地质 CO2 封存的替代模型及其在分层 MCMC 历史匹配中的应用
计算机视觉与模式识别
2024-02-05 v2 地球物理
摘要
基于深度学习的替代模型在地质碳封存作业中展现出巨大前景。在这项工作中，我们针对一个重要应用——以高度（先验）地质不确定性为特征的封存系统的历史匹配。为此，我们扩展了近期提出的循环 R-U-Net 替代模型，以处理从广泛地质情景中抽出的地质模型实现。这些情景由一组元参数定义，包括水平相关长度、对数渗透率均值与标准差、渗透率各向异性比，以及孔隙度-渗透率关系中的常数。每组元参数可生成无穷多个实现，因此先验不确定性范围很大。该替代模型使用开源模拟器 GEOS 生成的 2000 个随机实现的流动模拟结果进行训练。流动问题涉及四口井，每口井每年注入 1 Mt CO2，持续 30 年。经训练的替代模型对全地质情景范围内的新实现给出了准确预测，压力中位相对误差为 1.3%，饱和度中位相对误差为 4.5%。该替代模型被纳入分层马尔可夫链蒙特卡洛（MCMC）历史匹配工作流，其目标是生成历史匹配的地质模型实现以及元参数的后验估计。我们表明，利用合成“真实”模型中监测井的观测数据，地质不确定性被大幅降低。这使得后验三维压力与饱和度场相较于先验预测，与真实模型响应表现出更为接近的一致。
引用
@article{arxiv.2308.06341,
title = {Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical MCMC History Matching},
author = {Yifu Han and Francois P. Hamon and Su Jiang and Louis J. Durlofsky},
journal= {arXiv preprint arXiv:2308.06341},
year = {2024}
}