本文旨在开发一个代理模型（基于机器学习），以预测咸水层中CO2的封存效率，从而加快地质CO2存储（GCS）站点的评估。为了帮助全球实现到本世纪中叶的净零排放目标，尽可能多地减少地质CO2存储资源的风险是一个绝对优先事项。地质CO2存储数值建模（GCSNM）是理解CO2长期封存的一项综合技术，但它是一个耗时的多参数过程，尤其是当需要评估多个地质站点时，成本相对较高。为了克服上述缺点，基于机器学习的储层建模作为一种廉价、快速且计算效率高的工具，用于评估多个储存站点。
在本文中，通过一个案例研究，构建并输入了七个参数子集（CO2残余饱和度、水平渗透率、垂直水平渗透率比、孔隙度、盐水盐度、流量和经过时间）和四个参数子集（残余、溶解度和构造捕集指数以及注入的CO2体积）的神经网络型地质CO2储集（NN-GCS）模型。此类数据集是从北海南部（SNS）地区，英国大陆架（UKCS）的Bunter砂岩闭合36含水层的合成含水层数值模型导出的数百个基于实验设计的数量级实现中构建的。NN-GCS模型架构在Python中设计，并使用均方根误差（RMSE）和决定系数（R2）作为NN-GCS性能的最佳拟合指标。此外，它在节点数量（40）和层数（3）方面进行了优化，显示出分别为96%和95%的训练和测试精度。最后，基于北海盆地一些Bunter圈闭的基础地质信息，进行了NN-GCS模型的现场应用，以确保将其应用扩展到英国大陆架其他类似圆顶形深咸水层的可行性。
CMG软件应用情况：
在本项目中，使用了计算机模拟软件集团（CMG）的模拟程序来创建油藏模型。CMG软件被用于模拟储层条件下CO2在水和气相中的溶解情况，以及不同注入浓度下CO2的溶解和存在状态。CMG-GEM和CMG-CMOST软件被用于自动化实验设计过程，生成用于训练ANN模型的数值实验数据。
