集成基于得分的扩散模型与机器学习增强型定位用于地质碳储存高级数据同化
机器学习
2025-11-10 v1 人工智能
摘要
准确表征地下异质性对于确保地质碳储存(GCS)项目的安全和有效性至关重要。本文探讨了如何将机器学习方法与数据同化集成，用于CO注入期间channelized 油田的 GCS。我们采用机器学习增强型定位框架，该框架使用大规模样本()，其中包含由扩散模型生成的渗透率和由简单ML算法计算的状态，以提高Ensemble Smoother with Multiple Data Assimilation(ESMDA)的协方差估计。我们将ML算法应用于由FLUVSIM 地统计模型生成的channelized 渗透率场的先验样本集合。该方法应用于使用Delft Advanced Research Terra Simulator(DARTS)模拟的CO注入情景。我们的ML基于定位的方法在应用定位后显著保持了更多样本方差，同时实现了与数据匹配质量相当的效果。该框架在GCS项目中具有实际意义，帮助改善不确定性量化，以进行风险评估。
引用
@article{arxiv.2511.05266,
title = {Integrating Score-Based Diffusion Models with Machine Learning-Enhanced Localization for Advanced Data Assimilation in Geological Carbon Storage},
author = {Gabriel Serrão Seabra and Nikolaj T. Mücke and Vinicius Luiz Santos Silva and Alexandre A. Emerick and Denis Voskov and Femke Vossepoel},
journal= {arXiv preprint arXiv:2511.05266},
year = {2025}
}
备注
Corresponding author: Gabriel Serr\~ao Seabra