[论文解读] A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior during Geological CO2 Sequestration Injection and Post-Injection Periods

Bicheng Yan, Bailian Chen+2 more|arXiv (Cornell University)|Jul 15, 2021

CO2 Sequestration and Geologic Interactions被引用 15

一句话总结

本文提出了一种基于傅里叶神经算子的鲁棒深度学习工作流程，用于预测地质封存过程中CO2注入及注入后阶段的压力和CO2饱和度演化。通过为注入阶段和后注入阶段分别训练模型，并将累计CO2注入量作为特征输入，该方法在保持跨时间与空间尺度高预测精度的同时，相较于物理模拟实现了250倍的速度提升。

ABSTRACT

This paper contributes to the development and evaluation of a deep learning workflow that accurately and efficiently predicts the temporal-spatial evolution of pressure and CO2 plumes during injection and post-injection periods of geologic CO2 sequestration (GCS) operations. Based on a Fourier Neuron Operator, the deep learning workflow takes input variables or features including rock properties, well operational controls and time steps, and predicts the state variables of pressure and CO2 saturation. To further improve the predictive fidelity, separate deep learning models are trained for CO2 injection and post-injection periods due the difference in primary driving force of fluid flow and transport during these two phases. We also explore different combinations of features to predict the state variables. We use a realistic example of CO2 injection and storage in a 3D heterogeneous saline aquifer, and apply the deep learning workflow that is trained from physics-based simulation data and emulate the physics process. Through this numerical experiment, we demonstrate that using two separate deep learning models to distinguish post-injection from injection period generates the most accurate prediction of pressure, and a single deep learning model of the whole GCS process including the cumulative injection volume of CO2 as a deep learning feature, leads to the most accurate prediction of CO2 saturation. For the post-injection period, it is key to use cumulative CO2 injection volume to inform the deep learning models about the total carbon storage when predicting either pressure or saturation. The deep learning workflow not only provides high predictive fidelity across temporal and spatial scales, but also offers a speedup of 250 times compared to full physics reservoir simulation, and thus will be a significant predictive tool for engineers to manage the long term process of GCS.

研究动机与目标

• 开发一种高保真、计算高效的深度学习工作流程，用于预测地质CO2封存（GCS）作业期间的多相流行为。
• 解决在注入与后注入阶段准确建模压力与CO2饱和度时空演化动态的挑战。
• 通过为不同阶段分别训练深度学习模型，区分注入与后注入阶段的动力学差异，以提升预测精度。
• 评估不同输入特征（尤其是累计CO2注入量）对模型性能的影响。
• 实现长期GCS过程的快速、可扩展模拟，为工程决策提供支持。

提出的方法

• 工作流程采用基于傅里叶神经算子的深度学习架构，学习从输入特征到时空状态变量（压力与CO2饱和度）的映射关系。
• 输入特征包括岩石属性、井控操作参数、时间步长以及累计CO2注入量。
• 训练了两个独立的深度学习模型：一个用于注入阶段，另一个用于后注入阶段，以反映不同主导流动机制。
• 利用三维非均质盐水层中物理模拟生成的数据训练深度学习模型。
• 通过在时空维度上对比预测结果与参考物理模拟结果，评估模型性能。
• 工作流程整合了特征工程策略，以评估输入变量组合对预测保真度的影响。

实验结果

研究问题

• RQ1 在深度学习建模中将注入与后注入阶段分离，对压力与CO2饱和度预测精度有何影响？
• RQ2 将累计CO2注入量作为模型输入，对预测性能有何影响？
• RQ3 是否能够通过在完整GCS过程中训练单一深度学习模型，使其在CO2饱和度预测方面优于分阶段模型？
• RQ4 傅里叶神经算子架构在多大程度上实现了对复杂多相流物理特性的准确且高效模拟？
• RQ5 与完整物理储层模拟相比，该深度学习工作流程在速度与精度方面表现如何？

主要发现

• 采用两个独立的深度学习模型（分别用于注入与后注入阶段）在压力演化预测方面取得了最高精度。
• 包含累计CO2注入量作为特征的单一深度学习模型，在CO2饱和度预测方面实现了最高精度。
• 将累计CO2注入量作为特征显著提升了后注入阶段压力与饱和度预测的模型性能。
• 该深度学习工作流程在保持高预测保真度的同时，相较于完整物理储层模拟实现了250倍的速度提升。
• 该模型在真实三维非均质盐水层环境中，表现出对多样化时空尺度的稳健性能。
• 基于傅里叶神经算子的架构有效捕捉了多孔介质中多相流的复杂物理特性，具备高度泛化能力。