通过增强岩石物理模型提升CO2存储监测数字�影的鲁棒性
计算物理
2025-02-12 v1 机器学习
地球物理
摘要
为实现气候目标，IPCC强调需要能够年捕获百亿吨CO2的技术，其中地质碳存储 (GCS) 占据核心位置。GCS涉及捕获CO2并将其注入深地质构造进行长期储存，需精确监测以确保封存并防止泄漏。时序地震成像对于跟踪CO2迁移至关重要，但往往难以捕捉多相地下流动的复杂性。数字�影 (DS) 利用机器学习驱动的数据同化技术，如非线性贝叶斯滤波和生成式AI，提供更详细、基于不确定性的监测方法。通过融合储层性质的不确定性，DS框架改进了CO2迁移预测，降低了GCS运营中的风险。然而，数据同化依赖于关于储层性质、岩石物理模型和初始条件的假设，如果这些假设不准确，可能会损害预测可靠性。本研究表明，通过将多样化的岩石物理模型纳入预测集合，可减轻不正确假设的影响，并在区分均匀饱和模型与非均匀饱和模型时提高预测精度。
引用
@article{arxiv.2502.07171,
title = {Enhancing Robustness Of Digital Shadow For CO2 Storage Monitoring With Augmented Rock Physics Modeling},
author = {Abhinav Prakash Gahlot and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2502.07171},
year = {2025}
}