Predictive Modeling and Simulation of CO2 Trapping Mechanisms: Insights into Efficiency and Long Term Sequestration Strategies

 

本研究通过整合储层模拟、地球化学建模和机器学习技术，对储层中二氧化碳（CO₂）的捕获与封存（CCS）机制进行了全面分析，旨在提高对碳捕获与封存的理解。研究开发了一个二维储层模型，模拟了在实际地质力学和地球化学条件下，二氧化碳注入的动态过程，涵盖了残余、溶解、矿化和构造等多种封存机制。研究还采用了随机森林、梯度提升和决策树等先进的机器学习模型作为智能代理模型（SPM），显著减少了计算时间，同时保持了预测的准确性。结果强调了滞后效应和含水层动力学在提高封存效率和长期二氧化碳储存稳定性中的关键作用。本研究强调了将传统储层工程方法与机器学习驱动的分析相结合的潜力，以优化CCS策略，确保可持续和安全的储存解决方案。

CMG软件应用情况

  • 本文使用了 CMG的Builder、GEM和WinProp软件包 来构建二维网格模型，进行储层模拟和流体特性表征。
  • GEM是一个多相流体流动模拟器，广泛用于提高石油采收率、地质碳储存和其他复杂的储层过程。
  • WinProp是CMG的状态方程多相平衡软件包，用于流体组分表征，特别是在Peng-Robinson状态方程的应用中。
  • 在模拟中，使用CMG软件包建立了100×1×20的笛卡尔网格，模拟了一个中心注入井和两侧的两个生产井的配置，以研究生产井对储层压力分布、二氧化碳饱和度、注入能力和封存效率的影响。

结论

  1. 含水层动力学和生产井的影响：含水层的持续压力支持延长了二氧化碳的侧向迁移，而生产井的局部压力汇改变了二氧化碳的迁移路径，影响了封存效率。这些相互作用在注入和后注入阶段都起着关键作用，后注入阶段由于生产井的压力耗竭和含水层的持续支持，二氧化碳羽流的稳定化时间延长。
  2. 不同封存机制的效率：研究发现，仅依靠基本封存机制（如残余、溶解和矿化）的封存效率有限，而结合滞后效应和含水层支持的封存机制显著提高了二氧化碳的封存效率。特别是，结合滞后效应和含水层支持的封存机制在模拟期间实现了最高的最终封存量（约7.8×10⁷ SCF），是提高长期二氧化碳封存效率的最有效策略。
  3. 智能代理模型的应用：智能代理模型（特别是梯度提升模型）在预测二氧化碳封存效率方面表现出色，能够快速捕捉储层动态和二氧化碳封存行为。这些模型识别出压力、气饱和度、净孔隙体积和时间是影响二氧化碳封存效率的关键参数。
  4. 地球化学与地质力学的耦合效应：研究强调了在二氧化碳注入过程中，地质化学反应（如矿物溶解和沉淀）与地质力学响应之间的耦合效应对于长期二氧化碳封存效果的重要性。这些耦合效应不仅影响封存容量，还影响储存复合体的机械完整性。

作者单位

  • 美国俄克拉荷马大学

图表, 气泡图 AI 生成的内容可能不正确。

表格 AI 生成的内容可能不正确。

图表 AI 生成的内容可能不正确。

图表 AI 生成的内容可能不正确。

图表 AI 生成的内容可能不正确。

图表, 折线图 AI 生成的内容可能不正确。

Abstract:

This study presents a comprehensive analysis of CO₂ trapping mechanisms in reservoirs, integrating reservoir simulations, geochemical modeling, and machine learning techniques to enhance the understanding of carbon capture and storage (CCS). A 2D reservoir model was developed to simulate CO₂ injection dynamics, incorporating various trapping mechanisms: residual, solubility, mineralization, and structural, under realistic geomechanical and geochemical conditions. Advanced machine learning models, including Random Forest, Gradient Boosting, and Decision Trees, were employed to act as Smart Proxy models, significantly reducing computational time while maintaining predictive accuracy. Results highlight the critical role of hysteresis and aquifer dynamics in enhancing trapping efficiency and long-term CO₂ storage stability. The study underscores the potential of combining traditional reservoir engineering methods with machine learning-driven analytics to optimize CCS strategies, ensuring sustainable and secure storage solutions. Keywords: Carbon Capture and Storage; Carbon Dioxide; Smart Proxy Model; Machine Learning; Decision Tree; Random Forest; Peng-Robinson Equation of State

发表评论