应用于地质碳封存的 AI 增强数据同化与不确定性量化
机器学习
2025-11-10 v1
摘要
本研究探讨了机器学习（ML）与数据同化（DA）技术的集成，重点关注在地质碳封存（GCS）项目中实现代理模型，同时在后验状态中保持高保真物理结果。最初，我们在河道化油藏内 CO 注入模拟的背景下，评估了两种不同机器学习模型——傅里叶神经算子（FNO）和 Transformer UNet (T-UNet) 的代理建模能力。我们引入了基于代理的混合 ESMDA (SH-ESMDA)，这是对传统的基于多重数据同化的集合平滑器（ESMDA）的一种改进。该方法使用 FNO 和 T-UNet 作为代理模型，根据同化步骤的数量，有可能使标准 ESMDA 过程至少加快 50% 或更多。此外，我们引入了基于代理的混合 RML (SH-RML)，这是一种依赖于随机最大似然（RML）的变分数据同化方法，其中 FNO 和 T-UNet 均能计算目标函数优化的梯度，并采用高保真模型来计算后验状态。我们的对比分析表明，对于该案例研究，SH-RML 与传统 ESMDA 相比提供了更好的不确定性量化。
引用
@article{arxiv.2402.06110,
title = {AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage},
author = {G. S. Seabra and N. T. Mücke and V. L. S. Silva and D. Voskov and F. Vossepoel},
journal= {arXiv preprint arXiv:2402.06110},
year = {2025}
}
备注
29 pages, 20 figures, submited to the International Journal of Greenhouse Gas Control