多分辨率深度学习加速CO2封存井控优化——伊利诺伊盆地Decatur项目(IBDP)的矿场应用

《International Journal of Greenhouse Gas Control》:Multi-resolution deep learning for accelerated well control optimization in CO? storage: A field application at the Illinois Basin Decatur Project (IBDP)

【字体: 大 中 小 】 时间:2026年03月14日 来源:International Journal of Greenhouse Gas Control 5.9

编辑推荐:

  将CO2注入地下储层涉及多种风险,需要对地震活动性、盖层完整性和CO2泄漏等因素进行全面评估。因此,CO2封存项目涉及多个可能存在权衡关系的目标。传统的多目标优化框架需要数百次正演模拟,对于大规

  
将CO2注入地下储层涉及多种风险,需要对地震活动性、盖层完整性和CO2泄漏等因素进行全面评估。因此,CO2封存项目涉及多个可能存在权衡关系的目标。传统的多目标优化框架需要数百次正演模拟,对于大规模矿场应用而言计算量过大。本研究中,研究人员提出了一种基于深度学习的工作流,以高效优化CO2封存项目中的井控,包括地表注入和层段配注率分配,从而实现向大规模矿场应用的可扩展性。研究人员开发了基于傅里叶神经算子(Fourier Neural Operator, FNO)的多分辨率深度学习模型,该模型具有超分辨率(super-resolution)能力。该能力使模型能够在粗尺度模拟上进行训练,同时从渗透率和注入制度准确预测细尺度储层压力和饱和度响应。因此,数据生成成本大幅降低,显著降低了深度学习模型的总体开发成本。研究人员对原始FNO架构进行了修改,以提高跨空间分辨率的预测精度,从而提出了多分辨率FNO模型。该模型作为数据驱动的代理模型(proxy model),与多目标遗传算法相结合以优化CO2注入控制,有效平衡压力管理和封存效率。该方法的强大能力和效率在合成模型和矿场应用中均得到验证,包括伊利诺伊盆地Decatur项目(Illinois Basin Decatur Project, IBDP)的大规模CO2注入。合成模型的应用表明,所开发的多分辨率FNO从粗尺度到细尺度属性均具有优异的预测性能。对于矿场应用,粗尺度训练数据使训练数据生成成本降低了90%,同时基于FNO的代理模型准确预测了细尺度压力和饱和度分布,并经商业油藏模拟器验证。使用基于FNO的代理模型实现的多目标优化工作流,在多个目标上取得了显著改进,同时比传统基于模拟的方法快数个数量级。研究人员将此工作流应用于CO2封存场景,包括平衡压力累积与CO2注入量,以及优化地表和层段注入率分配。本工作引入了一种新型的基于多分辨率FNO的代理模型,应用于CO2注入优化。通过结合FNO的超分辨率能力与粗尺度模型,训练数据生成成本大幅降低。该代理模型将正演模拟加速数个数量级,并能够对大规模矿场应用的多种优化场景进行高效评估。
**研究背景与问题**

碳捕集与封存(Carbon Capture and Storage, CCS)是缓解全球变暖最有前景的技术之一,旨在将二氧化碳(CO2)永久封存在地下地质构造中。然而,CO2注入地质构造伴随着储层压力增加和气态羽流迁移,需要准确预测这些动态行为以评估地震活动性、盖层完整性和CO2泄漏等各种风险。在典型的CCS操作中,超临界CO2通过注入井注入深层地质构造(如咸水层),注入后浮力驱动的CO2羽流在多孔渗透性储层介质中运移。主要操作目标是最大化累计注入CO2体积以优化项目总封存容量,但这一过程会引起储层孔隙压力的显著增加,可能诱发断层活化并威胁盖层完整性。同时,最大化地下空间的高效利用对于提高封存容量和降低泄漏风险至关重要,这通过CO2封存效率(即赋存CO2羽流体积与储层总可及孔隙体积之比)来量化。因此,CCS项目的成功取决于优化的操作策略,需要在最大化注入率与地质力学稳定性和封存效率约束之间取得平衡。

经典油藏模拟MOVED模拟器)验证。结果表明,该代理模型将单次正演模拟从约3.8小时缩短至11.5秒。

**多目标优化应用**

研究人员将训练好的代理模型与MOGA结合,开展了三种逐步复杂的优化场景研究。

**三目标优化(无约束)**

第一个场景为无约束三目标优化:最大化CO2封存量、最大化波及效率(volumetric sweep efficiency,即气体体积与CO2足迹面积之比,越高则羽流足迹越小、泄漏风险越低),同时最小化平均压力增量。500天注入期分为10个等时间间隔,各间隔注入率在10,000至50,000 MSCF/天范围内优化。MOGA设置15代、种群规模40,涉及约600次正演模拟,利用代理模型将整个优化工作流加速至仅需4小时。结果显示,随着世代增加,种群逐渐趋近理想点。由于三目标存在强权衡关系,Pareto前沿上的各实现不一定同时改善所有三个目标,但MOGA提供了优于其他实现的解集。研究人员从Pareto前沿选取了三种典型优化案例进行数值模拟验证:最大化CO2封存量方案比基准提高48%储集体积,但压力累积增加约40 psi;最小化压力方案比基准降低50 psi,但注入量减少47%;多目标均衡方案实现封存量增加28%同时压力降低10 psi,证明框架能成功识别兼顾封存效率与地质力学安全的Pareto最优井控策略。

**地表配注率优化(固定总储量约束)**

第二个场景考虑更实际的约束:预先定义CO2总封存目标,优化时间注入制度以实现该目标。优化变量仍为10个时间间隔的注入率,但增加了总CO2封存量约束。MOGA设置为10代、种群规模40。优化结果显示,MOGA成功在双目标下优化了CO2注入制度。对比基准与优化案例,优化案例具有略大的CO2羽流但更小的储层压力。与三目标优化结果相比,该场景压力更低,因为主动最大化累计注入量的目标被移除;相应地主储存量减少至约0.824 Mt,低于此前优化案例的约1.016 Mt。

**层段配注率优化(固定地面注入率、BHP约束)**

第三个也是最全面的场景探讨空间配注优化:地面注入率固定,通过控制多个注入层段的开启/关闭状态来优化层间流量分配,同时满足井底流压(Bottom Hole Pressure, BHP)约束以避免不期望的压裂。目标为最小化CO2饱和度羽流和压?羽流的审查面积(Area of Review, AoR),其中AoR基于CO2饱和度0.01和压力增量100 psi定义。IBDP模型具有三个注入层段。研究人员利用代理模型提供的饱和度与压力增量数据,结合井筒流动方程计算BHP。优化显著改变了注入策略:基准案例中优势层段Zone 2因完井段长度大而成为主要注入层,导致CO2羽流集中;优化解主要转向Zone 1,同时为控制小层Zone 1的压力增加并满足BHP约束,将次级注入流重新分配至Zone 3。对比显示,优化案例成功实现了比基准案例更小的CO2饱和度和压力羽流。

**讨论**

研究人员指出,尽管FNO代理模型在测试场景中展现出高效率和精度,仍存在若干局限性。首先,模型对分布外数据(如与训练集显著不同的未知地质条件)的泛化能力仍是主要挑战。其次,高饱和度梯度区域常出现分辨率失配,FNO固有的频谱滤波可能导致前缘平滑,潜在低估局部饱和度峰值。第三,优化的可靠性对数据预处理中的粗化比例敏感。最后,MOGA过程中存在Pareto畸变的固有风险:由于算法基于代理模型近似进行优化,微小预测误差可能累积,使识别的Pareto前沿偏离真实物理最优解。但研究人员前期工作表明,FNO代理模型在与全物理模拟结果排序CO2封存场景方面具有高度一致性,说明该代理仍是优化过程中识别最有前景候选方案的稳健工具。此外,虽然当前研究因数据限制使用单一确定性地质模型,多分辨率FNO框架在设计上可扩展至地质不确定性分析:模型架构配置为同时接受地质参数(空间变化的渗透率、孔隙度场)和井控参数作为联合输入,确保代理模型不过拟合于单一实现。当前范围限制于确定性案例纯粹由于项目该阶段集合数据的可用性有限,而非多分辨率FNO本身的架构局限。

**研究结论**

研究人员开发了用于优化CO2注入井控的快速高效工作流,并成功应用于IBDP,同时考虑多个目标和操作约束优化了注入制度。所开发的多分辨率深度学习模型通过粗尺度模型显著加速机器学习训练,同时预测细尺度CO2饱和度;该模型基于FNO并经修改以增强跨分辨率预测性能,已通过二维合成案例验证,展现出比原始FNO更优的CO2饱和度预测精度。多分辨率ML模型应用于IBDP矿场尺度CCS案例:训练好的FNO代理模型约11秒完成正演模拟,显著加速优化工作流;多分辨率能力允许使用粗化模型生成训练数据,使模拟计算成本降低90%,并经原始细尺度商业油藏模拟器验证。利用MOGA优化了IBDP矿场案例的CO2注入制度,考虑最大化CO2封存量、最大化波及效率和最小化压力增量三目标;MOGA有效优化各目标函数并提供Pareto前沿上的多组优化案例。还考虑了不同约束条件下的CO2注入率优化场景:固定总储量约束下的时间注入制度优化,以及固定地面注入率下的层段配注优化(满足BHP约束);两种情况下MOGA与基于FNO的代理模型结合均成功按指定目标和约束优化了CO2注入井控。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号