使用含哌嗪的水溶液对洗涤配置进行试点测试，以模拟二氧化碳（CO2）捕获过程中的排放情况

《International Journal of Greenhouse Gas Control》：Modeling emissions from pilot testing of wash configurations with aqueous piperazine for CO 2 capture

研究提出一种低成本近地表监测系统，通过实时分析土壤电导率等参数，结合机器学习模型（如随机森林、XGBoost）检测废弃油井的CO?和水泄漏，验证了其有效性和经济性。

　　随着全球对减少温室气体排放的关注日益增加，地质封存二氧化碳（CO?）作为一种重要的碳捕集与封存（CCS）技术，正逐步成为应对气候变化的关键手段之一。然而，这种技术在实施过程中面临着诸多挑战，其中最主要的便是防止CO?和盐水等封存流体的泄漏，以免对环境和生态系统造成潜在危害。此外，由于历史上的石油和天然气开采活动，许多废弃井（plugged and abandoned wells，简称P&A井）可能成为CO?泄漏的潜在通道，尤其是在这些井未被妥善封堵或存在完整性问题的情况下。因此，建立一个高效、低成本的监测系统，以便及时发现这些废弃井的泄漏问题，对于保障环境安全和降低项目风险具有重要意义。

为了应对这一挑战，本研究提出了一种基于地表的监测系统，该系统能够对废弃井进行实时监控，并有效识别可能的泄漏信号。这种监测系统不需要依赖于历史数据的基线调查，因此在实际应用中更具灵活性和可行性。通过在特定实验场地进行受控释放实验，研究人员评估了多种土壤参数对泄漏的敏感性，其中土壤电导率（Electrical Conductivity，简称EC）被证明是最敏感的指标。这一发现为后续的泄漏监测提供了重要的依据，使得EC成为一种理想的监测参数。

在实验过程中，研究人员模拟了不同类型的泄漏场景，包括热水泄漏和CO?泄漏，以及同时发生的水和CO?泄漏情况。这些实验不仅帮助识别了土壤中可能受到泄漏影响的参数，还揭示了泄漏在不同季节和土壤类型中的表现差异。例如，在湿润季节，当CO?被注入到地下水位以下时，其泄漏会在沙质土壤中形成一个较大的局部区域，浓度可达到80%；而在干燥季节，CO?被释放到非饱和带时，其泄漏则表现为更分散的小区域，浓度最高可达60%。这些结果表明，泄漏的检测不仅依赖于特定的参数，还需要考虑环境条件和土壤特性的影响。

为了提高泄漏检测的准确性和效率，研究人员采用了多种机器学习算法，包括逻辑回归、K近邻、支持向量机、随机森林、XGBoost和LightGBM。通过对比这些模型在EC数据中的表现，发现基于树的模型在检测泄漏信号方面优于传统的分类方法。其中，随机森林模型在降低误报率方面表现最佳，而XGBoost模型则在提高检测率方面具有显著优势。此外，使用置信度预测（Conformal Prediction）对不确定性进行量化，结果显示LightGBM模型在泄漏预测中的置信度最高。这些结果表明，机器学习技术在实时泄漏监测中具有广阔的应用前景，尤其是在处理高维和动态变化的数据时。

尽管这些实验是在受控条件下进行的，但所提出的方法展示了其在实际应用中的潜力。传统的泄漏检测方法，如基于土壤气体浓度和通量的监测，虽然在某些情况下有效，但存在诸多局限性。例如，背景土壤呼吸作用可能导致与泄漏信号混淆，尤其是在生物活动频繁或植被茂密的区域。此外，环境因素如降雨和温度波动会显著影响土壤气体浓度的时空变化，使得监测结果难以准确解读。同时，CO?可能以气相或溶解相的形式存在，这进一步增加了监测的复杂性。因此，传统的监测方法往往需要长时间的基线数据收集，这对于项目的时间安排和成本控制提出了更高的要求。

为了克服这些挑战，本研究提出了一种基于数据驱动的监测方法，该方法不需要依赖历史数据，而是通过实时监测和机器学习算法对异常信号进行识别。这种方法不仅提高了监测的灵活性，还降低了实施成本。通过安装多个传感器在废弃井上方，研究人员能够捕捉到泄漏事件引起的土壤属性变化，包括体积含水量（VWC）、电导率和温度等参数的变化。这些参数的变化能够反映出泄漏事件的发生和扩散过程，为监测系统提供关键的输入信息。

在实际应用中，监测系统的设计需要考虑到不同土壤类型和环境条件下的表现差异。例如，在沙质土壤中，CO?泄漏可能更容易被检测到，而在黏土丰富的土壤中，泄漏信号可能更为分散和延迟。因此，监测系统的布局和传感器的分布需要根据具体的地质条件进行优化，以确保能够捕捉到所有可能的泄漏信号。此外，监测系统的长期运行也需要考虑维护和数据处理的成本，确保其在实际应用中具备可持续性。

本研究的实验结果表明，基于EC的监测方法在实际应用中具有较高的可行性。EC的变化能够反映出土壤中水分和离子的动态变化，而这些变化往往与泄漏事件密切相关。通过机器学习算法对EC数据进行分析，研究人员能够有效识别出异常信号，从而及时发现泄漏事件。这种方法的优势在于其低成本和高效率，使得它在大规模监测项目中具有较大的应用潜力。

在实际应用中，监测系统的设计还需要考虑到数据的实时性和准确性。由于CO?泄漏可能在短时间内对环境造成显著影响，因此监测系统需要具备快速响应的能力。此外，数据的准确性对于机器学习算法的性能至关重要，任何数据误差都可能导致模型的误判。因此，监测系统需要配备高质量的传感器，并定期进行校准和维护，以确保数据的可靠性。

除了EC之外，其他土壤参数如体积含水量和温度的变化也对泄漏检测具有重要意义。体积含水量的变化能够反映出土壤中水分的动态变化，而温度的变化则可能与泄漏事件的热效应相关。通过综合分析这些参数的变化，研究人员能够更全面地了解泄漏事件的影响范围和强度。此外，气象数据的引入也为泄漏监测提供了额外的参考信息，帮助识别环境因素对监测结果的影响。

本研究还探讨了泄漏监测中异常信号的分类问题。异常信号可以分为三种类型：点异常、上下文异常和集体异常。点异常是指单个数据点与整体数据存在显著差异，而上下文异常则是在特定环境条件下出现的异常。集体异常则指多个数据点在整体上表现出异常，但单个数据点可能并不异常。在实际应用中，这些异常信号的识别对于及时发现泄漏事件至关重要。通过机器学习算法对这些异常信号进行分类，研究人员能够更准确地判断泄漏事件的发生和扩散情况。

在实施过程中，研究人员还需要考虑监测系统的可扩展性和适应性。由于不同地区的地质条件和环境因素可能存在较大差异，因此监测系统需要具备一定的灵活性，以适应不同的应用场景。此外，监测系统的维护和更新也需要考虑到长期运行的需求，确保其在不同时间和条件下都能保持良好的性能。

最后，本研究的结果表明，基于机器学习的泄漏监测方法不仅提高了检测的准确性，还降低了实施成本。这种方法为未来在废弃井泄漏监测中的应用提供了新的思路和技术支持，有助于推动CCS技术的安全和可持续发展。通过不断优化监测系统和机器学习算法，研究人员希望能够进一步提高泄漏检测的效率和可靠性，为环境保护和能源安全做出更大的贡献。