基于实验技术的混合CNN-LSTM模型用于预测页岩储层润湿性的变化

《Geoenergy Science and Engineering》：Hybrid CNN-LSTM Model for predicting wettability alterations in shale reservoir based on experimental techniques

提出CNN-LSTM混合模型优化低渗透页岩储层的CO2封存，通过CT扫描、SEM等实验数据解决传统方法计算复杂和泛化能力差的问题。模型实现92%的准确率，MSE误差低于0.02，验证了实时CO2注射优化的可行性，但需在有机/黏土富集储层中进一步验证。

　　这项研究提出了一种结合卷积神经网络（CNN）与长短期记忆网络（LSTM）的混合模型，旨在优化二氧化碳（CO?）在低黏土或有机质含量、脆性、富含石英的硅质页岩储层中的封存效果。通过这一模型，研究人员解决了在页岩低渗透性和复杂裂缝结构条件下，传统和现有机器学习方法在润湿性预测方面的高计算复杂性和泛化能力不足的问题。研究团队利用石英作为硅质页岩的实验替代物，结合CT扫描图像、扫描电子显微镜（SEM）图像、高速摄像机图像以及地质力学测量数据，对模型进行了训练。实验结果显示，超临界CO?注入能够使石英孔隙率提高4.0%，并逆转润湿性至疏水状态，从而扩大CO?的储存容量，但同时也降低了盖层的密封性能。相比之下，水注入则使孔隙率增加2.8%，并使渗透率翻倍，促进亲水润湿性，有助于CO?的捕获。模型在实际应用中表现出高达92%的准确率（液压裂缝的F1分数为0.905），并且在孔隙率和润湿性预测方面具有较低的误差率（分别为MSE 0.015和0.018），这使得实时CO?注入优化成为可能。然而，为了实现更广泛的应用，还需要在富含有机质和黏土的储层中进行验证。

润湿性对CO?封存至关重要，因为它直接影响页岩储层的捕获机制、毛细管压力和储存能力。润湿性在页岩中的表现通常包括亲水性和疏水性两种行为，这两种特性在CO?注入过程中可能发生变化，从而影响封存效果。页岩的孔隙结构，通过汞渗透孔隙度分析（MIP）和扫描电子显微镜（SEM）等实验技术进行表征，能够直接控制润湿性，通过改变毛细管相互作用来影响流体在岩石中的分布和迁移。目前，研究人员已经使用了多种实验技术，如MIP、SEM和气体吸附实验，来研究孔隙大小分布、孔隙率、渗透率等属性。MIP被广泛用于测量各种沉积岩的复杂孔隙结构，并为CO?注入后的岩石行为提供了重要的见解。气体吸附实验则因其能够捕捉更细微的孔隙细节，而被证明在解释复杂孔隙结构方面优于MIP。

尽管这些实验方法在技术上有所改进，但在准确捕捉岩石润湿性的变化方面仍然存在挑战，尤其是当依赖于三维孔隙结构时，传统方法难以完全复制孔隙几何的自然特性。这一局限性凸显了开发更先进技术和数值模型的必要性，以进一步模拟和预测CO?的储存行为。因此，研究人员提出了一种数据驱动的方法，利用反向传播（BP）神经网络来估算在整体液体和多孔介质条件下CO?在原油中的扩散系数。这种方法相较于传统的实验技术更为快速和简便。

在本研究中，数值模拟与深度学习（DL）模型相结合，用于预测碳酸盐气藏中的CH?产量和CO?注入动态。特别关注的是四川盆地的龙王庙组（Longwangmiao Formation），这是研究的重要对象。研究团队采用了三种深度学习算法：时间卷积网络（TCN）、LSTM和门控循环单元（GRU）。结果显示，GRU在不同注入情景下能够提供最准确和高效的CH?回收率和CO?突破时间的预测。研究发现，随着CO?注入速率的增加，突破时间缩短，扫过的区域扩大，CH?的回收率提高。此外，该方法的速度比传统数值模拟快3-4个数量级，这为实时优化CO?-增强型气驱（CO?-EGR）策略提供了强有力的支持。研究还指出，混合机器学习方法如多层感知器与子采样稀疏分解（MLP-SSD）也可用于估算异质性储层中的渗透率。然而，这些方法通常局限于特定的储层和测井数据，因此在更广泛的储层类型中需要进一步验证。

本研究的主要目标是通过结合实验实时数据和深度学习算法，创建一个预测模型，以提高在异质性页岩储层中CO?封存的效率，特别是那些富含石英的储层。这一模型旨在解决地质条件不确定性的问题，例如埋藏历史、裂缝分布、孔隙率和渗透率的变化以及断层再激活的可能性。对这些因素的深入理解对于设计优化和有效的CO?注入策略至关重要。具体而言，研究采用CNN和LSTM的混合方法，以增强润湿性变化的特征提取和时间序列预测能力。这种混合方法突破了当前模型在计算成本高、对动态储层条件适应性差和预测精度低等方面的限制。

先进的高压高温实验设备和软传感器技术使得研究人员能够监测流体与岩石的相互作用，记录在压力、温度和盐水浓度影响下润湿性的动态变化。CNN模块用于分析CT扫描图像，以识别页岩中石英的微结构演化。SEM图像则用于观察表面润湿性的变化，而高速摄像机则用于捕捉动态过程。LSTM模块则利用时间序列实验数据，预测润湿性的长期发展趋势。这种数据驱动的框架为CO?-盐水-岩石相互作用的现实建模提供了支持，增强了对孔隙尺度润湿性动态的理解，并优化了CO?封存策略。

在实验系统和程序部分，研究团队使用了一种多场耦合的三轴高压高温系统，以探索页岩在CO?封存过程中的地质力学变化和裂缝形态变化。石英被选为唯一的测试材料，因为它具有高硅含量和脆性，这与页岩的硅质成分相似，使其成为模拟裂缝行为的理想替代物。通过该系统，研究人员能够获取关于岩石在不同注入条件下的详细数据，包括孔隙结构的变化、裂缝的形成和扩展等。

润湿性逆转的特性部分揭示了在异质性页岩储层中复杂的流体-岩石相互作用。这些结果为优化CO?封存方案提供了坚实的基础，其中节点代表裂缝家族（如层间裂缝、天然裂缝和人工裂缝）及其相应的基质特性。CNN模块能够识别层间裂缝（BP）的主导作用，其平均长度为0.45毫米，裂缝宽度为0.0012毫米，这与初始SEM观察到的颗粒边界特征一致。通过这种识别，研究人员能够更准确地预测不同注入情景下的润湿性变化，从而优化封存策略。

研究结论指出，这项工作开发了一种创新的预测模型，用于优化富含石英的异质性页岩储层中的CO?封存。该模型结合了高压高温实验数据和CNN-LSTM混合方法，能够有效预测CO?在不同注入条件下的行为。石英的高含量使其具有与页岩相似的脆性和孔隙结构，从而增强了模型在实际应用中的泛化能力。此外，该模型为实时优化CO?封存策略提供了新的可能性，有助于提高封存效率和安全性。

在作者贡献部分，研究团队成员各自承担了不同的职责。Dali Hou负责验证、监督、软件开发、资源管理、项目管理、方法论设计、正式分析和数据管理。Liang Huang则负责可视化、验证、监督、软件开发、资源管理、项目管理、方法论设计、正式分析和数据管理，同时参与概念设计。Marembo Micheal负责论文的撰写和审阅、可视化、验证、方法论设计和概念设计。Peng Zhao也参与了论文的撰写和审阅、可视化等工作。

在未引用的参考文献部分，提到了Liu等人在2025年、2018年以及Zhao等人在2024年的相关研究。这些研究可能提供了对实验技术和数值模拟方法的重要背景，但并未在本文中直接引用。

最后，在利益冲突声明中，作者声明没有与本文发表相关的利益冲突。研究得到了中国国家重点研发计划（Grant Nos. 2023YFF0614102和2023YFE0110900）以及中国国家自然科学基金（Grant Nos. 52374004和No.52304003）的资助。这些支持确保了研究的顺利进行，并为未来的研究提供了基础。