一种用于预测地质CO2封存注入及注入后阶段多相流行为的鲁棒深度学习工作流
机器学习
2021-07-16 v1 地球物理
摘要
本文致力于开发和评估一种深度学习工作流，以准确高效地预测地质CO2封存(GCS)操作注入及注入后阶段压力与CO2羽流的时空演化。该深度学习工作流基于傅里叶神经元算子(Fourier Neuron Operator)，以岩石属性、井操作控制和时间步等输入变量或特征，预测压力和CO2饱和度的状态变量。为进一步提高预测保真度，由于这两个阶段流体流动与运移的主要驱动力不同，分别为CO2注入和注入后阶段训练了独立的深度学习模型。我们还探索了预测状态变量的不同特征组合。我们使用一个三维非均质咸水层CO2注入与封存的实际算例，应用从基于物理的模拟数据训练并模拟物理过程的深度学习工作流。通过该数值实验，我们证明使用两个独立的深度学习模型区分注入后阶段与注入阶段可生成最准确的压力预测，而包含CO2累积注入量作为深度学习特征的整个GCS过程的单一深度学习模型可得到最准确的CO2饱和度预测。对于注入后阶段，在预测压力或饱和度时，使用CO2累积注入量告知深度学习模型总碳储量是关键。该深度学习工作流不仅在时空尺度上提供高预测保真度，而且相比全物理油藏模拟实现了250倍加速，因此将成为工程师管理GCS长期过程的重要预测工具。
引用
@article{arxiv.2107.07274,
title = {A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior during Geological CO2 Sequestration Injection and Post-Injection Periods},
author = {Bicheng Yan and Bailian Chen and Dylan Robert Harp and Rajesh J. Pawar},
journal= {arXiv preprint arXiv:2107.07274},
year = {2021}
}
备注
16 pages, 13 figures, 4 tables