《Energy》:CO
2 Storage Capacity Estimation in Underground Geological Sites Using Innovative Data-Driven Techniques
编辑推荐:
地下CO2存储是碳捕集与封存(CCS)技术的核心组成部分,在减少温室气体排放和应对全球气候变化中发挥着关键作用。CO2存储容量的重要性在于其与长期、安全封存CO2潜力的直接相关性,从而在降低大气
地下CO2存储是碳捕集与封存(CCS)技术的核心组成部分,在减少温室气体排放和应对全球气候变化中发挥着关键作用。CO2存储容量的重要性在于其与长期、安全封存CO2潜力的直接相关性,从而在降低大气温室气体浓度的同时允许继续使用化石燃料。在本研究中,研究人员采用了三种机器学习方法(多层感知器(MLP)、最小二乘支持向量机(LSSVM)和自适应神经模糊推理系统(ANFIS))及其混合组合(混合MLP-LSSVM、混合MLP-ANFIS和混合LSSVM-ANFIS)来预测各种地下CO2存储场所的存储容量。这些场所包括盐穴、咸水层、枯竭油气藏、煤层层和玄武岩地层。研究人员利用了影响这些场所存储容量的八个技术参数,共包含4545个数据点。结果表明,所采用的三种混合方法在预测CO2存储容量方面非常有效,决定系数(R2)达到0.9999。此外,使用特征重要性方法进行的敏感性分析显示,深度参数对结果的影响最大,而渗透率参数的影响最小。本研究提出了一个全面的机器学习框架,利用各类地下CO2存储场所,结合一组新的技术参数和创新机器学习方法来预测这些场所的存储容量。该方法显著增强了研究结果的全面性和准确性。本研究的发现对于地下CO2存储场所的技术和经济评估具有重要意义,有助于该领域未来项目的宏观决策,同时帮助最小化成本和风险。
地下CO
2存储是碳捕集与封存(CCS)技术的关键环节,对减少温室气体排放和应对气候变化意义重大。然而,现有存储容量估计方法面临诸多局限:体积分析方法过于简化,忽略动态机制;数值模拟计算成本高且数据需求大;传统机器学习研究多局限于单一地质类型,参数集不完整,数据量小,且缺乏混合模型开发。这些问题导致预测精度和通用性不足,难以支持大规模CCS项目选址决策。为此,研究人员开展了一项综合性研究,旨在利用创新数据驱动技术,构建能预测多种地下地质场所CO
2存储容量的高效模型。该研究整合了盐穴、咸水层、枯竭油气藏、煤层层和玄武岩五类场所的4545个数据点,选用深度、厚度、场地完整性、孔隙度、渗透率、压力、温度和效率八个技术参数,采用多层感知器(MLP)、最小二乘支持向量机(LSSVM)、自适应神经模糊推理系统(ANFIS)及其三种混合模型(MLP-LSSVM、MLP-ANFIS、LSSVM-ANFIS),并利用遗传算法(GA)优化超参数。结果表明,混合模型尤其MLP-ANFIS在预测中表现出极高精度,决定系数(R
2)达0.9999。敏感性分析显示,深度是影响最大的参数,渗透率影响最小。该研究为CCS项目选址提供了高效、准确的预测工具,有助于降低技术经济风险,加速部署。论文发表在《Energy》。
**主要关键技术方法**:研究采用的核心方法包括三类独立机器学习模型(MLP、LSSVM、ANFIS)及其三种混合组合(MLP-LSSVM、MLP-ANFIS、LSSVM-ANFIS)。所有模型超参数通过遗传算法(GA)优化,训练/测试/验证集按70/15/15比例划分。敏感性分析采用特征重要性方法和蒙特卡洛(MC)模拟,结合SHAP(SHapley Additive exPlanations)进行模型解释。数据来源为从28篇文献中收集的4545个数据点,涵盖盐穴、咸水层、枯竭油气藏、煤层层和玄武岩五种地质类型。
**研究结果**:
**模型性能评估**:通过R
2、均方根误差(RMSE)、平均绝对误差(MAE)和平方和误差(SSE)评估。混合MLP-ANFIS模型表现最优,R
2达0.9999,RMSE为1.9×10
-6,MAE为1.1×10
-6,SSE为5.8×10
-10,显著优于其他模型。独立模型MLP、LSSVM、ANFIS的R
2分别为0.9998、0.9978、0.9995。
**学习曲线与泛化能力**:训练误差与交叉验证误差曲线显示,MLP和混合MLP-ANFIS模型具有低偏差和低方差,泛化能力良好。ANFIS模型交叉验证误差最高(0.1522),存在过拟合。LSSVM表现稳定,误差小。
**特征重要性分析**:特征重要性方法揭示,深度(F1)在所有方法中平均影响最大,渗透率(F5)影响最小。但在MLP中,温度(F7)影响最大,渗透率影响最小。场地完整性(F3)在LSSVM、ANFIS和混合LSSVM-ANFIS中影响最小,厚度(F2)和效率(F8)在混合MLP-LSSVM和混合MLP-ANFIS中影响最小。
**蒙特卡洛敏感性分析**:对六个模型分别进行MC模拟,结果显示F2(厚度)、F5(渗透率)、F8(效率)为高影响特征,F3(场地完整性)和F6(压力)影响最小。混合MLP-LSSVM模型对特征变化最敏感,ANFIS和LSSVM对关键特征高度响应。
**SHAP分析**:SHAP摘要图显示,深度(F1)和场地完整性(F3)是多数模型中最稳健的预测因子。孔隙度(F4)在ANFIS和混合ANFIS-MLP中重要,渗透率(F5)在MLP和混合MLP-LSSVM中重要。混合模型在特征排序上类似独立模型,但效应幅度更稳定。
**模型验证**:对Sleiprin(咸水层)和Weyburn-Midale(枯竭油藏)两个实际CCS项目进行验证,混合MLP-ANFIS预测容量分别为24.3 Mt和27.8 Mt CO
2,均在报告容量范围内,证明模型有效性。
**讨论与结论**:讨论部分指出,高精度源于模型学习了物理约束关系,而非过拟合。模型在训练参数范围内表现可靠,但外推至其他地质条件需谨慎。深度参数的关键作用强调前期选址应优先考虑深度足够的地层。渗透率影响相对较小,但注入性设计阶段仍不可忽视。研究还讨论了地下存储面临的风险,如泄漏、盖层完整性等,指出机器学习模型可作为初步筛选工具,但需结合现场监测。结论部分翻译如下:本研究开发并验证了一个全面的混合机器学习框架,用于预测盐穴、咸水层、枯竭油气藏、煤层层和玄武岩五种关键地质类型的CO
2存储容量。利用4545个数据点和八个技术参数,通过遗传算法优化了三种独立模型(MLP、LSSVM、ANFIS)和三种混合模型(MLP-LSSVM、MLP-ANFIS、LSSVM-ANFIS)。混合方法,特别是MLP-ANFIS模型,在测试集上展现出卓越的预测精度(R
2≈0.9999)。敏感性分析一致表明,深度是最具影响力的参数,而渗透率在多重地层背景下平均影响最小,这为初始场地筛选提供了实用指导。然而,必须承认该数据驱动方法的内在局限性:模型的高精度仅限于训练数据的参数空间,应用于该范围之外的地质或操作条件时性能可能不确定。此外,模型预测最终存储容量,未考虑注入调度、井位或长期地球化学反应等动态因素。为将该研究转化为CCS项目开发的稳健工具,建议后续工作包括:通过试点项目进行现场验证和持续学习;集成实时监测系统到数字孪生框架中,实现AI驱动的智能注入控制;开发物理信息机器学习模型(如PINNs)以改善外推能力;扩展框架以预测经济指标和风险指标。总体而言,本研究提供了一个高精度、通用化的预测模型,可显著加速并降低CO
2存储场地早期筛选的风险。通过承认局限性并明确验证和集成路径,为在全球范围内大规模部署地质碳存储提供了负责任应用的基础。