基于脉冲中子测井(Pulsed Neutron Logging, PNG)全谱数据的CO2地质封存动态监测混合机器学习(Machine Learning, ML)方法
《Energies》:A Hybrid Machine Learning Method for Dynamic Monitoring of CO2 Sequestration Using Pulsed Neutron Logging
编辑推荐:
本研究提出一种基于全谱脉冲中子测井(Pulsed Neutron Logging, PNG)数据的混合机器学习(Machine Learning, ML)模型,以解决复杂地质条件下碳捕集、利用与封存(Carbon Capture, Utilization, a
本研究提出一种基于全谱脉冲中子测井(Pulsed Neutron Logging, PNG)数据的混合机器学习(Machine Learning, ML)模型,以解决复杂地质条件下碳捕集、利用与封存(Carbon Capture, Utilization, and Storage, CCUS)的监测难题。传统的封存CO2饱和度(SCO2,即CO2Saturation)解释模型(如宏观俘获截面模型、特征峰计数模型及比值模型)严重依赖孔隙度、地层水矿化度和岩性等先验参数,在实际工程中实时获取这些参数通常成本高昂且困难。为降低非均质地质背景下精确监测CO2饱和度对孔隙度、矿化度等复杂先验参数的刚性依赖,研究人员以粤港澳大湾区核心碳封存目标区——珠江口盆地典型地质原型(恩平组与文昌组主力储层)为基础,利用蒙特卡洛模拟构建了高保真全谱中子-伽马响应数据库。研究人员提出了两种机器学习策略:直接回归模型(NMF+SVR)与联合模型(NMF+SVC/KMeans+SVR)。基于蒙特卡洛模拟数据的实验结果表明,与传统岩石物理基准模型及简单机器学习模型相比,所提出的联合学习方法有效降低了CO2饱和度监测对岩性与孔隙度的依赖;即便采用单探测器仪器配置,该方法在复杂岩性条件下亦表现出较高预测精度。值得注意的是,两步联合模型的均方根误差(Root Mean Square Error, RMSE)低至4.200%,显著优于传统基于物理的模型及多层感知机(Multilayer Perceptron, MLP)、随机森林(Random Forest, RF)等单一机器学习模型。本研究为将机器学习应用于基于脉冲中子测井的CO2地质封存监测提供了具物理可解释性与高准确度的技术参考。
论文解读:基于脉冲中子测井全谱数据的CO2地质封存动态监测混合机器学习方法
研究背景与意义
随着全球气候变化加剧,碳捕集、利用与封存(CCUS)成为实现碳中和目标的关键路径,其中CO2地质封存的安全性及有效性评估是核心挑战,需通过动态监测技术实时追踪储层内CO2羽流分布、评价封存效率并监测盖层突破或井筒运移。脉冲中子测井(Pulsed Neutron Logging, PNG)作为过套管评价技术,可通过测量快中子慢化及热中子俘获反应获取地层CO2饱和度(SCO2)与储层信息。传统PNG解释模型(宏观俘获截面Σ模型、特征峰计数模型、H/Si比值模型)需依赖岩性、孔隙度、地层水矿化度等先验参数,且在复杂岩性非均质储层中因参数误判产生较大解释误差;现有改进方法多基于单一物理响应机制的简化参数模型,未能充分利用全谱脉冲中子数据中的能谱特征与时间衰减信息。虽机器学习(ML)可自动学习非线性关系、减少先验依赖,但"黑箱"ML(如简单多层感知机MLP)未充分挖掘PNG全谱信息且缺乏物理可解释性。因此,研究人员以珠江口盆地恩平组和文昌组储层为原型,通过蒙特卡洛(Monte Carlo)模拟构建全谱响应数据库,系统分析传统模型局限,提出引入非负矩阵分解(Non-negative Matrix Factorization, NMF)进行物理特征提取的混合ML策略,以实现少先验参数依赖、具物理可解释性的CO2饱和度高精度反演。该论文发表于《Energies》。
主要关键技术方法
研究人员采用MCNP6程序建立单探测器(源距25 cm,Cs2LiYCl6双粒子探测器,记录伽马能谱、中子时间谱与伽马时间谱,256能道,1 μs时道,D-D中子源2.45 MeV、2×108快中子)PNG正向模型,参照珠江口盆地恩平组与文昌组设置5类砂岩(石英质量分数20%~100%)、4级孔隙度(0.05、0.1、0.2、0.3)、变矿化度NaCl卤水与超临界CO2混合流体及3组随机岩性孔隙度辅助储层,经模拟获得1200组全谱数据集。提出两种ML流程:(1)直接回归模型——NMF降维提取全谱基谱与权重系数后输入支持向量回归(Support Vector Regression, SVR)直接预测SCO2;(2)两步联合模型——NMF特征提取后,先用支持向量分类(Support Vector Classification, SVC)监督分类岩性/孔隙度或用K均值(KMeans)无监督聚类划分样本子集,再对各子集分别训练SVR回归。以RMSE、MAE、决定系数R2、残差单样本t检验及95%置信区间为评价指标,并与传统Σ模型、特征峰计数模型、比值模型及单一MLP、RF模型对比。
研究结果
2. 物理因素驱动的脉冲中子测井CO2监测分析
通过MCNP构建仿真数据库并量化传统模型局限:宏观俘获截面Σ模型依体积岩石物理模型Σf= (1-φ)Σma+ φ[SwΣw+(1-Sw)ΣCO2]求SCO2(Sw换为SCO2),强依赖Σma(骨架Σ)与φ(孔隙度);特征峰计数模型(H 2.223 MeV、Cl 6.11 MeV)受中子慢化长度、密度、能谱重叠及D-D源非弹性伽马产额低限制;H/Si比值模型受泥质含量干扰致基线漂移。定量表明骨架砂岩质量分数差异20%时单一物理模型最大SCO2监测误差近10%,确认传统模型对岩性、孔隙度先验参数存在刚性依赖及引入显著误差的机制。
3. 基于机器学习的CO2饱和度反演方法
全谱计数具非负性及组分叠加特性,引入NMF将谱矩阵V≈WH分解为基谱矩阵W(端元响应谱)与权重矩阵H(混合系数),通过Pearson相关系数与网格搜索确定分量数并筛选与目标相关性高的分量作为输入,较PCA、t-SNE更契合核谱物理量叠加本质。直接回归模型(NMF+SVR)以径向基函数(Radial Basis Function, RBF)核SVR(ε-不敏感损失、6折交叉验证网格寻优C与γ)实现全谱到SCO2映射。两步联合模型先以NMF提取的H矩阵经SVC(One-vs-Rest多分类,优化间隔与松弛变量)按已知岩性/孔隙度标签分类,或以KMeans(最小化簇内平方误差,KMeans++初始化,轮廓系数Silhouette Coefficient选最优簇数)无监督聚类,再对各子集分别建SVR,将全局强非线性问题解耦为局部弱非线性子问题以抑制岩性-孔隙度耦合光谱模糊。
4. 实验结果及模型性能分析
数据集按8:2划分为训练集与测试集。(1)直接回归模型(NMF+SVR):平均MAE 3.992%、RMSE 8.049%、R20.922;残差t=-4.293、p<0.001,95% CI [-2.426%, -0.902%],存在系统性高估SCO2(尤其SCO2<40%区偏差增大),因未分区致岩性变化引入特征噪声。(2)NMF+SVC+SVR:平均MAE 2.248%、RMSE 4.200%、R20.979;残差t=1.228、p=0.2203,95% CI含0,无系统偏估;SVC预分类使SVR专注流体饱和度引起的谱变,低饱和度区误差被有效控制。(3)NMF+KMeans+SVR:性能优于直接回归但不及SVC版,因无监督聚类无法保证子集与地质类别对齐,可能混叠不同饱和度样本或产生大小不均簇致局部欠拟合。(4)单一MLP与RF模型:预测点分散、无明确规律,RMSE与MAE高于联合模型,因全局模型强行拟合多岩性混合数据且在岩性过渡带产生系统偏差。综合对比显示NMF+SVC+SVR联合模型在精度、无偏性与泛化能力上最优。
讨论与结论翻译(Conclusions and Outlook)
本研究提出一种基于全谱脉冲中子测井(PNG)数据的混合机器学习(ML)模型,以解决复杂地质条件下CO2地质封存监测难题,提供了一种具更清晰物理可解释性的机器学习方法。实验证明所提模型在复杂岩性条件下均达较高预测精度,在CO2监测机理上显著优于传统物理模型与单一ML模型。与传统物理驱动模型相比,本ML方法具如下优势:第一,不需或显著降低对孔隙度、岩性等先验参数的依赖即可对全谱信息进行特征提取与回归,单探测器配置进一步降低数据采集成本与经济门槛。第二,模型以数据驱动方式自动完成全谱响应与饱和度间的非线性回归,对特征异常与输入谱噪声具更高容错性,鲁棒性优于基于简化假设的解析模型,且摒弃"黑箱"ML模式使物理含义更清晰。第三,引入"先分类后回归(classify-then-regress)"策略后,分类步骤有效缓解非均质储层混合样品对SVR学习的负面影响,使SVR在特征相似的等频子集内进行回归,降低无关特征干扰,从而在复杂岩性条件下维持高预测精度。本研究局限在于训练数据源自MCNP模拟,井眼环境建模简化可能与实际测井响应存在系统偏差;ML模型对训练数据分布完整性敏感,若未充分覆盖目标储层地质参数变化范围则泛化能力受限。未来研究方向包括:利用实际测井数据进一步验证与优化模型;探索更多ML算法组合用于CO2饱和度反演;深化模型物理可解释性以更好融合地质知识;探索模型在实际CO2泄漏监测场景中的潜在应用。