面向地质碳封存且具备注入控制能力的数字孪生
地球物理
2024-04-01 v1
摘要
我们提出了一种面向地质碳封存（GCS）的不确定性感知数字孪生（DT），能够处理多模态时移数据并控制 CO₂ 注入能力，以降低储层破裂风险。在 GCS 中，DT 代表地下系统的虚拟副本，融合了实时数据和先进的生成式人工智能（genAI）技术，包括通过基于模拟的推断和序贯贝叶斯推断进行的神经后验密度估计。这些方法能够有效监测和控制 CO₂ 封存项目，应对地下复杂性、操作优化和风险缓解等挑战。通过整合多样化的监测数据，例如地球物理井观测和地震成像，DT 可以弥合地球物理学与油藏工程等看似不同领域之间的鸿沟。此外，生成式人工智能的最新进展也为 DT 提供了有原则的不确定性量化能力。通过递归训练和推断，DT 利用模拟的当前状态样本（如 CO₂ 饱和度）与相应的地球物理场观测数据配对，训练其神经网络，并在接收到新的场数据时实现后验采样。然而，它缺乏决策与控制能力，而这对于完整的 DT 功能是必需的。本研究旨在展示 DT 如何为决策过程提供信息，以预防 CO₂ 封存作业期间盖层破裂等风险。
引用
@article{arxiv.2403.19819,
title = {A Digital Twin for Geological Carbon Storage with Controlled Injectivity},
author = {Abhinav Prakash Gahlot and Haoyun Li and Ziyi Yin and Rafael Orozco and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2403.19819},
year = {2024}
}