本文提出了一种基于深度强化学习（DRL）的一般控制策略框架，用于地下流动环境中的闭环决策制定。针对数据同化/历史匹配和鲁棒优化步骤中的挑战，将闭环油藏管理（CLRM）问题表示为一个部分可观察的马尔科夫决策过程，并使用近端策略优化算法来解决相关的优化问题。数据集由多个地质模型场景合集构成，训练结果表明相对于既有地质模型的鲁棒优化以及传统的CLRM方法，基于DRL的方法在油水注入生产中的净现值（NPV）获得了15%和33%的提升，并且相对于传统CLRM平均提升了4%NPV，并且在多种地质模型场景中均能发挥较好的效果。

Mar, 2022

本研究使用部分可观察马尔可夫决策过程（POMDP）对碳封存操作的决策过程进行建模，并使用信念状态规划来优化注入器和监测井的位置以实现最大CO2存储同时保持安全性。我们展示了该方法的灵活性，引入了三种不同的监视策略并学习其对决策质量的影响。此外，我们引入了一个神经网络代理模型用于处理多相流的复杂动态，并研究了代理模型不同的保真度水平对决策质量的影响。

Apr, 2023

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。

Aug, 2023

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

利用模型无关的强化学习方法深度Q网络（DQN）优化地质导向决策，达到与近似最优决策优化方法相当的高质量结果，同时提供实时决策支持。

Oct, 2023

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

本研究解决了地质碳储存过程中由于地下构造属性的不确定性而导致的大规模储存操作设计和优化的难题。提出了一种历史匹配策略，通过适应性深度学习模型基于早期观察进行属性校准，显著提高了对CO2羽流动力学的预测精度和不确定性减少的效率。研究表明，结合不同数据类型的深度学习模型能够有效整合多种数据，并评估其对不确定性减少和性能预测的影响。

Aug, 2024

本研究解决了在进行深地热能、碳捕集与储存及氢储存过程中，由于注入流体引发地震的问题。论文提出了一种基于强化学习的新方法，通过实时选择控制器参数，与稳健控制器高效互动，从而减少人为引发的地震并考虑进一步的生产目标，如最小控制功率。模拟结果表明，该方法在不同能源需求场景下具有良好的可靠性和有效性。

Aug, 2024

本研究提出了一种新的代理建模框架，以解决深度学习代理模型在地下流动应用中的训练需求高的难题。通过结合大量低成本流动模拟与较少的耦合模拟，提出了一种有效的训练方法，利用残余U-Net架构提升预测精度，最后展示该模型在历史匹配中的有效性，显著减少不确定性并提升预测准确性。

Aug, 2024

本研究解决了地质碳封存中传统数值模拟计算成本高的问题，通过开发嵌套傅里叶-DeepONet，将傅里叶神经算子与深度算子网络相结合。该新框架在训练效率上提高一倍，并减少至少80%的GPU内存需求，同时保持预测准确性，为未来的碳封存项目提供了更高效且精确的模拟工具。

Sep, 2024