综合地球统计与机器学习方法的水库建模技术，用于二氧化碳羽流预测及储存安全评估

《International Journal of Greenhouse Gas Control》：Integrated geostatistical and machine learning reservoir modeling for CO2 plume prediction and storage safety assessment

　　摘要
混合水库属性建模对可靠的二氧化碳（CO2）储存评估至关重要，特别是在井控有限且水库异质性强的地区。本研究提出了一种结合地质统计学和机器学习的工作流程（称为HyGEM），用于生成高分辨率的水库属性模型，以应用于CO2地质储存。该流程整合了放大后的井测井数据、多属性地震体积、地质统计建模和监督机器学习，以预测三维水库网格中的岩石物理属性。首先对放大后的井测井数据应用算术平均法，以保持体积一致性并减少高频噪声。然后使用多种地震属性（包括瞬时带宽、RMS幅度、甜度、RGB颜色、相似性和薄层指示器）来描述注入区周围的地层和结构变化。基于这些输入，流程生成了孔隙度、渗透率、含水量、页岩体积、密度和孔隙压力的三维模型，同时保留了垂直分层和横向异质性。验证结果显示，与传统随机和确定性方法相比，HyGEM方法与原始和放大后的井测井数据高度一致，并且具有更好的地质连续性。预测的属性网格进一步应用于动态CO2注入模拟中，结果表明在高渗透率区域内CO2羽流迁移得到控制，盖层封存效果良好，地质力学行为稳定，且在注入过程中没有明显的盖层失效现象。这些结果表明，HyGEM工作流程为水库特征描述、CO2羽流预测和长期储存安全性评估提供了一种实用且可靠的方法。

引言
二氧化碳（CO2）的地质储存是碳捕获与封存（CCS）的关键部分，其中CO2被永久储存在深部地下岩层中。它被注入多孔储层岩石（如盐水层或枯竭的油田和气田），并由不透水的盖层安全封存，确保长期的安全性和储存可靠性（Ajayi等人，2019；Benson和Cole，2008；Ringrose等人，2021）。因此，为了评估CO2储存的潜力和安全性，需要使用基于网格的属性模型进行数值模拟，这些模型能够反映地下结构和异质性（Class等人，2009；Nordbotten等人，2012；Bandilla等人，2019）。然而，准确的模拟依赖于可靠的属性模型，这些模型不仅要表示关键储层参数（如孔隙度、渗透率、饱和度和页岩体积）的空间变量，还要捕捉地下的垂直分层和横向异质性（Caers，2005；Ringrose，2020；Sun等人，2023）。传统方法（如确定性插值或纯随机方法）在井控有限和地震覆盖稀疏的地区往往难以捕捉复杂的地质特征（Caers，2005；Ringrose等人，2021）。这些方法可能过于简化结构细节，忽略微妙的地层变化，无法真实反映异质性。因此，缺乏详细的分辨率和足够的条件数据可能导致预测CO2移动、压力积累和储存长期性能时出现重大不确定性（Chadwick等人，2005；Class等人，2009；Pawar等人，2016）。

为了克服这些挑战，越来越多地应用机器学习方法来改进地下属性建模。通过学习可用的地震和井数据，这些方法可以更好地捕捉地质变化，即使在井控有限和地震覆盖稀疏的地区也能提供更可靠的模型，从而提高CO2储存行为和性能的模拟精度。最近的一些研究表明，通过使用新颖的数据驱动工作流程，机器学习可以显著增强CO2储存建模，减少不确定性并改进地下行为的预测。Tang等人（2022）开发了一种基于集合平滑多数据同化（ES-MDA）框架的深度学习加速工作流程，该流程利用InSAR衍生的地表位移图来更新三维（3D）地质属性，并预测动态水库压力，并量化不确定性。该方法在一个合成商业规模的地质碳储存模型上进行了演示，通过残差U-Net替代模型提高了计算效率。R. Feng（2023）开发了一种基于物理信息的深度学习方法，用于水库参数反演，以监测地质CO2储存。该方法采用物理信息生成对抗网络（GAN），将岩石物理方程纳入学习过程，并使用不同的潜在向量生成具有相关不确定性的集合预测。应用于Sleipner 2019基准模型（Equinor，2020），该方法从地震速度和密度反演孔隙度和CO2饱和度，相比传统监督学习和物理信息神经网络（PINNs）具有优势，因为它提供了不确定性量化，这对于风险评估和决策至关重要。Bai和Tahmasebi（2021）开发了一种基于地质统计学的信息机器学习（GIML）模型，用于加速计算密集型的普通克里金（OK）算法。该方法仅使用OK估计一小部分未知位置来生成机器学习模型的训练数据，同时将OK的控制方程纳入学习过程。该方法在2D和3D模拟网格上进行了评估，计算时间至少减少了一个数量级，并在不同数量的训练样本下表现出鲁棒性。Liu等人（2021）开发了一种基于生成对抗网络（GAN）的方法，以克服传统地质统计学方法在模拟大陆沉积储层复杂相方面的局限性。对于无条件建模，该方法使用GAN从训练图像中学习地质模式，而一种新颖的无条件-条件模拟协作（UCSC）训练策略实现了尊重井点硬数据的有条件建模。使用合成和真实油田案例的验证表明，所提出的方法能够有效地再现复杂的、非平稳的地质模式，同时满足条件约束，突显了其在水库相建模中的实际潜力。Wen等人（2023）开发了嵌套傅里叶神经算子（Nested FNO），这是一种机器学习框架，用于克服高分辨率3D地质碳储存建模的计算瓶颈。该框架学习了控制偏微分方程的解算子，以预测CO2羽流迁移和不同储层条件、地质异质性和注入方案下的水库压力积累。与传统的数值模拟器相比，Nested FNO的加速速度提高了近70万倍，实现了实时概率预测，为大规模CCS规划和风险评估提供了强大的工具。Tillero（2024）开发了一种高精度的人工神经网络（ANN），作为地质CO2储存现场评估的传统数值模拟的快速替代方法。该模型使用基于合成Bunter砂岩含水层模型的数千次数值模拟实现生成的数据集进行训练，并从六个地质含水层参数和经过的时间预测CO2封存指数和动态储存能力。ANN的R2值超过了0.95，提供了快速可靠的储存性能估计，展示了其在加速CO2储存现场筛选、评估和风险降低方面的潜力。Han等人（2024）扩展了循环R-U-Net替代模型，在复杂地质不确定性下进行历史匹配，有效地校准了地质碳储存模型，同时保持了预测精度。Chen等人（2024）提出了一种基于替代模型的强化学习框架，用于优化地质CO2储存的压力管理策略，实现了高效的运营优化，同时大幅降低了重复水库模拟的计算成本。Tang等人（2024）开发了一种多保真度傅里叶神经算子（FNO），用于创建高效的地质碳储存替代模型，解决了生成高保真度训练数据的高成本问题。该框架结合了低保真度和高保真度数据集，准确预测水库压力和CO2羽流迁移。在具有11万个网格单元的水库模型上评估时，该方法将数据生成成本降低了81%，同时保持了预测精度。此外，在使用不同地质统计模型和水库模拟器生成的更具挑战性的100万个网格单元模型上展示了强大的泛化能力，突显了其在大规模地质碳储存应用中的实用性。M. Tang等人（2022）开发了一种三维循环R-U-Net替代模型，用于预测地质CO2储存中的耦合流动和地质力学响应。该模型在为具有四个垂直注入井的CO2储存场景生成的2000个高保真度地质实现上进行训练，其中储存含水层（40 × 40 × 12网格单元）嵌入在更大的计算域（60 × 60 × 37网格单元）中，包括周围区域、覆盖层和基岩。替代模型准确预测了CO2饱和度、水库压力和地表位移，并成功应用于数据同化，显著减少了使用稀疏地表位移观测值的盖层压力不确定性。Zhang等人（2025）引入了一种基于物理信息的ML框架来预测CO2迁移，克服了传统方法的数据限制。该方法应用于伊利诺伊盆地Decatur项目的单个注入井和173万个单元的高分辨率网格，根据CO2饱和度动态更新渗透率和毛细压力，并通过自定义损失函数施加物理约束。即使训练数据有限或超出训练参数范围，该框架也展示了稳健且准确的饱和度预测，有效减少了实时GCS监测的不确定性。Arafath等人（2025）使用来自两口井的数据集对X区域的CO2储存进行了表征。通过整合井测井数据、地震数据和岩心测量，并结合机器学习，开发了一种高精度的多层感知器（MLP）模型来绘制渗透率图。分析确认了适合储存的高渗透率储层区域（D35-1、D35-2），其上方覆盖着连续的低渗透率盖层（B100），验证了该地点在马来盆地的潜力。虽然早期的研究已经展示了机器学习在CO2储存建模方面的潜力，但大多数现有方法仍然难以生成高分辨率、地质上一致的属性模型，特别是在井控有限的地区准确反映地下异质性。传统的确定性或随机方法通常无法捕捉地震响应和岩石物理属性之间的复杂非线性关系，导致CO2行为预测的不确定性较大。此外，纯数据驱动的机器学习模型可能忽略空间连续性和物理约束，导致不真实的地下表示。为了解决这些限制，本研究引入了一种结合地质统计学和机器学习（HyGEM）的工作流程，该方法结合了监督学习的优势和地质统计先验。该方法整合了放大后的井测井数据和多属性地震体积，以训练学习非线性模式的机器学习模型，同时保持地质结构和空间连续性。所得到的高分辨率三维属性体积（包括孔隙度、渗透率、含水量、页岩体积、密度和孔隙压力）作为CO2注入和耦合地质力学模拟的输入。这种综合方法实现了现实的羽流迁移预测，确保了低渗透率盖层的垂直封存，并支持长期储存完整性的评估。

章节片段
**地质背景**
本节概述了鄂尔多斯盆地西南边缘Hetaoyu煤层研究区的地质背景，并总结了关键数据（图1a）。本节分为以下小节。
**方法与方法论**
本研究采用了一种名为HyGEM（混合地质统计学和集合机器学习）的混合水库建模工作流程，用于在井控极其有限的区域预测三维地震体积中的岩石物理属性。该方法通过一系列顺序步骤实施，旨在将数据驱动的学习与空间地质一致性相结合（图4）。在初始步骤中，使用算术平均法将可用的井测井数据放大到地震网格分辨率，将细样本测量值（孔隙度、渗透率、含水量和页岩体积）转换为代表性的单元值。这个预处理步骤保持了体积平衡，并确保了数值一致性。
**结论**
本研究引入并验证了一种用于CO2地质储存背景下的高分辨率水库属性建模的混合地质统计学和机器学习（HyGEM）工作流程。该方法整合了放大后的井测井数据和多属性地震输入，以训练能够捕捉地震响应和岩石物理属性之间复杂非线性关系的监督机器学习模型。基于算术平均的放大过程确保了...
**资金**
本研究由中国国家关键研发计划（项目编号2023YFB4104200）、国家自然科学基金（项目编号72243011）以及中国能源集团鄂尔多斯煤制液体公司“百万吨级CCUS示范项目工程规划研究”中央企业项目（项目编号21155-PC-DBD-002）资助。他们同意对工作的所有方面负责，确保与工作任何部分的准确性或完整性相关的问题都得到适当调查和解决。

**作者贡献声明**
穆罕默德·阿里（Muhammad Ali）：撰写 – 原稿、数据可视化、验证、软件开发、方法论设计、实验设计、正式数据分析、概念构建。
宁薇（Ning Wei）：撰写 – 审稿与编辑、数据验证、项目监督、资源管理、项目行政、资金筹措、数据整理。
任江（Ren Jiang）：撰写 – 审稿与编辑、数据可视化、软件开发、方法论设计。
王文东（Wendong Wang）：撰写 – 审稿与编辑、软件开发、方法论设计。
林凯奥（Keyao Lin）：数据可视化、软件开发。
贾昌（Chang Jia）：项目行政、资金管理。

**单位信息**
中国科学院岩土力学研究所岩土力学与岩体力学国家重点实验室，中国武汉，430071