存量增加了16.3-31.2%。排列特征重要性(Permutation Feature Importance, PFI)和特征敏感性(Feature Sensitivity, FS)分析表明,平均温度、摆动幅度、注入压力和地层渗透性是最具影响力的参数。最后,通过遗传算法(Genetic Algorithm, GA)优化的注入策略使储存的二氧化碳质量比优化前增加了22.1-32.6%。这项工作提供了一个统一的框架,整合了基于物理的模拟、基于深度学习的替代模型和优化方法,为设计高效的非等温注入策略提供了计算上可行的途径,从而最大化二氧化碳储存效率。
引言
通过深井注入气态或超临界二氧化碳(CO2)到地质储存层中,地质碳储存(GCS)被认为是缓解全球气候变化的一种有前景的方法(参见最近的综述论文:Pan等人,2016年;Bashir等人,2024年;Jung和Lee,2024年;Khan等人,2024年)。在GCS中,目标是在地质储存层中最大化储存的二氧化碳质量(Goodarzi等人,2015年;Zheng等人,2021年;Tang和Durlofsky,2025年)。同时,必须将地层压力保持在破裂压力以下,以确保储存层的长期完整性和安全性(Fu等人,2017年;Ramadhan等人,2024年;Kanin等人,2025年)。
作为可压缩流体,注入井口的二氧化碳温度会随着井筒中的压力变化而发生变化,这主要是由于绝热冷却和加热(例如Joule-Thomson效应)以及与周围地层的热交换(Pan等人,2011年;Zhang等人,2013年)。这些温度变化会影响二氧化碳在井中和注入储存层后的热物理性质(例如密度、Joule-Thomson系数和动态粘度)(Tweed等人,2024年)。因此,注入二氧化碳的温度会显著影响其在井筒和储存层中的迁移行为、捕获效率以及压力响应。在注入项目的整个过程中,这些热效应会影响最终储存的二氧化碳质量(Doughty,2010年;Jing等人,2021年;Kone等人,2025年)。基于这一理解,提出了温度摆动注入(TSI)作为一种非等温二氧化碳注入方法,以提高总体二氧化碳注入速率(Nazarian等人,2014年)。TSI通过定期改变注入二氧化碳的温度来实现。相比之下,传统注入方法是在井口以恒定温度连续注入二氧化碳。TSI通过周期性降低二氧化碳与原位盐水之间的密度和粘度差异来稳定二氧化碳羽流,从而减少重力分离。因此,二氧化碳的迁移更加均匀且紧密,提高了捕获效率和整体储存容量(Lindeberg,2011年;Nazarian等人,2014年;Hashish和Zeidouni,2022年)。TSI特别适用于从具有不同热条件的多个来源输送二氧化碳的实际情况(Jiang等人,2014年)。然而,系统评估TSI对二氧化碳储存影响的研究仍然有限。此外,传统的数值模拟通常仅关注水库尺度上的动态过程,忽略了井筒与水库之间的耦合热力学过程。因此,要准确描述注入机制以及注入过程中温度变化对储存层内储存二氧化碳质量的影响,必须考虑井筒-水库的耦合流动和热传递过程。
准确捕捉井筒内二氧化碳的热力学行为以及储层中的二氧化碳注入过程,需要求解井筒和储层域内的质量、动量和能量的偏微分方程。进行高保真数值模拟需要大量的计算资源,每次模拟通常需要数小时到数天才能完成。这种计算负担阻碍了对摆动注入策略的全面敏感性分析或优化。为了克服这些挑战,可以使用基于深度学习的替代模型来高效分析注入参数与储层性质之间的高维相互作用(Tang等人,2021年;Omosebi等人,2022年;Syed等人,2022年;Tang等人,2022年;Han等人,2024年;Ju等人,2024年;Chandra等人,2025年)。通过对全物理井筒-水库模拟器的结果进行适当训练,基于深度学习的替代模型可以准确预测不同TSI情景下的二氧化碳储存性能。此外,排列特征重要性(PFI)和特征敏感性(FS)分析可以有效地量化输入变量对模型输出的影响,提高模型的可解释性。最后,遗传算法(GA)提供了一个强大的优化框架,能够探索二氧化碳TSI应用所需的复杂参数空间(Vaziri和Sedaee,2024年)。
本研究旨在通过阐明TSI如何通过改变井筒和储层中二氧化碳的性质来增强二氧化碳储存效果,开发出一个实用且易于解释的框架。一个关键贡献是使用T2Well/ECO2N进行的高保真、完全耦合的井筒-水库模拟来系统地参数化TSI(Pan,2011年;Pan和Oldenburg,2014年)。为了完成这一计算密集型任务,基于T2Well/ECO2N的结果开发了一个基于深度学习的替代模型来评估储存性能。随后进行了PFI和FS分析,以定量评估定义TSI的参数和储层性质对储存性能的影响。最后,采用GA优化来确定优化的TSI策略。这种集成方法能够准确高效地评估高维参数空间,为设计高效的TSI操作提供了创新见解。
部分内容摘要
概念模型
根据温度摆动注入(TSI)方法,受温度控制的二氧化碳从井口注入并通过井筒迁移到储存层中。为了模拟二氧化碳的TSI,开发了一个井-储层耦合概念模型(图1)。该概念模型代表了一个地下二氧化碳储存系统,包括一个注入井筒和一个周围的深部咸水含水层。
人工神经网络(ANN)模型架构
为了系统地探索参数空间并确保统计上的稳健采样,采用了拉丁超立方抽样(Latin Hypercube Sampling, LHS)方法。LHS方法系统地生成了各种参数值的组合(即Tmean、Aswing、Fswing、k、?、λ和Pin),确保了对参数空间的全面覆盖,同时最小化了冗余并提高了统计稳健性(Booker,1998年;McKay等人,2000年)。对于每个参数,都确定了其最小值和最大值。
连续注入和温度摆动注入下的热力学和储存响应
在使用基于ANN的替代模型评估每种摆动注入(即GTS和STS注入)的性能之前,首先模拟了每种摆动注入和连续注入的基准情况,作为比较分析的参考。基准情况分配的七个输入参数列在表3中。GTS和STS注入的模拟分别进行了382.5天和340.0天(表4)。然后,分析了二氧化碳饱和度(S)的时空变化。
讨论
本研究存在一些局限性。替代模型仅使用T2Well/ECO2N模拟器的数据进行训练和验证,这可能会引入替代模型与实际情况之间的不匹配。具体来说,该模型可能完美地模拟了模拟器的行为,但可能无法充分代表现场规模地质系统的固有异质性。然而,从包括T2Well/ECO2N在内的高保真数值模拟器中开发替代模型被广泛用于规划和
结论
本研究系统地参数化并评估了两种代表性的温度摆动注入(TSI)策略(GTS和STS)。分析重点关注了井口周期性二氧化碳温度变化对井筒中二氧化碳热力学性质、二氧化碳羽流迁移以及与连续注入相比储存层中储存二氧化碳质量的影响。此外,为了克服评估不同摆动条件下储存性能的计算成本过高问题
CRediT作者贡献声明
苗智培(Jize Piao):撰写 – 审稿与编辑、方法论、概念构建。金奎英(Kue-Young Kim):撰写 – 审稿与编辑、验证、正式分析。尹元元(Won Woo Yoon):撰写 – 审稿与编辑、正式分析。柯蒂斯·M·奥尔登堡(Curtis M. Oldenburg):撰写 – 审稿与编辑、正式分析。杨宇正(Woojong Yang):撰写 – 原始草稿、可视化、软件开发、方法论、概念构建。韩元植(Weon Shik Han):撰写 – 审稿与编辑、项目监督、资金获取、正式分析
未引用参考文献
Forrester和Keane,2009年。利益冲突声明
? 作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究部分得到了韩国国家研究基金会(NRF)的支持,该基金会由韩国科学技术信息通信部(Ministry of Science and ICT)资助[项目编号:2023R1A2C1003168];得到了韩国能源技术评估与规划院(KETEP)通过韩国政府MOTIE的支持[项目编号:20212010200010];得到了韩国国家研究基金会(NRF)通过韩国科学技术信息通信部的支持[项目编号:RS-2024-00461440];以及得到了韩国能源与矿产资源开发协会(EMRD)的支持