深度学习加速大规模地质CO2封存的反演建模与实时预测研究

针对传统物理模拟方法在CO2地质封存(GCS)反演建模中耗时过长的问题，研究团队创新性地结合特征粗化技术与傅里叶神经算子(FNO)，开发出深度学习加速工作流。该方案将ES-MDA-GEO数据同化框架与DL模型结合，使历史匹配效率提升三个数量级，为实时决策支持提供新范式。

　　

地质CO₂封存(GCS)是应对气候变化的关键技术，但传统基于物理模拟的反演建模常需数周时间，难以满足实时监测需求。美国洛斯阿拉莫斯国家实验室团队在《International Journal of Greenhouse Gas Control》发表研究，提出深度学习加速的创新解决方案。

研究采用特征粗化技术降低训练数据维度，通过傅里叶神经算子(FNO)构建预测模型，结合2D分段三次插值恢复分辨率。将DL模型嵌入ES-MDA-GEO（带几何膨胀因子的集合平滑器多数据同化）框架，形成端到端工作流。以Clastic Shelf储层模型为案例，采集注入井和监测井压力数据验证性能。

Forward modeling workflow
通过特征粗化提取关键信息，在粗尺度训练FNO模型预测压力/饱和度演化，经插值恢复精细分辨率。与传统CMG GEM模拟器相比，在保持精度的同时显著降低计算成本。

History matching and forecasting
应用ES-MDA-GEO同化监测数据，DL加速工作流使历史匹配时间缩短三个数量级。压力预测结果证实该方法能准确捕捉储层动态变化，满足实时决策需求。

Conclusions
该研究首次实现DL与ES-MDA-GEO的完整集成，为大规模GCS提供分钟级反演能力。特征粗化技术突破DL处理百万级网格的限制，插值方法有效保持预测精度，推动碳封存智能监测技术发展。

研究得到美国能源部化石能源与碳管理项目支持，其提出的SMART（科学驱动的机器学习加速实时决策）框架，为地下工程实时优化开辟新途径。团队特别强调该工作流可扩展至其他多孔介质流动问题，具有广泛适用性。