《Petroleum Research》:Rapid Deep Learning Forecasts of Carbon Dioxide Plume Extent in Saline Aquifers
编辑推荐:
摘要翻译:
可靠的CO?羽流范围演化预测对于确保地质碳封存的安全性和有效性至关重要。准确的羽流预测有助于防止泄漏、降低环境风险,并验证注入的CO?被安全地限制在目标储层内。本研究开发了一种基于机器学习的预测框架,用于高效预测咸水层中多个深度的羽流范围。通过
摘要翻译:
可靠的CO?羽流范围演化预测对于确保地质碳封存的安全性和有效性至关重要。准确的羽流预测有助于防止泄漏、降低环境风险,并验证注入的CO?被安全地限制在目标储层内。本研究开发了一种基于机器学习的预测框架,用于高效预测咸水层中多个深度的羽流范围。通过数值储层模型模拟了2,000个不同的地质碳封存情景。这些情景通过系统地改变关键地质和操作参数(包括渗透率、盐度、压缩性、储层厚度、压力和注入速率)生成。在80年的模拟期内(包括30年连续CO?注入,总计3,000万吨CO?,随后为50年注入后监测期),在81个离散时间步长上预测了六个储层深度的羽流范围。为提高计算效率和预测精度,将奇异值分解(Singular Value Decomposition,SVD)纳入预测工作流。评估了四种机器学习方法,即随机森林(Random Forest,RF)、多层感知器(Multilayer Perceptron,MLP)、长短期记忆网络(Long Short-Term Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU),分别使用和不使用降维技术。结果表明,未使用降维的多层感知器模型取得了最高精度,平均绝对误差为23米。单个情景所有储层深度的羽流范围预测在不到一秒内即可完成,实现了羽流几何形态的快速三维可视化。所开发的框架能够准确预测上部储层深度达7,200米、深层达2,000米的羽流范围,并可靠地捕捉CO?饱和锋面的动态特征。本研究的主要贡献在于开发了一种快速、准确且具有泛化能力的预测工作流,可广泛应用于各种地质和操作条件,从而为地质碳封存项目的决策制定和风险管理提供关键支持。
**咸水层CO?羽流范围快速预测:机器学习框架的构建与评估——论文解读**
**一、研究背景与问题的提出**
在全球气候变化的严峻挑战下,减少二氧化碳(CO?)等温室气体排放已成为国际共识。地质碳封存(Geological Carbon Storage,GCS)作为一项关键的气候变化减缓策略,通过将捕集的CO?注入地下深层地质构造中,实现其长期封存。在GCS项目的实施过程中,预测CO?羽流(即注入储层中的CO?所占据并横向迁移的区域)的范围及其随时间的演化,是确保封存安全性和有效性的核心环节。准确的羽流预测能够帮助操作者预防泄漏、评估环境风险、优化监测井布设,并为注入策略的设计提供依据。然而,传统基于物理的数值储层模拟器虽然精度较高,但计算强度极大,尤其在进行大规模参数研究和需要快速响应的实时决策时,其计算耗时往往成为瓶颈。尽管近年来机器学习(Machine Learning,ML)方法已被尝试用于加速羽流预测,但先前的研究主要集中于预测固定时刻的空间饱和场或估算封存总量等聚合指标。据研究人员所知,尚无研究直接聚焦于将CO?羽流直径(即饱和锋面的侧向延伸范围)视为地质和工程参数的函数,预测其在多个储层深度上的时间演化。因此,本研究旨在填补这一空白,通过开发和评估多种机器学习模型,构建一个快速、准确且具有良好泛化能力的预测工作流。
**二、研究内容与数据集构建**
为开发这一预测框架,研究人员利用计算机建模组-广义状态方程模型(Computer Modelling Group-Generalized Equation-of-State Model,CMG-GEM)这一成分模拟器,建立了一个代表深部咸水层的三维储层模型。该模型基于一个参考深度为1,150米的均质咸水层,其尺寸为7,200米×7,200米,总厚度为310米,并被离散为包含216,000个活动网格的60×60×60笛卡尔网格。一口垂直注入井位于模型中心,以每年100万吨(million metric tons,MMT)的恒定速率注入超临界CO?,持续30年,随后进行50年的注入后监测,总模拟期达80年。为生成训练机器学习模型所需的数据集,研究人员采用拉丁超立方体采样(Latin Hypercube Sampling,LHS)方法,系统地变化了10个关键地质和操作参数,包括水平/垂直渗透率、孔隙度、初始压力、盐度、温度、残余气饱和度、岩石压缩性和储层厚度等。共计生成了2,000个不同的地质碳封存模拟情景。对于每一次模拟,研究人员在6个选定的储层深度(D_K3至D_K53)上,以5%的气体饱和度阈值定义CO?羽流,并在81个时间步长(即80年模拟窗口内的年间隔)上计算羽流直径,从而构建了一个486维(81时间步长×6深度)的输出向量。这2,000个情景的数据构成了训练、验证和测试机器学习模型的基础。
**三、关键技术方法**
研究评估了四种不同的机器学习架构以预测羽流直径的时间演化:多层感知器(Multilayer Perceptron,MLP)回归器、随机森林(Random Forest,RF)回归器、长短期记忆网络(Long Short-Term Memory,LSTM)和门控循环单元(Gated Recurrent Unit,GRU)。这些模型旨在捕捉输入参数与输出羽流直径序列之间的非线性映射关系。此外,研究还并行评估了两种工作流:一种是在训练前使用奇异值分解(Singular Value Decomposition,SVD)技术将486维输出压缩至7个主成分,以提高训练效率;另一种则不进行数据压缩,直接在全分辨率输出上进行训练。模型的性能通过平均绝对误差(Mean Absolute Error,MAE)和决定系数(R2)进行评估,测试集为总模拟情景数的20%。
**四、研究结果**
**(1) 各模型预测性能**
在无SVD压缩的情况下,MLP回归器表现最佳,取得了23米的MAE和0.98的R2,但训练时间较长(3小时)。当应用SVD压缩后,MLP的MAE略有增加(30米),但训练时间大幅缩短至31分钟。相比之下,GRU和LSTM等序列模型在无压缩情况下也表现出良好精度(MAE分别为31.2米和33.6米),但随机森林及其SVD变体的精度较差(MAE均大于119米)。这表明MLP在平衡精度和效率方面具有显著优势。
**(2) 最佳模型跨深度性能**
通过分析最佳模型(无压缩MLP)在不同储层深度的MAE随时间的变化趋势,研究发现,在注入初期,由于羽流快速生长和压力累积效应,预测误差相对较高。但在注入停止后,误差逐渐下降并趋于稳定。深层(如D_K53)由于羽流规模较小,其MAE始终最低且最为稳定。整体来看,预测值与实际模拟值在所有深度的散点图上均紧密围绕1:1参考线分布,且绝大多数点落在±5%误差带内,验证了模型在捕捉空间变异性和泛化方面的有效性。
**(3) 计算效益分析**
传统的数值模拟在配备Intel? Xeon Gold 6240R处理器的工作站上,单个基准情景(含237,460个网格)需要约40分钟的计算时间。而训练完成的优化机器学习回归模型,在预测单个情景的羽流范围时,仅需0.25秒,这比传统模拟器快数个数量级。这种近实时推理能力为大规模碳封存项目的场景筛选、不确定性量化和注入策略优化提供了强有力的决策支持工具。
**五、结论与展望**
本研究成功开发并验证了一个基于机器学习的快速预测工作流,用于地质碳封存中CO?羽流范围时空演化的预测。研究得出以下主要结论:
1. 优化后的模型在未见的测试数据集上,针对六个储层深度,实现了23米的平均绝对误差(MAE)。
2. 预测精度在极端羽流范围下依然稳健,例如浅层直径可达7,200米,深层可达2,000米。
3. 该代理模型将单次羽流预测时间从数值模拟的40分钟大幅缩短至0.25秒,实现了数量级的加速。
总而言之,这项工作表明,基于机器学习的预测不仅在计算上高效,而且精度足以作为传统储层模拟的实用替代方案。此类工作流可能通过实现快速情景分析、实时优化注入策略和可靠的长期CO?羽流迁移监测,来推动地质碳封存作业的变革。未来的研究将致力于在框架中引入地质非均质性、多井配置和变注入率情景,并耦合压力场演化以直接评估审查区域(Area of Review,AoR),以及将预测扩展到全三维羽流几何形态,从而进一步提升模型的现场适用性和全面性。