基于图网络代理模型的水平注入井优化配置提升CO2封存效率研究

针对CO2封存中多水平井布局优化计算成本高的问题，斯坦福大学团队开发了图网络代理模型(GNSM)，通过编码-处理-解码框架预测3D压力场和CO2饱和度场，实现120倍加速且误差低于6.8%，为大规模碳存储提供了高效优化工具。

　　

随着全球碳中和进程加速，地质碳封存(CCS)技术成为减少温室气体排放的关键手段。然而，从示范规模转向商业化运营时，如何高效配置CO₂注入井成为核心挑战——既要最大化利用有限孔隙空间，又要控制封存成本与风险。传统基于数值模拟的优化方法因计算耗时难以满足实际需求，而现有机器学习代理模型多局限于二维或单井场景，无法处理三维储层中多水平井的复杂流体动力学问题。

斯坦福大学团队在《International Journal of Greenhouse Gas Control》发表的研究中，创新性地将图网络代理模型(GNSM)应用于CO₂封存优化。该研究基于美国伊利诺伊州Mt. Simon地层的67km×67km×122m三维地质模型，针对四口水平井的布局优化问题，开发了包含压力图神经网络(PresGNN)和饱和度图神经网络(SatGNN)的双重预测体系。通过引入处理多射孔节点的新架构、整合深度和垂向距离等三维特征，模型在测试集上实现了压力4.2%和饱和度6.8%的中位相对误差，同时较传统数值模拟获得120倍的加速效果。

关键技术包括：1) 基于编码-处理-解码框架的图神经网络架构；2) 独立训练的压力与饱和度预测网络；3) 用于井底压力(BHP)预测的多层感知机；4) 结合差分进化算法(DE)的优化流程。研究使用美国Mt. Simon地层真实数据构建训练集，包含多种渗透率场和井位配置。

【GNSM框架】部分显示，模型通过节点特征(孔隙度、深度等)和边特征(水平/垂直距离)构建计算图，采用消息传递机制处理三维空间关联。特别设计的射孔节点模块能准确捕捉水平井穿过多网格块的复杂流动。

【测试性能】结果表明，在预测CO₂足迹（定义为饱和度>0.01的区域）时，GNSM与高保真模拟的差异仅1.3%。即使对训练集外的新渗透率场，模型仍保持稳定表现，证实其泛化能力。

【优化应用】章节证实，以最小化CO₂足迹为目标、考虑井距约束和BHP限制的优化中，GNSM指导的方案与传统模拟结果高度吻合，但计算耗时从数天缩短至小时级。

结论部分强调，这是首个能处理三维多水平井CO₂封存的图网络代理模型，其创新性体现在：1) 三维特征编码方案；2) 多射孔节点处理；3) 联合BHP预测架构。该成果为百万吨级碳封存项目的实时决策提供了可能，未来可扩展至耦合地质力学效应等更复杂场景。研究由GeoCquest II项目资助，计算资源由SDSS中心提供。