碳捕集、利用与封存(Carbon Capture,Utilization and Storage,简称CCUS)是实现碳中和的关键技术,通过CO_(2)提高油气采收率和地质封存实现能源增产与减少CO_(2)排放的双重效益。然而,CCUS技术在大规模应用中面临工程设计和风险评估等...碳捕集、利用与封存(Carbon Capture,Utilization and Storage,简称CCUS)是实现碳中和的关键技术,通过CO_(2)提高油气采收率和地质封存实现能源增产与减少CO_(2)排放的双重效益。然而,CCUS技术在大规模应用中面临工程设计和风险评估等技术挑战。传统解决方法依赖经验公式、实验验证和物理模型,在处理复杂系统时,计算效率低下,模型精度不足,难以处理多维度耦合问题。机器学习(Machine Learning,简称ML)凭借其强大的数据驱动分析能力和自适应优化特性,能训练出高精度预测模型,优化操作参数、预测储层流体行为、评估泄漏风险等,实现对复杂系统的实时监控和智能化决策,提升CCUS技术的安全性和经济性。研究系统梳理了ML在CO_(2)提高油气采收率与地质封存方面的应用。在CO_(2)提高油气采收率方面涵盖了渗流机理建模、优化井网设计、产量预测与评价、多目标优化、预测最小混相压力、预测气体吸附曲线、评估CO_(2)-CH_(4)扩散等;在CO_(2)地质封存方面包含储层优选、CO_(2)溶解与扩散机制研究、地质封存效果预测、风险评估等。ML在提升预测精度、优化操作参数、提高计算效率等方面展现出显著优势,已在储层优选、气体吸附预测、封存效果预测等关键领域取得重要进展,但在复杂地质场景下的适应性、模型普适性、动态数据处理能力、物理解释性等方面仍有待提升。展开更多
文摘碳捕集、利用与封存(Carbon Capture,Utilization and Storage,简称CCUS)是实现碳中和的关键技术,通过CO_(2)提高油气采收率和地质封存实现能源增产与减少CO_(2)排放的双重效益。然而,CCUS技术在大规模应用中面临工程设计和风险评估等技术挑战。传统解决方法依赖经验公式、实验验证和物理模型,在处理复杂系统时,计算效率低下,模型精度不足,难以处理多维度耦合问题。机器学习(Machine Learning,简称ML)凭借其强大的数据驱动分析能力和自适应优化特性,能训练出高精度预测模型,优化操作参数、预测储层流体行为、评估泄漏风险等,实现对复杂系统的实时监控和智能化决策,提升CCUS技术的安全性和经济性。研究系统梳理了ML在CO_(2)提高油气采收率与地质封存方面的应用。在CO_(2)提高油气采收率方面涵盖了渗流机理建模、优化井网设计、产量预测与评价、多目标优化、预测最小混相压力、预测气体吸附曲线、评估CO_(2)-CH_(4)扩散等;在CO_(2)地质封存方面包含储层优选、CO_(2)溶解与扩散机制研究、地质封存效果预测、风险评估等。ML在提升预测精度、优化操作参数、提高计算效率等方面展现出显著优势,已在储层优选、气体吸附预测、封存效果预测等关键领域取得重要进展,但在复杂地质场景下的适应性、模型普适性、动态数据处理能力、物理解释性等方面仍有待提升。
