基于机器学习的弹性与衰减属性联合反演提升CO2封存饱和度预测精度研究

针对超临界CO2(scCO2)饱和度与速度敏感性低的难题，研究人员创新性地结合弹性参数与衰减特性，通过岩石物理建模生成训练样本，采用XGBoost机器学习算法构建预测模型。该方法在合成地震数据和Frio II实际项目中验证了衰减参数对高饱和度区域识别的显著提升作用，为CCS（碳捕集与封存）监测提供了高精度量化工具。

　　

在全球气候变暖背景下，碳捕集与封存(CCS)技术被视为缓解温室效应的关键手段。然而，如何精准监测地下封存的CO₂空间分布始终是重大挑战。传统地震监测依赖弹性波速度参数，但超临界CO₂(scCO₂)在岩石孔隙中的特殊物理性质导致速度对高饱和度响应迟钝——如图1所示，当饱和度超过临界值后，速度变化趋于平缓甚至反常上升。这种"信号饱和"现象使得现有方法难以区分60%与90%饱和度的本质差异，严重影响封存效率评估和泄漏风险预警。

针对这一瓶颈问题，同济大学的研究团队在《Geoenergy Science and Engineering》发表创新成果，提出融合地震波衰减特性的机器学习预测新范式。研究人员突破传统弹性参数的单维度局限，首次系统整合速度与衰减的双重信息：通过岩石物理建模构建理论训练数据集，采用XGBoost算法建立非线性映射关系，并开发时延黏声全波形反演(TLFWI)技术获取高精度场参数。关键技术包括：1）基于扩展Gassmann方程和白模型(White model)的岩石物理建模；2）面向合成与Frio II实际地震数据的TLFWI反演；3）引入动态体积应变(DVS)理论的机器学习特征工程。

测试结果揭示三大突破性发现

在合成数据实验中，单独使用速度参数预测的饱和度均方根误差达18.7%，而联合衰减参数后误差骤降至6.3%。特别是在80-100%高饱和区间，衰减参数的引入使识别准确率提升逾40%。Frio II项目的实际应用进一步证实，该方法可清晰捕捉CO₂羽流前缘的突破位置，空间分辨率较传统方法提高2倍。

讨论部分指出，该技术的优势在于：1）通过岩石物理先验知识解决机器学习样本稀缺问题；2）衰减参数有效弥补了弹性参数在高饱和区的敏感性缺失；3）TLFWI反演保障了参数提取精度。研究团队特别强调，对于复杂地质条件，采用速度变化量(ΔV_P)等相对属性能更好消除岩性干扰。

这项研究为CCS监测提供了全新方法论框架，其意义不仅体现在预测精度的数量级提升，更开创了"理论建模+机器学习+多参数融合"的智能解释范式。未来可进一步结合数字孪生技术，实现CO₂封存系统的实时动态优化，为全球碳中和目标提供关键技术支撑。