动态模式分解加速深盆位盐水层中地质CO₂储存的预测与优化

数据驱动且非侵入性的DMDc和DMDspc模型成功加速了CO₂流体流的重建与预测，误差范围可接受，有助于快速优化地质CO₂储存的预测与优化。使用商业仿真器，对DMDc和DMDspc模型进行训练，采用每周、每月和每年的模拟压力和CO₂饱和度场。感兴趣的域是一个大规模的海上高度异构的储层模型，包含超过10万个单元。DMD快照重建显著减少了仿真时间，从数小时缩短到仅几分钟。DMDspc在不损失精度的前提下，减少了压力所需的DMD模式数量，甚至有时还能提高精度。考虑了两个作业案例：1. CO₂注入，2. CO₂注入和水生产用于维持压力。在压力方面，DMDspc通过去除多个模式后，平均误差略高于DMDc。另一方面，DMDspc在减少CO₂饱和度的模式方面成效有限。评估DMD模型的预测性能使用百分比变化误差、平均绝对误差和Pearsons R相关系数等指标。几乎所有DMD压力模型都成功预测了压力场，而较少数量的DMD模型能够预测CO₂饱和度。尽管预测误差范围较大，仅将误差低于5% PCE的压力模型或饱和度MAE低于0.01的DMD模型视为地质CO₂储存优化的可接受值。优化的CO₂注入和水生产量在所选DMD模型和所有时间尺度上保持一致。仅对优化期间监测的单元进行重建的DMDspc监测单元方法，进一步减少了优化时间，同时提供与使用完整快照重建的优化一致的结果。