深度学习辅助热-水-力学耦合InSAR建模在CO2封存表征与地表形变预测中的创新研究

本推荐综述深入探讨了整合干涉合成孔径雷达（InSAR）技术与深度学习算法（pix2pix）在CO2地质封存（GCS）监测中的前沿应用。通过热-水-力学（THM）耦合模拟与生成对抗网络，研究实现了对地下岩相、孔隙度的精准预测及长期CO2羽流迁移趋势分析，为封存安全性与地表形变预警提供了创新解决方案。

　　

3D anticline channel aquifer storage modelling

本研究假设一个真实的3D背斜河道化含水层作为CO₂封存目标储层，用于验证所提出工作流程的可行性。该模型是一个合成实现，灵感来源于背斜相关河道系统中常见的沉积和构造特征。为应对地下不确定性，生成了多个地下模型的实现。此外，模型的岩石物理属性基于Volve油田的测井数据。

THM-Based surface deformation forward model

基于前述THM模拟器的结果，在表2所述操作条件下，CO₂注入五年后最大地表隆起达到0.04米。此外，隆起地表的模式显著受河道走向的影响，如图7(a)所示。这是因为CO₂羽流主要沿高渗透率区域迁移，导致主要压力变化与河道方向一致。

为评估……

Conclusion

本研究提出了一种新颖的基于深度学习的CO₂封存储层表征框架，通过整合多相流和THM模拟与pix2pix生成模型。该方法利用耦合流体-地质力学模拟构建地表形变模型，并利用这些数据推断关键地质属性如岩相和孔隙度。与传统的仅关注压力和饱和度监测的InSAR研究不同，本研究强调……

Funding statement

这项研究部分得到INHA大学研究基金（69892 & 72457）的支持。

CRediT authorship contribution statement

Eunsil Park： 撰写初稿，可视化，概念化。Hyunmin Kim： 审阅编辑，可视化，验证，方法论，数据管理。Hyundon Shin： 资源提供，项目管理。Honggeun Jo： 审阅编辑，监督。