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

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

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

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

我们引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，该方法的目标应用是预测地下CO₂羽流，作为监测CO₂封存部署的补充工具，我们的联合反演技术优于基于深度学习的仅有重力或仅有地震的反演模型，实现了改进的密度和速度重建，准确的分割以及更高的R-squared系数，这些结果表明基于深度学习的联合反演是一种有效的CO₂储存监测工具，未来的工作将侧重于使用更大的数据集验证我们的方法，进行其他地质封存地点的模拟，最终验证现场数据。

Sep, 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

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

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

本研究针对地质碳储存中存在的复杂性和属性异质性，提出了一种基于机器学习的数据同化框架，以量化不确定性并优化生产风险管理。该方法结合了模拟推断和集成贝叶斯滤波技术，可有效应对多模态时间序列数据问题，并首次展示了不确定性感知数字影子的可行性，为地下CO2储存监测提供了新的思路和工具。

Oct, 2024