[論文レビュー] Inference of CO2 flow patterns -- a feasibility study

Abhinav Prakash Gahlot, Huseyin Tuna Erdinc+3 more|arXiv (Cornell University)|Nov 1, 2023

Reservoir Engineering and Simulation Methods被引用数 4

ひとこと要約

本研究では、時間分解能のある地震データとウェルデータを統合することで、条件付き正規化フロー（CNF）を用いてCO2プロームパターン（規則的および漏れあり）を推定し、不確実性を伴った推論を可能にする手法を提案する。この手法は、実際の誤差と強く相関する不確実性推定を伴い、炭素隔離・貯留システムにおける早期漏れ検出の可能性を示している。

ABSTRACT

As the global deployment of carbon capture and sequestration (CCS) technology intensifies in the fight against climate change, it becomes increasingly imperative to establish robust monitoring and detection mechanisms for potential underground CO2 leakage, particularly through pre-existing or induced faults in the storage reservoir's seals. While techniques such as history matching and time-lapse seismic monitoring of CO2 storage have been used successfully in tracking the evolution of CO2 plumes in the subsurface, these methods lack principled approaches to characterize uncertainties related to the CO2 plumes' behavior. Inclusion of systematic assessment of uncertainties is essential for risk mitigation for the following reasons: (i) CO2 plume-induced changes are small and seismic data is noisy; (ii) changes between regular and irregular (e.g., caused by leakage) flow patterns are small; and (iii) the reservoir properties that control the flow are strongly heterogeneous and typically only available as distributions. To arrive at a formulation capable of inferring flow patterns for regular and irregular flow from well and seismic data, the performance of conditional normalizing flow will be analyzed on a series of carefully designed numerical experiments. While the inferences presented are preliminary in the context of an early CO2 leakage detection system, the results do indicate that inferences with conditional normalizing flows can produce high-fidelity estimates for CO2 plumes with or without leakage. We are also confident that the inferred uncertainty is reasonable because it correlates well with the observed errors. This uncertainty stems from noise in the seismic data and from the lack of precise knowledge of the reservoir's fluid flow properties.

研究の動機と目的

• 地質的炭素隔離（GCS）におけるCO2移動パターンを不確実性評価とともに推定するための機械学習フレームワークの開発。
• マルチモーダルな時間分解能データを用いて、規則的および漏れありCO2プロームパターンの微細な差異を特定する課題に対処する。
• 条件付き正規化フローが、ノイズが混在した現実的で不確実な観測からCO2飽和度と関連する不確実性の後方分布を信頼できるように推定できるかどうかを評価する。
• 複雑で不均一な蓄積層における推定不確実性と実際の再構成誤差との相関関係を評価する。
• データ駆動型推論を用いた不確実性を考慮したリアルタイム監視システムの基盤を構築する。

提案手法

• 条件付き正規化フロー（CNF）は、$ \mathbf{x} $ をCO2飽和度画像、$ \mathbf{y} $ をマルチモーダル観測ベクトルとする後方分布 $ p(\mathbf{x} \mid \mathbf{y}) $ をモデル化するために訓練される。
• 観測ベクトル $ \mathbf{y} $ には、地震画像データ、ウェルボア圧力、およびウェルボア飽和度測定値の3つの要素が含まれる。
• トレーニングデータは、透水率 $ \mathbf{K}^{(i)} \sim p(\mathbf{K}) $ のランダム実現を伴う貯留層シミュレーションにより生成され、それに応じてCO2飽和度 $ \mathbf{x}^{(i)} $ および時間分解能観測 $ \mathbf{y}^{(i)} $ が得られる。
• 時間分解能地震画像は、ベースラインおよびモニタリング調査に対して逆時空間移行（RTM）を適用して作成され、信号対雑音比は8.0 dB、15 Hzリッカー波形を用いる。
• トレーニングの目的関数は、Kullback-Leibler発散を最小化するもので、損失関数 $ \mathcal{L}(\theta) = \mathbb{E}_{\mathbf{x},\mathbf{y}}[ \frac{1}{2}||f_\theta(\mathbf{x};\mathbf{y})||_2^2 - \log|\det(\mathbf{J}_{f_\theta})| ] $ で定義される。
• トレーニング後、CNFは未観測のテストケースについて後方サンプルと不確実性推定（正規化された標準偏差）を生成する。

Figure 1: Creation of training and testing data for the conditional normalizing flow. Training pairs are simulated by running fluid flow simulations ( $\mathcal{M}$ ) for random samples of the permeability ( $\mathbf{K}^{(i)}\sim p(\mathbf{K}),\,i=1\cdots N$ ). These reservoir simulations produce sa

実験結果

リサーチクエスチョン

• RQ1 条件付き正規化フローは、規則的および漏れありの両方の流れ状況を含むマルチモーダル時間分解能データから、CO2プロームパターンを正確に推定できるか？
• RQ2 地震ノイズおよび貯留層の不均一性の下で、推定された不確実性推定値と実際の再構成誤差との相関関係はいかほどか？
• RQ3 モデルは、誤検出や見逃しを伴わず、漏れありと非漏れありのケースを区別できるか？
• RQ4 複雑な地質的条件下で、後方分布の平均推定値は真値の飽和度パターンとどの程度一致するか？
• RQ5 CNFは、不確実な貯留層特性下でのCO2プローム進化に伴う一意でない性質および非線形性を効果的に扱えるか？

主な発見

• 後方分布の平均推定値は、漏れなしケースで構造的類似性指数（SSIM）が0.97、漏れありケースで0.96を達成し、真値に極めて近い再構成を示した。
• 推定不確実性は、漏れが発生する場所であるプローム上部および亀裂帯付近の地質的に複雑な領域で最も高くなり、実際の再構成誤差と強く相関していた。
• 36件のテストサンプルすべてで誤検出や見逃しを生じさせず、漏れありおよび非漏れありの両ケースを正しく同定した。
• 不確実性推定値は、地震データのノイズおよび貯留層特性に関する正確な知識の欠如と整合的であり、妥当性が裏付けられた。
• 変化が小さくノイズにかき消されがちな場合でも、規則的および不規則な流れパターンの微細な差異を効果的に捉えた。
• 本研究の結果は、CNFを用いた不確実性を考慮したCO2モニタリング推論の可能性を示しており、リアルタイムデジタルツインシステムの基盤を築くものである。

Figure 2: Outputs from the trained network for no-leakage case. Refer to Appendix B for details on performance metrics and additional examples.