An integrated deep learning framework for full-cycle CCUS-EOR evaluation and optimization under carbon neutrality

 

碳捕集、提高采收率（EOR）与封存（CCUS-EOR）被认为是减少温室气体排放同时带来经济效益的有效途径。然而，其实际应用受限于缺乏针对石油表格数据的高级深度学习模型、现有优化方法适应性有限以及缺乏全生命周期CCUS-EOR综合评价。

本研究提出了一种可推广的框架，整合机理实验、数值模拟和深度学习方法以应对这些挑战。开展三阶段实验（油膨胀测试、细管测试和岩心驱替实验）以阐明微观驱替机理并为数值模拟提供关键参数。基于20年CO₂水气交替（WAG）注入及随后19年纯CO₂封存直至2060年的场规模模拟，开发了基于TabPFN（表格先验数据拟合网络）的元学习代理模型，用于联合预测采收率、CO₂封存量和净现值（NPV），与基线模型相比实现了高精度（预测误差<2%，R²>0.97）。

研究进一步应用自适应交叉与自适应变异非支配排序遗传算法II（ACAM-NSGA-II）进行多目标优化以获得最优帕累托解。与基线案例相比，所提出的框架显著提升了CCUS-EOR性能：采收率提高27.05%（从59.5万吨/35.17%提高到105万吨/62.22%），CO₂封存能力提高3倍（从133万吨提高到445万吨），NPV提高68%（从3.44亿美元提高到5.78亿美元）。帕累托前沿进一步划分为三个不同的解区域，阐明了与各聚类相关的潜在物理机制，为面向目标的CO₂-WAG设计提供了明确的操作见解。

CMG软件应用情况

使用软件：CMG-GEM（2022版本，组分模拟器）

具体应用环节：

  1. 流体模型校准与PVT建模
    • 使用CMG WinProp进行流体模型校准，基于油膨胀实验和细管实验数据（膨胀系数、粘度变化、最小混相压力MMP）优化PVT和状态方程（EOS）模块
    • 实验测定MMP为20.87 MPa，WinProp模拟预测为19.73 MPa，两者吻合良好
  2. 储层建模与历史拟合
    • 建立三维储层模型，研究区为吐哈盆地某典型低渗透油田，埋深2158-2793米，地质储量3523万吨，平均渗透率6.15 mD，孔隙度12.5%
    • 从全油田模型（716,220个网格块）中提取代表性子模型（20×18×25网格，4口注水井+15口生产井，地质储量169万吨）
    • 基于1990年以来30余年水驱开发现场生产数据进行历史拟合，验证累积产油量、平均地层压力和产水量
  3. 全生命周期CCUS-EOR数值模拟
    • 开展1147个参数化的蒙特卡罗模拟，涵盖：
      • EOR阶段：20年CO₂-WAG注入（气水注入速率、时间、井底流压等参数优化）
      • 封存阶段：19年纯CO₂封存（直至2060年）
    • 模拟考虑长期CO₂封存阶段注入速率、井级GOR（气油比）关停限制等全周期操作参数
    • 用于生成训练深度学习模型的标签数据（累积产油量、CO₂封存量、NPV）
  4. 优化方案验证
    • 将ACAM-NSGA-II优化得到的帕累托最优解操作参数重新输入CMG-GEM进行验证
    • 对比基准案例与优化案例的时空动态响应（含油饱和度、CO₂饱和度分布）

主要结论

  1. 框架性能：提出的集成框架具有高度可推广性、可扩展性和高效性，实现了全生命周期CCUS-EOR注入策略的自动优化，无需依赖专家知识或先验假设，可同时优化采收率、CO₂封存和NPV三个目标。
  2. 预测精度：TabPFN元学习代理模型表现出卓越的稳定性和准确性，平均R²达0.97，RMSE为0.084，MAPE为1%，显著优于传统基线模型（XGBoost、RF、MLP等），计算速度比传统数值模拟快2000倍以上（单次预测秒级 vs 2-3小时）。
  3. 优化效果：结合ACAM-NSGA-II算法，显著提升了CCUS-EOR性能：
    • 累积产油量从59.5万吨提升至105万吨（采收率从35.17%提升至62.22%）
    • CO₂封存量从133万吨提升至445万吨（提高3.3倍）
    • NPV从3.44亿美元提升至5.78亿美元（提高68%）
  4. 关键参数识别：基于SHAP分析，关键操作参数重要性排序为：
    • 气注入速率(GASI) > 气注入时间(GAS_TIME) > 水注入时间(WATER_TIME) > 生产井底流压(PRO_BHP) ≈ 水注入速率(WATI)
    • 在总注入体积固定的情况下，优先采用较高注入速率而非延长注入时间，是同时提高采收率和CO₂封存效率的最优策略
  5. 帕累托解聚类分析：将帕累托前沿分为三个区域：
    • 高CO₂封存区（Cluster 0）：低WAG比（0.12）、高气注入速率、短水注入时间、高封存阶段注入速率，以近混相-非混相条件为主
    • EOR-封存协同区（Cluster 1）：各参数适中，平衡优化采收率与封存，处于过渡性近完全混相状态
    • 高采油区（Cluster 2）：高WAG比（0.25）、高气水注入量、高生产井GOR限制、低封存阶段注入速率，以完全混相条件为主，采收率最高但CO₂封存能力有限
  6. 工程建议：
    • 生产井地面产液量维持在约55 m³/天
    • CO₂封存阶段注入速率控制在36,000-40,000 m³/天
    • 井级GOR控制比油田级控制更有效，可更好缓解气窜

该研究为石油工程中大规模工程设计（特别是表格预测和多目标优化）提供了可扩展的蓝图框架。

作者单位

中国石油大学（北京）人工智能学院

ABSTRACT

Carbon capture, enhanced oil recovery (EOR)-utilization and storage (CCUS-EOR) is recognized as an effective approach to mitigate greenhouse gas emissions while delivering economic benefits. However, its practical deployment is limited by the absence of advanced deep learning models for petroleum tabular data, the limited adaptability of existing optimization methods, and the lack of comprehensive evaluation for full-cycle CCUS-EOR. Here, we introduce a generalizable framework that integrates mechanism experiments, numerical simulations, and deep learning methods to address these challenges. Three-stage experiments are conducted to clarify microscopic displacement mechanisms and provide key parameters for numerical simulation. Based on field-scale simulations of 20 years of CO2 water-alternating-gas (WAG) injection followed by 19 years of pure CO2 storage until 2060, we develop a TabPFN-based meta-learning surrogate model for joint prediction of oil recovery, CO2 storage, and net present value (NPV), achieving high accuracy (prediction error <2%, R2 >0.97) compared to baseline models. We further apply an improved multi-objective optimization using the Adaptive Crossover and Adaptive Mutation Non-dominated Sorting Genetic Algorithm II (ACAM-NSGA-II) to obtain optimal Pareto solutions. Compared to baseline cases, the proposed framework significantly enhances CCUS-EOR performance, enhancing oil recovery by 27.05% (from 5.95×105 t, 35.17% to 1.05×106 t, 62.22%), tripling CO2 storage capacity (from 1.33×106 to 4.45×106 t), and improving NPV by 68.0% (from $344 million to $578 million). The Pareto front is further divided into three different solution regions, thereby elucidating the underlying physical mechanisms associated with each cluster and providing clear operational insights for target-oriented CO2-WAG design. This study offers a scalable blueprint framework for large-scale engineering design in petroleum engineering, particularly in tabular prediction and multi-objective optimization contexts.

发表评论