Aug, 2023

地质 CO2 封存的代理模型及其在基于 MCMC 的历史匹配中的应用

PDF
TL;DR在这项研究中，我们利用基于深度学习的代理模型来处理具有高度地质不确定性的地质碳储存系统，通过使用大量地质情景下的地质模型实现了准确的预测，并将其用于马尔可夫链蒙特卡洛历史匹配工作流程以降低地质不确定性，从而得到与真实模型更接近的 3D 压力和饱和度。
deep-learning-based surrogate modelsgeological carbon storage operationshistory matchingprior geological uncertaintymarkov chain monte carlo
发现论文，激发创造
  • 大规模地质碳和能源储存的高效机器学习代理

    通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

    Oct, 2023

  • 地质碳封存的数据空间反演中的历史拟合与时空数据参数化

    基于监测数据的历史匹配将实现不确定性降低，进而改善工业规模碳储存运营中的含水层管理。

    Oct, 2023

  • 基于深度学习的代理模型在动态地下流问题中的数据同化

    开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

    Aug, 2019

  • 利用学习替代和约束解决多物理反问题

    使用具有计算便宜的学习代理器和学习约束的方法解决地质碳封存监测中多模态逆问题，提供更精确的渗透率倒转和多样化数据逆转的计算可行方法。

    Jul, 2023

  • 利用图神经网络学习断层油藏中 CO2 延展规律

    利用基于 Graph Neural Network (GNNs) 的模型，结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的 CO2 地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。

    Jun, 2023

  • 基于多模潜动态模型和深度强化学习的地质碳封存运营优化

    多模态潜在动态（MLD）模型用于提高地质碳储存的存储性能，通过快速流量预测和井控优化，结合深度学习框架，训练深度强化学习代理来最大化净现值（NPV）并减少计算资源使用。

    Jun, 2024

  • 多支撑度傅立叶神经算子用于大规模地质碳封存快速建模

    采用多保真度傅里叶神经操作器解决大规模地质碳储存问题，并减少高真实度数据生成成本。

    Aug, 2023

  • 人工智能增强的数据同化与不确定性量化在地质碳储存中的应用

    研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

    Feb, 2024

  • 以生成式异类先验和耦合的专家混合模型进行诺尔讷油田的储层历史匹配 - 物理信息化神经算子前向模型

    开发了一种新的油藏表征工作流，通过将物理知识注入的神经操作器与混合专家方法相结合，解决了油藏历史拟合问题。

    Jun, 2024

  • CO2 流动模式推断 —— 可行性研究

    在全球推广碳捕获和封存（CCS）技术以应对气候变化的过程中，建立健全的监测和检测机制以应对潜在的地下 CO2 泄漏，特别是通过储存库密封物的预存在或诱导的断层，变得更加重要。通过历史匹配和时变地震监测等技术已成功跟踪 CO2 在地下的演化过程，但是这些方法缺乏对 CO2 波动行为相关不确定性的原则性方法。为了进行风险缓解，系统评估不确定性是至关重要的，因为：（i）CO2 波动引发的变化很小，地震数据是嘈杂的；（ii）正常和异常（例如泄漏引起的）流动模式之间的变化很小；（iii）控制流动的储层属性很异质且通常只能作为分布信息获得。通过在一系列精心设计的数值实验中分析条件归一化流的性能，可以得出一种能够根据井和地震数据进行正常和异常流动模式推断的公式。尽管这些推断在早期 CO2 泄漏检测系统的背景下还是初步的，但结果表明，条件归一化流可以产生具有或不具有泄漏情况下的 CO2 波动的高精度估计。我们也相信推断的不确定性是合理的，因为它与观察误差很好地相关。这种不确定性源于地震数据中的噪声以及对储层流体流动性的精确知识的缺乏。

    Nov, 2023