.png){kind=icon}
返回
Data-Driven Framework for Fast Screening and Multiobjective Optimization of CO2 Storage: Learning Temporal Evolution from Global Case Studies
.png){kind=icon}
PRE
AI
DOI：10.1021/acs.energyfuels.6c00178.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高保真CO2地质存储数值模拟计算成本高昂，阻碍了与活动自由气体相关的泄漏风险的快速评估。为解决此问题，本研究提出了一种涵盖机制分析到参数优化的全面数据驱动框架。利用从代表性全球封存项目衍生出的4,631个时间序列样本数据集，我们构建了一个包含九个关键地质和操作参数的广义预测模型。在测试的算法中，XGBoost在捕捉残留（RTI）和溶解度捕获指数（STI）的时间演化方面表现出优越性能。关键在于，基于物理的SHAP分析量化了地质控制因素：RTI主要通过毛细管滞后作用由残留气体饱和度驱动，而STI严格受地层水盐度控制，与亨利定律的热力学极限一致。此外，将代理模型与NSGA-II算法耦合生成了帕累托最优解，有效平衡了短期安全与长期稳定性。优化结果建立了严格的定量筛选标准：高渗透率（>400 mD）、超低盐度（<5 kppm）和中等残留气体饱和度（<0.22）的地层被确定为最佳，可在前50年内将初始活动气体指数安全限制在30%以下。大规模蒙特卡罗模拟（100,000次评估）证实了这些标准的稳健性。该框架连接了数据驱动的见解与物理机制，为CCUS项目的预可行性分析和优化情景生成提供了经济高效的工具。
Keyword:
ENCODER-DECODER NETWORKS
ENHANCED OIL-RECOVERY
PRESSURE
SEQUESTRATION
AQUIFER
SIMULATION
MITIGATION
PREDICTION
RESERVOIRS
EFFICIENCY
期刊
E
IF:
0
论文数:
533
被引数:
0
机构
引用论文
A review of machine learning techniques using decision tree and support vector machine基于决策树和支持向量机的机器学习技术综述
PREAI
分享收藏Advanced Optimized Deep-Learning Model for Precise Evaluation of Subsurface Carbon Dioxide Trapping Efficiency先进优化深度学习模型用于精确评估地下二氧化碳捕获效率.png)
ENERGY & FUELS
ENERGY & FUELSIF5.3
PREAI
分享收藏Deep Convolutional Encoder‐Decoder Networks for Uncertainty Quantification of Dynamic Multiphase Flow in Heterogeneous Media深度卷积编码器-解码器网络，用于对异质介质中的动态多相流进行不确定性量化
OAAI
OAAI分享收藏
查看更多内容