AI驱动的CO2封存与提高原油采收率预测框架：枯竭油藏的双重优化策略

为解决CO2封存(CCUS)与提高原油采收率(CO2-EOR)协同优化难题，研究人员开发了基于深度学习(CNN1DF/MLNNF)的智能预测框架，结合改进分布分析(IDA)和分位数转换(QR)预处理技术，在800+实验设计中实现原油采收率与CO2溶解度捕集的双输出预测，R2值达84.21%，较传统CMOST-AI模型精度提升50%，为碳中和目标下的油气田开发提供决策支持。

　　

在全球气候变暖与能源转型的双重压力下，如何实现CO₂减排与油气资源高效开发的协同优化成为能源领域的核心挑战。传统油藏模拟器如Eclipse和CMG虽能评估CO₂封存(CCUS)与提高原油采收率(CO₂-EOR)效果，但存在计算耗时长、网格处理能力有限等问题，且多数研究仅关注单一输出指标。针对这一技术瓶颈，国外研究团队创新性地将人工智能技术与地质工程相结合，在《Journal of Cleaner Production》发表了一项突破性研究。

研究团队以也门Sayun-Masila盆地的枯竭油藏为研究对象，通过CMG-GEM模拟器构建包含280,900个网格的三维地质模型，设计800余组实验数据，涵盖孔隙度(0.22–0.27%)、渗透率(948.5–999.9 md)等10项关键参数。为解决数据异质性和噪声问题，开发了改进分布分析(IDA)预处理技术，通过形态学膨胀(MD)和协方差分析消除季节性趋势；同时采用分位数转换(QR)标准化输出变量。这些数据被输入两个深度学习框架——一维卷积神经网络(CNN1DF)和多层神经网络(MLNNF)，实现原油采收率与CO₂溶解度捕集的双目标同步预测。

关键技术方法包括：1) 基于拉丁超立方采样(LHS)的实验设计；2) IDA三阶段处理（特征对比增强、局部校正、归一化转换）；3) 结合Tanh/Sigmoid激活函数的CNN1D-MaxPooling架构；4) 包含5个稠密层的MLNN模型。所有模型通过均方误差(MSE)和决定系数(R²)评估，训练集占比80%。

研究结果显示：

1. 预处理效果：IDA使非平稳特征（如水循环长度）的ADF统计量从-0.765降至-23.761，显著提升数据质量。QR转换将输出变量范围统一至[0,1]，解决量纲差异问题。
2. 模型性能：MLNNF在完整特征集下R²达81.20%（原油采收率）和81.08%（CO₂捕集），特征减半后性能反升至84.21%。CNN1DF因MaxPooling层保留空间特征，训练速度较MLNNF快30%。
3. 横向对比：相较CMOST-AI的RBF神经网络（R²=100%但存在明显过拟合），本文框架测试集MSE低至0.0084，且能同步输出双指标，计算效率提升50%。

讨论部分指出，该研究的创新性体现在三方面：首先，IDA-QR预处理组合首次应用于油气藏预测，有效解决地质数据的非线性和多尺度问题；其次，双输出深度学习框架突破传统单目标优化局限，为CCUS-EOR协同决策提供实时支持；最后，在也门复杂砂岩-碳酸盐岩储层的成功验证，证明方法对异质地层的强适应性。

这项研究不仅为碳中和目标下的油气田开发提供智能工具，其方法论还可拓展至地热开发、氢气储存等领域。未来工作将聚焦于引入注意力机制提升模型解释性，并开发跨盆地通用预测框架，进一步推动人工智能在能源转型中的深度应用。