Sustainable CO2 Storage Assessment in Saline Aquifers Using a Hybrid ANN and Numerical Simulation Model Across Different Trapping Mechanisms
本研究提出了一种创新方法，利用CMG-GEM数值模拟器的强大计算能力，结合人工神经网络（ANN），预测咸水含水层中的碳储存能力。通过改变不同的地质和操作参数，从CMG-GEM模拟运行中生成多样化的数据集，识别地质储存层中的关键参数。通过鲁棒的数据分析，研究这些参数的影响，并评估不同的二氧化碳捕集机制。
该模型的一个重要创新之处在于能够纳入以往类似研究中未考虑的额外输入。这一增强功能使模型能够预测所有二氧化碳捕集机制，而不仅仅局限于一种或两种，从而提供更全面、更准确的碳封存潜力评估。利用生成的数据集，在MATLAB中开发了用于二氧化碳储存预测的ANN模型，涵盖各种捕集机制。经过严格的测试和验证，优化后的模型使用最佳算法，准确率达到98%，反映了模型在评估二氧化碳储存方面的可靠性。因此，显著减少了模拟运行次数，节省了大量的计算能力和模拟运行时间。本研究中机器学习与数值模拟的结合代表了可持续二氧化碳储存评估的一个重大进步，为长期碳封存策略提供了一个可靠的工具。
CMG软件应用情况
CMG-GEM作为一种领先的模拟工具，被广泛应用于碳捕集和储存（CCS）领域，用于模拟咸水含水层中二氧化碳的注入和储存过程。该模拟器能够提供多相流体在多孔介质中的流动分析，帮助设计有效且安全的CCS注入策略。CMG-GEM可以模拟复杂的物理过程，如相变、反应性传输以及二氧化碳、储层流体和岩石基质之间的相互作用。尽管CMG-GEM功能强大，但在模拟大规模或高度详细的情景时存在挑战，地质模型的异质性和对储层特征数据的需求增加了额外的限制。因此，将CMG-GEM的模拟结果与其他预测模型（如人工神经网络）相结合，对于推进CCS评估过程具有重要意义。
结论
本研究成功地将CMG-GEM模拟数据和人工神经网络（ANN）模型结合，使用MATLAB开发了一个强大的方法，用于预测咸水含水层中二氧化碳的碳储存和封存潜力。通过从250次CMG-GEM模拟中生成多样化数据集，涵盖了多种地质和操作场景，开发了不同的ANN模型，并优化了输入、输出和隐藏层的数量。最终选择的ANN模型包含9个输入参数（包括孔隙度、厚度、水平和垂直渗透率、注入速度、井底流压、滞后系数、含水层体积和储层压力）和5个输出（包括构造、残余、溶解、矿物和总二氧化碳捕集状态）。Levenberg–Marquardt（LM）算法因其在预测二氧化碳封存方面的高稳定性和效率而被选中，其决定系数（R²）高达0.977。该研究为CCS过程提供了可扩展的框架，结合了复杂的模拟工具和机器学习技术，丰富了我们对CCS过程的理解。
此外，该预测模型可以为CCS项目的选址标准、风险评估和经济分析提供重要贡献，以应对气候变化的威胁，并为更有效和适当的碳管理策略铺平道路。从可持续性的角度来看，该模型在提高碳捕集和储存（CCS）实践的效率和环境责任方面发挥着关键作用。通过准确预测二氧化碳的行为，它有助于更好地规划和管理储存场地，确保二氧化碳安全封存，最大限度地减少泄漏风险。这不仅增强了封存项目的长期稳定性，还有助于减轻潜在的环境影响。最终，该模型支持向更可持续的碳管理解决方案过渡，为减少温室气体排放和应对气候变化的全球努力做出贡献。
作者单位
加拿大里贾纳大学工程与应用科学学院
Abstract
The study represents an innovative method to utilize the strong computational power of CMG-GEM, a numerical reservoir simulator coupled with artificial neural networks (ANNs) to predict carbon storage capacity in saline aquifers. The key parameters in geological storage formations are identified by generating a diverse dataset from CMG-GEM simulation runs by varying the different geological and operational parameters. Robust data analysis was performed to understand the effects of these parameters and access the different CO2 trapping mechanisms. One of the significant novelties of this model is its ability to incorporate additional inputs not previously considered in similar studies. This enhancement allows the model to predict all CO2 trapping mechanisms, rather than being limited to just one or two, providing a more holistic and accurate assessment of carbon sequestration potential. The generated dataset was used in MATLAB to develop an ANN model for CO2 storage prediction across various trapping mechanisms. Rigorous testing and validation are performed to optimize the model, resulting in an accuracy of 98% using the best algorithm, which reflects the model’s reliability in evaluating the CO2 storage. Therefore, the number of simulation runs was significantly reduced, which saves great amounts of computational power and simulation running time. The integration of machine learning and numerical simulations in this study represents a significant advancement in sustainable CO2 storage assessment, providing a reliable tool for long-term carbon sequestration strategies.
Keywords: carbon storage; carbon sequestration; ANN; MATLAB; reservoir simulation; CMG-GEM; saline aquifers; CO2 trapping; sustainability
