面向地下多模态CO2储存监测的不确定性感知数字�影
地球物理
2025-05-29 v1 人工智能
机器学习
计算物理
摘要
地质碳储存（GCS）可能是唯一可规模化实现净负CO2排放技术的手段。尽管GCS前景光明，但储层特性的复杂性和异质性要求系统化的方法来量化不确定性，以优化生产并减缓储存风险，这包括保证注入的超临界CO2的封存性和符合性。作为构建用于监测地下储存操作的数字双胞胎（Digital Twin）的第一步，引入并在仿真中验证了基于机器学习的数据同化框架。鉴于我们的实现基于贝叶斯推断但尚不支持控制和决策，我们将方法称为不确定性感知的数字�影（uncertainty-aware Digital Shadow）。为表征在多模态时序数据条件下的CO2喷溢分布后验分布，所设想的�影结合了仿射推断（SBI）和Ensemble贝叶斯滤波技术，以建立概率基线并同化面临大规模自由度、非线性、非高斯性以及计算昂贵的流体流动和地震仿真问题的GCS问题。为使SBI适用于动态系统，提出了递归方案，其中数字�影的神经网络在仿真集合中训练其状态和观测数据。完成训练后，当时序现场数据可用时即可推断系统状态。在本计算研究中，我们观察到对渗透率场的缺乏认识可纳入数字�影的不确定性量化。鉴于本工作代表了首个不确定性感知的原则可扩展数字�影的概念验证。
引用
@article{arxiv.2410.01218,
title = {An uncertainty-aware Digital Shadow for underground multimodal CO2 storage monitoring},
author = {Abhinav Prakash Gahlot and Rafael Orozco and Ziyi Yin and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2410.01218},
year = {2025}
}