基于RU-Net代理模型对复合封闭系统中CO2储存能力的砂箱实验研究

《International Journal of Greenhouse Gas Control》：A RU-Net-based surrogate study of sand tank experiments for CO 2 storage capacity in composite confining systems

　　

# 摘要

随着全球二氧化碳排放量的持续上升，地质碳封存仍然是减缓气候变化的关键策略。传统封存方案依赖于具有连续盖层的储层，而由不连续屏障构成的复合封闭系统近年来因其通过非均质性抑制泄漏的能力而成为极具前景的替代方案。现有的基于物理沙箱或商业模拟器的评估方法往往计算成本高昂或缺乏灵活性。在本研究中，我们开发了一个基于全场RU-Net的代理模型，利用模拟数据训练该模型以预测不同毛细管压力场和注入位置下的流动路径与封存容量。我们展示了该计算高效且精确的代理模型如何实现对屏障几何结构和注入优化进行全局敏感性分析——而这些分析若使用物理实验或全物理模拟则代价高昂。我们的结果表明，封存容量无法归因于任何单一的几何参数，而是源于屏障长度、翼角和倾角之间的相互作用效应。这些结果共同表明，全场机器学习代理模型可以作为一种高效且实用的决策支持工具，用于异质地质碳封存系统中的筛选、敏感性分析和注入设计。

## 引言

在实现全球气候目标的背景下，大规模二氧化碳（CO?）捕获、封存与利用的需求是明确且迫切的，正如IPCC第六次评估报告（IPCC, 2023）所强调的。将CO?封存在深层地下地层中仍然是实现永久封存最有前景的策略之一（Hovorka和Kelemen, 2021）。历史上，安全封存一直依赖于厚实的连续盖层密封，类似于捕获烃类的盖层（Espinoza和Santamarina, 2017；Kaldi等, 2013）。虽然这些传统系统有效，但它们限制了可用封存场地的范围。近期研究引入了一种替代概念：复合封闭系统，它由多个可能不连续的屏障组成，通过毛细管力共同阻碍CO?的垂直运移（Bakhsian等, 2023；Bump等, 2023；Ni等, 2024）。这些系统利用自然非均质性来分散并固定CO?，为场地选择提供了新的机会，并扩展了封存选项的组合。

理解复合封闭系统中的封存容量和羽流运移对于筛选封存场地和设计注入策略至关重要。封存容量决定了在不面临泄漏风险的情况下可以安全固定的CO?量（Ni等, 2024）。先前的研究采用了中尺度沙箱实验来研究羽流运移和捕获机制，以指导场尺度模拟（Krishnamurthy等, 2019；Trevisan等, 2017；Ubillus等, 2025）。Ni等（2024）先前的工作初步研究了复合封闭系统中有效封存CO?所需的某些屏障特征。他们的研究结合了米级沙箱实验与改进的入侵渗流（MIP）模拟，定量分析了在浮力-毛细管主导的流动体制下屏障长度、曲率和粒径对比如何影响CO?封存。结果表明，较长的屏障和有利的地形显著增强了捕获，而粒径级配的影响甚微。值得注意的是，他们的场尺度模拟进一步证实了这些趋势在储层尺度上依然存在，凸显了复合封闭系统即使没有连续密封也能提供安全封存的潜力。这些发现为制定筛选标准奠定了坚实基础，并为异质地层中注入策略的设计提供了参考。

在此基础上，我们提出了一种机器学习代理建模方法，以解决现有物理实验和基于模拟的工作流在研究复合封闭系统方面的局限性。针对小尺度非均质性精细化的物理沙箱实验和全物理模拟虽然对于理解CO?运移和捕获至关重要，但仍然是耗时且资源密集型的工作，限制了其用于综合分析的能力。此外，传统的商业模拟器虽然在建模方面有用且在工业界广泛使用，但通常缺乏快速情景测试和集成到高级分析工作流所需的灵活性和计算效率。虽然基于入侵渗流（IP）的模拟器可以以二重树算法在总节点数为m、被侵入节点数为N的情况下以O(m log m)的速度生成结果，但探索大型系统或高维参数空间以提取统计特性仍然可能计算成本高昂（Masson和Pride, 2014）。

机器学习代理模型作为一种有前景的方法，正在加速计算密集的地下流动模拟、不确定性量化和优化研究。一类方法依赖于利用大量高保真模拟数据学习非均质地下属性与流动响应之间映射的数据驱动方法。卷积神经网络（CNN），特别是编码器-解码器架构如U-Net及其变体，已被成功应用于预测多孔介质系统中压力、饱和度和多相流演化（Zhu和Zabaras, 2018；Mo等, 2019；Tang等, 2020；Wen等, 2021b；Wen等, 2021a）。这些方法利用了地质介质的空间结构，在保持相对于全物理模拟预测精度的同时，可以提供显著的计算加速。

尽管取得了这些进展，大多数现有的代理模型研究侧重于预测由连续流方程控制的平滑状态变量，如压力和饱和度场，或者诸如渗透率、突破时间和产量指标等标量关注量。相比之下，我们的工作考虑的是根据实验室实验标定的入侵渗流模拟。所获得的饱和度场包含稀疏的、高度局域化的且对阈值敏感的连通结构，其拓扑结构可能因毛细管压力场的微小扰动而发生剧烈变化。准确学习这种由连通性主导的运移模式呈现了一个根本不同于传统连续地下流系统代理建模的挑战。我们的机器学习代理模型基于经实验数据标定的物理模拟数据训练，能够提供在不同屏障几何和注入条件下CO?运移和封存的准确预测。这种能力对于复合封闭系统尤为宝贵，因为其中的非均质性和不连续性引入了复杂的流动行为，挑战了传统建模技术。具体而言，我们采用了基于全场RU-Net的代理模型，使用经沙箱实验验证的MIP模拟生成的合成数据集进行训练（Ni等, 2024；Wen等, 2021b）。训练好的代理模型实现了：（1）预测各种复合封闭系统中的CO?封存容量；（2）对屏障几何进行定量敏感性分析；以及（3）识别沙箱中的最优注入位置以最大化封存。

本文余下部分组织如下。第2节介绍了问题背景和用于数据生成的原始模拟器中的MIP算法。第3节描述了数据生成和方法论框架，包括沙箱标定参数、全场RU-Net代理模型的构建、数据预处理和训练程序。第4节展示了代理模型的结果，包括对保留模拟数据的验证、使用Sobol'指标进行的屏障几何全局敏感性分析，以及代理模型辅助的注入优化研究。第5节总结了关键发现并指出了未来工作的方向。

## 第2节：问题背景

如前所述，Ni等（2024）结合了物理流动实验和MIP模拟，研究了在浮力-毛细管主导的流动体制下有效封存CO?所需的屏障特征。物理实验在一个尺寸为60 cm × 2 cm × 60 cm的沙箱中进行，其中使用庚烷和甘油-水混合物分别作为超临界CO?和盐水的模拟介质，以代表地质封存条件。虽然MIP忽略了黏性...

## 数据与方法

本节描述了数据生成过程以及机器学习代理模型的开发和训练，该模型使全局敏感性分析（第4.4节）和注入位置优化（第4.5节）得以实现。

## 结果

本节通过讨论训练过程中的损失行为、在N_test=49个未见场景中的300个注入点评估预测精度、对全域平均孔隙饱和度进行Sobol'敏感性分析以及识别代表性屏障配置的最优注入位置，来展示训练好的代理模型的评估结果。首先进行了图像分辨率降低的验证，以确立后续分析的适用性...

## 结论与未来工作

在本文中，我们开发了一个基于全场RU-Net的代理模型，使用经沙箱实验标定的模拟数据训练，以预测CO?流动路径和封存容量（以全域平均孔隙饱和度S_d量化）。该代理模型实现了高预测精度，并使得原本计算成本高昂的分析成为可能。特别地，我们展示了两个关键应用：全局敏感性分析和注入优化。敏感性分析揭示了S_d...

## CRediT作者贡献声明

Yun-Ting Chou：写作—审阅与编辑，写作—原稿撰写，可视化，验证，方法论，形式分析，数据管理。
Hailun Ni：写作—审阅与编辑，写作—原稿撰写，验证，监督，资源，方法论，获取资助，形式分析，数据管理，概念构思。
Hannah Lu：写作—审阅与编辑，写作—原稿撰写，验证，监督，资源，方法论，获取资助，形式分析，概念构思。

## 免责声明

本报告是受美国政府机构赞助工作的记录。美国联邦政府或其任何机构，或其任何雇员，不对任何披露的信息、设备、产品或过程的准确性、完整性或实用性作任何明示或暗示的保证，也不承担任何法律责任或义务，亦不代表其使用不会侵犯私人拥有的权利。此处提及任何特定...

## 生成式AI及AI辅助技术在论文准备过程中的使用声明

作者在写作过程中使用ChatGPT辅助进行风格润色和清晰度改进。作者已对最终内容进行了编辑和审阅。

## 利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Hannah Lu报告获得了美国能源部的资金支持。Hannah Lu报告获得了美国空军科学研究办公室的资金支持。Hailun Ni报告获得了美国能源部的资金支持。如有其他作者，他们声明没有已知的竞争财务利益或个人关系。

## 致谢

本工作部分由美国能源部DE-SC0023171（H. Lu）和美国空军科学研究办公室FA9550-26-1-0002（H. Lu）资助。H. Ni由墨西哥湾沿岸碳中心和美国能源部DOE Award Number DE-FE0031558资助。

Yun-Ting Chou | Hailun Ni | Hannah Lu
奥登计算工程与科学研究所，美国德克萨斯大学奥斯汀分校