用于 CO2 存储深度学习框架：结合 4D 震源和监测井数据进行历史匹配

地质碳存储涉及将数百万吨超临界 CO2 注入地下构造。由于构造属性高度不确定，设计和优化大规模储存运营具有挑战性。本文引入一种历史匹配策略，基于早期观测数据校准构造属性。早期评估对于确保运营按计划进行至关重要。我们的框架包含两个专为特定任务设计的深度学习替代模型，分别预测现场监测井数据和解释后的时序（4D）地震饱和度数据。这两种数据在分辨率上差异巨大，因此为其预测构建独立的、专业化的深度学习网络更为合适。这种方法的结果是一种比单一替代模型（提供全局高保真预测）更易于设计、更高效训练的工作流程。将深度学习模型集成到分层马尔可夫链蒙特卡罗（MCMC）历史匹配程序中进行历史匹配。我们在无 4D 地震数据和有 4D 地震数据的合成案例上进行历史匹配，以量化 4D 地震对不确定性降低的影响。结果表明，两种数据类型均可显著降低关键地质模型参数的不确定性，并实现对 CO2 斜坡动力学的准确预测。本研究开发的整体历史匹配框架代表了一种高效整合多种数据类型、评估其对不确定性降低和性能预测影响的办法。