[论文解读] A Digital Twin for Geological Carbon Storage with Controlled Injectivity

Abhinav Prakash Gahlot, Haoyun Li+3 more|arXiv (Cornell University)|Mar 28, 2024

Scientific Computing and Data Management被引用 4

一句话总结

本文提出了一种用于地质封存的数字孪生系统，通过整合考虑不确定性的生成式人工智能与实时监测数据，实现对CO₂注入率的控制并防止盖层破裂。该系统利用时间序列地震与井下数据的序贯贝叶斯推断和神经后验估计，将破裂概率控制在1%以下，置信度达97.5%，当注入速率降低至0.0387 m³/s时，风险从32.59%降至1%。

ABSTRACT

We present an uncertainty-aware Digital Twin (DT) for geologic carbon storage (GCS), capable of handling multimodal time-lapse data and controlling CO2 injectivity to mitigate reservoir fracturing risks. In GCS, DT represents virtual replicas of subsurface systems that incorporate real-time data and advanced generative Artificial Intelligence (genAI) techniques, including neural posterior density estimation via simulation-based inference and sequential Bayesian inference. These methods enable the effective monitoring and control of CO2 storage projects, addressing challenges such as subsurface complexity, operational optimization, and risk mitigation. By integrating diverse monitoring data, e.g., geophysical well observations and imaged seismic, DT can bridge the gaps between seemingly distinct fields like geophysics and reservoir engineering. In addition, the recent advancements in genAI also facilitate DT with principled uncertainty quantification. Through recursive training and inference, DT utilizes simulated current state samples, e.g., CO2 saturation, paired with corresponding geophysical field observations to train its neural networks and enable posterior sampling upon receiving new field data. However, it lacks decision-making and control capabilities, which is necessary for full DT functionality. This study aims to demonstrate how DT can inform decision-making processes to prevent risks such as cap rock fracturing during CO2 storage operations.

研究动机与目标

• 开发一种用于地质碳封存的数字孪生系统，利用多模态数据实现实时监测与不确定性量化。
• 通过将决策机制整合到数字孪生框架中，解决CO₂注入过程中盖层破裂的风险。
• 基于概率约束优化注入速率，确保破裂概率低于预设阈值。
• 通过统一的、数据驱动的虚拟副本，弥合地球物理学与油藏工程等孤立领域之间的鸿沟。
• 展示生成式人工智能与贝叶斯推断如何在碳封存操作中实现主动风险缓解。

提出的方法

• 数字孪生系统采用递归训练方法，利用每个时间步后验抽样生成的模拟状态-观测对对模型进行迭代优化。
• 通过基于模拟的推断实现神经后验密度估计，从而从时序地震与井下数据中实现考虑不确定性的状态估计。
• 在每个时间步应用序贯贝叶斯推断，以更新油藏状态与渗透率的后验分布。
• 对每个样本求解约束优化问题，以在确保油藏压力不超过深度相关破裂压力的前提下，最大化注入率。
• 使用核密度估计（KDE）平滑经验破裂频率分布，以推导出用于决策支持的累积分布函数（CDF）。
• 利用伯努利分布与95%置信水平（Z = 1.96）计算破裂概率的置信区间，并采用保守（左尾）方法选择注入速率。

实验结果

研究问题

• RQ1 数字孪生系统如何整合多模态监测数据（地震与井下观测）以实现在地质碳封存中的不确定性感知状态估计？
• RQ2 何种注入速率可在维持高CO₂注入率的同时将盖层破裂风险降至最低？
• RQ3 贝叶斯推断与生成式人工智能如何用于量化油藏压力与渗透率的不确定性，以支持风险导向的决策？
• RQ4 数字孪生系统能否提供破裂概率的置信区间，以支持保守的运行决策？
• RQ5 与无控制注入相比，通过不确定性感知推断控制注入率，如何减少破裂样本的数量？

主要发现

• 初始注入速率为0.0500 m³/s时，破裂概率为32.59%，95%置信区间为24.47%至40.71%，表明风险过高，不可接受。
• 将注入速率降低至0.0387 m³/s后，破裂概率降至1%以下，且结果的置信度达97.5%。
• 在128个状态样本中，初始注入速率下有43个样本发生破裂，而控制注入速率下仅1个样本破裂。
• 数字孪生系统成功识别出一种保守的注入速率，可将破裂发生率限制在1%以下，并具有高度统计置信度。
• KDE与CDF分析的使用实现了精确、数据驱动的注入速率选择，实现了注入效率与安全性的平衡。
• 该系统表明，考虑不确定性的数字孪生系统可从被动监测转变为通过可控注入率实现主动风险缓解。