基于机器学习的二氧化碳封存渗透率预测:以澳大利亚Petrel次盆地为案例研究

《Geomechanics for Energy and the Environment》:Machine learning-based permeability prediction for CO? storage: A case study from the Petrel Sub-basin, Australia

【字体: 大 中 小 】 时间:2026年07月12日 来源:Geomechanics for Energy and the Environment 4.8

编辑推荐:

  穆罕默德·费萨尔·瓦卡尔|齐生文|郭松峰|王赞|郑博文|马纳瓦尔·佩尔瓦伊兹 中国科学院地质与地球物理研究所地壳与环境协同演化国家重点实验室,北京100029 **摘要** 准确的渗透率预测对于地质二氧化碳封存至关重要,因为它直接决定了注入速率、羽流迁移行为以及储存

  穆罕默德·费萨尔·瓦卡尔|齐生文|郭松峰|王赞|郑博文|马纳瓦尔·佩尔瓦伊兹
中国科学院地质与地球物理研究所地壳与环境协同演化国家重点实验室,北京100029

**摘要**
准确的渗透率预测对于地质二氧化碳封存至关重要,因为它直接决定了注入速率、羽流迁移行为以及储存能力。然而,诸如科泽尼-卡曼方程之类的传统经验公式在非均质沉积地层中的预测精度较低。本研究针对澳大利亚佩特雷尔次盆地的中生代储层序列开发并验证了机器学习模型,该地区预计的二氧化碳储存量为15.9 Gt。研究基于4口勘探井的岩心样本训练了9种机器学习算法(线性模型、集成方法、支持向量回归和神经网络),这些岩心的深度在761至3043米之间,渗透率则在0.00002至497 mD之间。通过高斯噪声增强和留一法交叉验证来克服小样本带来的限制。基于提升法的集成方法显著优于传统经验公式,其中AdaBoost的预测精度最高(R2为0.9945,RMSE为6.83 mD)。留一法交叉验证得到的结果更为保守,梯度提升法的R2为0.7855,这一数值为类似地质条件下的性能评估提供了现实依据。高斯过程回归对储层相(>1 mD)和封隔单元(<0.01 mD)的覆盖率分别为91.7%和77.8%,区间宽度在2.7到6.8 log10单位之间。即便在样本量较小的情况下,排列重要性分析也能支持SHAP排序。SHAP分析表明,综合考虑埋藏和压实效应的工程化深度-孔隙度乘积是最重要的预测因子。神经网络的预测效果较差(R2为0.8411),这说明在数据有限的地下特征描述任务中,传统机器学习方法更具优势。该框架可应用于类似条件及参数范围下的注入性、封隔完整性以及碳储存能力的概率评估。

**引言**
碳捕获与封存技术已成为缓解人为温室气体排放、实现全球气候目标的关键手段。政府间气候变化专门委员会预测,为达成净零目标,到2050年需将碳捕获与封存的应用规模从目前的约50百万吨/年提升至60亿吨/年以上。澳大利亚根据2022年《气候变化法案》承诺,到2030年将碳排放量比2005年水平减少43%,并在2050年实现碳净零目标,这使得地质二氧化碳封存成为难以减排的工业领域实现脱碳的关键措施。澳大利亚已有多个开创性的碳捕获与封存项目,例如世界上最大的专用二氧化碳注入设施——戈尔贡二氧化碳注入系统,自2019年开始运行以来已封存超过1000万吨二氧化碳;还有CO2CRC奥特威项目,该项目成功证明了在枯竭的气体储层中进行安全封存的可能性。在澳大利亚最具潜力的储存地点中,北领地外海的博纳帕特盆地佩特雷尔次盆地尤为突出,其中生代储层-封隔对结构的预计有效储存量可达15.9 Gt二氧化碳,因此成为区域脱碳计划中的重要资产。在此类地层中成功实施二氧化碳封存的关键在于准确表征储层渗透率,因为渗透率是决定注入速率、羽流迁移行为以及最终储存效率等储层过程的核心因素。研究表明,渗透率的非均质性可能导致二氧化碳羽流的扩散范围出现两倍以上的差异,其迁移速度也可能比均匀模型快200%,这直接影响封存要求以及监测和长期确保封存效果的需求。此外,在注入过程中盐分沉淀会导致井筒附近渗透率下降,进而显著降低注入能力,因此必须对渗透率进行精确表征才能保障正常作业。

对于非均质沉积地层而言,渗透率预测一直是储层特征描述领域的难题。传统经验公式如科泽尼-卡曼方程假设介质是均匀各向同性的,且孔隙结构一致。但在复杂的碳酸盐岩和致密砂岩储层中,这些假设完全不成立,预测误差可能高达平均值本身。另一方面,幂律和指数型的孔隙度-渗透率关系虽然计算简单,但在非均质地层中数据分布极为分散,且需要针对具体地点进行校准,这就降低了其通用性。此外,不同尺度下的渗透率测量结果也存在系统性差异,岩心尺度、对数尺度和储层尺度下的测量结果相互矛盾,目前尚无可靠的放大函数来解决这一问题。作为二氧化碳封存目标的深层咸水含水层和海上储层,往往缺乏与成熟油气田相比的足够数据,因此人们不得不采用简化的地质统计假设,而这又会给储存容量估算带来较大不确定性。鉴于这些局限,过去十年中机器学习方法因其在预测岩石物理性质方面的优势而备受关注。尤其是XGBoost、随机森林和梯度提升等集成算法,由于无需对多输入特征之间的非线性关系做过度理想化假设,其性能远优于传统经验公式。近期的一些研究利用机器学习方法进行渗透率预测,在不同地质环境中都能获得0.81–0.99的R2值,其性能明显优于传统拟合方法。如今,借助可解释的机器学习技术,尤其是SHAP分析,人们能够明确了解各特征对预测结果的影响,从而缩小数据驱动模型与地质认知之间的差距。在碳捕获与封存场所的特征描述方面,机器学习应用也取得了显著进展,XGBoost在预测二氧化碳捕获指数方面表现出色,而高斯过程回归则被用于储存容量估算。此外,机器学习模型还展现出出色的能力,能够预测地质储存条件下二氧化碳/盐水以及氢气/盐水体系中的岩石-流体润湿性和界面张力,深度学习模型则被用于预测咸水含水层中二氧化碳羽流的发展情况。

本研究旨在开发并验证机器学习方法,用于预测澳大利亚北领地佩特雷尔次盆地中生代储层的渗透率,从而提升地质二氧化碳封存项目的储层特征描述水平。具体而言,我们比较了9种机器学习算法的预测性能,这些算法包括线性模型(岭回归)、集成模型(随机森林、额外树、梯度提升、XGBoost、AdaBoost)、支持向量回归、k最近邻算法以及多层感知器神经网络,同时还将它们与传统经验公式进行了对比,所有对比均基于勘探井的岩心样本数据。这9种算法被分为11种不同的配置进行测试,其中包括两种经过超参数优化的版本(AdaBoost和梯度提升)。高斯过程回归被单独用于不确定性量化,因此不作为预测算法纳入比较;而科泽尼-卡曼方程、幂律关系、指数关系以及温兰R35公式并非独立的算法,而是作为基准用于对比。完整的模型清单见补充表S2。本研究采用了适合小数据集的严格交叉验证策略,如留一法验证、数据增强技术以及超参数优化,通过网格搜索来优化模型的泛化能力。为了从物理角度理解预测关系,我们同时使用了杂质减少均值和SHAP值来分析特征的重要性。佩特雷尔次盆地是一个理想的案例研究对象,因为它拥有世界级的储存潜力,已有来自石油勘探的地质特征数据,而且其侏罗纪普洛弗-埃朗组和白垩纪桑德皮珀组储层具有明显的非均质性。

**地点与构造背景**
佩特雷尔次盆地是西澳超盆地西北陆架上的博纳帕特盆地的南部沉积中心,而博纳帕特盆地则是西澳超盆地中最北端的沉积区。博纳帕特盆地面积达270,000平方公里,主要位于达尔文以西的约瑟夫·博纳帕特湾,横跨北领地与西澳大利亚州的边界。该次盆地从陆地延伸至水深100米的海域。

**数据集描述**
本研究使用的数据来自4口勘探井(Gull?1、Jacaranda?1、Petrel?1和Tern?1)的岩心样本,这些井均位于澳大利亚北领地外的佩特雷尔次盆地的中生代地层中。这些井所对应的侏罗纪和白垩纪储层-封隔对被认为是地质二氧化碳封存的潜在目标。岩心样本的采集深度在761米至3043米之间,相当于2497至9982英尺,样本来自普洛弗组和埃朗组储层单元。

**机器学习模型**
本研究实现了整套机器学习算法,用于根据岩石物理参数预测渗透率。这些模型被分为四类:线性模型、集成方法、带有k最近邻的支持向量回归以及神经网络。在训练模型之前,首先对渗透率值进行对数变换,以修正其极度偏斜的分布状况,因为渗透率值跨度极大,从0.00002 mD到497 mD不等:
k′=log1?(k)
其中k为原始渗透率值。

**模型性能比较**
本研究利用佩特雷尔次盆地的数据集,系统测试了11种配置的预测能力,其中包括9种基础算法以及2种经过超参数优化的版本;高斯过程回归被单独用于不确定性量化,因此不计入此次比较范围,另有4种经验公式被作为基准进行对比。所有模型都是基于对数变换后的渗透率值进行训练的,以此来考虑不同尺度下的渗透率变化。

**特征重要性分析**
了解岩石物理参数对渗透率预测的相对贡献,对于提高模型的可解释性以及深入理解二氧化碳储存储层的特征具有重要意义。本研究采用了两种互补的方法:基于AdaBoost算法的特定模型特征重要性分析,以及具有理论依据的SHAP(Shapley加性解释)分析,后者能够明确指出各特征对预测结果的具体影响。AdaBoost模型计算的特征重要性值……

**结论**
本研究开发并测试了一套完善的机器学习框架,用于预测澳大利亚北领地佩特雷尔次盆地中生代储层的渗透率,从而更准确地描述这些储层,为地质二氧化碳封存提供更好的依据。通过对4口勘探井的岩心样本所对应的9种算法进行系统分析,我们得出了以下重要结论:
•基于提升法的集成方法在非均质储层-封隔对结构的渗透率预测方面表现更为优异。

**作者贡献说明**
穆罕默德·费萨尔·瓦卡尔:撰写原始稿件、可视化处理、模型验证、软件开发、方法设计、实验研究、正式分析、数据整理。
齐生文:撰写文章的审阅与编辑工作、原始稿件撰写、项目监督、资源协调、项目管理、资金申请、正式分析、概念构思。
郭松峰:撰写文章的审阅与编辑工作、项目管理、实验研究、资金申请、正式分析、数据整理。
王赞:撰写文章的审阅与编辑工作。

**利益冲突声明**
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

**致谢**
本研究得到了中国国家自然科学基金(项目编号:42527805、42572380、42141009)、第二次青藏高原科学考察与研究计划(2019QZKK0904)、中国国家重点研发计划(项目编号:2023YFC3012004–05)、中国科学院青年创新促进会(项目编号:2022062、2023073)以及中国科学院地质与地球物理研究所重点研究计划(项目编号:IGGCAS?202201)的资助。
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