深度学习辅助的地质碳封存实时监测框架：压力与CO2饱和度场的高精度预测

为应对地质碳封存（GCS）中CO2羽流迁移、盖层破裂等环境风险，研究人员开发了一种基于深度学习（DL）的监测框架，通过编码器-解码器人工神经网络（ANN）和长短期记忆网络（LSTM）联合模型，从稀疏地表形变和注入压力数据中实时预测储层压力场与CO2饱和度场。该研究为GCS安全运营提供了高效、可解释的监测工具，成果发表于《International Journal of Greenhouse Gas Control》。

　　

地质碳封存（GCS）被视为缓解气候变化的关键技术，但CO₂注入过程中可能引发羽流迁移、盖层破裂甚至诱发地震等风险。传统监测方法依赖计算密集型数值模拟，难以实现实时预测，且稀疏传感器布局的优化缺乏系统性解决方案。针对这些挑战，由Giovanni Zingaro领衔的研究团队在《International Journal of Greenhouse Gas Control》发表论文，提出了一种创新的深度学习监测框架。

研究团队采用多网络架构：首先通过编码器-解码器ANN将稀疏地表形变和注入压力数据反演为全储层压力场；随后利用LSTM网络结合压力历史和CO₂注入计划预测饱和度场的时空演化。数据集基于渗透率、孔隙度和动态注入方案的参数化合成数据生成，并引入可解释人工智能（XAI）技术优化传感器布局。

问题与方法
研究通过耦合数值模拟与深度学习，解决了GCS监测中的两大核心问题：1）如何从有限观测数据重构全场压力分布（逆问题）；2）如何预测CO₂饱和度的动态演化（正问题）。关键技术包括：1）基于合成数据的多参数化训练集构建；2）ANN-LSTM混合模型设计；3）集成梯度（Integrated Gradients）等XAI方法用于传感器选址。

研究结果

1. 压力场反演：编码器-解码器ANN在仅使用15个地表形变监测点时，压力场预测误差低于5%，显著优于传统反演方法。XAI分析揭示储层边缘和注入井附近为最优传感器布设区域。
2. 饱和度预测：LSTM模型成功捕捉动态注入（如间歇性停注）对CO₂羽流形态的影响，饱和度预测与数值模拟结果的相关系数达0.93。
3. 案例验证：以加拿大安大略省砂岩储层为例，模型在非均质渗透率条件下仍保持鲁棒性，压力-饱和度耦合预测耗时仅为传统方法的1/1000。

结论与意义
该研究首次实现了基于稀疏数据的GCS全过程实时监测，其模块化框架允许替换特定组件以适应不同地质条件。通过XAI指导的传感器优化，在保证精度的前提下将监测成本降低60%。成果为碳封存项目的风险预警和调控决策提供了可落地的技术方案，同时为其他地下工程监测（如页岩气开发）提供了范式参考。未来工作可拓展至多井注入场景及实际场地数据验证。