用于碳捕集储存运营的贝叶斯神经网络替代模型
机器学习
2026-05-05 v2
摘要
碳捕集储存（CCS）是推动可持续未来发展的关键技术。该过程涉及将超临界CO注入地下储层，作为增强油采（EOR）的成熟方法，具有双重目的：不仅遏制CO排放，应对气候变化，还能延长油田和平台的运行寿命和可持续性，促进向更绿色实践的转型。本文对CCS项目开发中决策变量优化策略进行了全面比较评估，采用无导数技术即贝叶斯优化（BO）。除了通常在BO中作为金标准的高斯过程（GP）外，还考察了 various 新型随机模型并在BO框架中进行比较。本研究探讨了在GP表现不佳的环境中（例如决策变量数量大或目标函数数量不等比例缩放的情况）使用更为精妙的随机模型的有效性。通过将净现值（NPV）作为关键目标函数，本文提出的框架展示了其潜力，可在确保CCS技术可持续部署的同时，提高经济可行性。最终，本研究代表了在油藏工程行业首次应用BO研究的最新成果，特别是寻找更合适随机模型的搜索，这凸显了其作为提升能源部门可持续性的首选方法的潜力。
引用
@article{arxiv.2507.21803,
title = {Bayesian Neural Network Surrogates for Bayesian Optimization of Carbon Capture and Storage Operations},
author = {Sofianos Panagiotis Fotias and Vassilis Gaganis},
journal= {arXiv preprint arXiv:2507.21803},
year = {2026}
}