利用机器学习从 3D 地震和试井数据预测气体封闭
内容提要
该文汇总多篇研究，探讨机器学习在油气与碳封存中的应用，包括：利用3D地震数据预测油气藏，采用LSTM和集合卡尔曼滤波预测气井流量，使用神经网络等预测渗透率，通过图神经网络模拟CO₂地质封存，以深度学习监测甲烷排放，联合反演重震数据重建地下模型，用U-Net区分盐丘，以及预测燃气轮机排放。
延伸解读
机器学习在油气与碳封存中的多样化应用
文章汇总了多项研究，展示了机器学习在油气藏预测、气井流量预测、渗透率预测、CO₂地质封存模拟、甲烷排放监测、地下模型联合反演、盐丘识别和燃气轮机排放预测等任务中的应用。这些案例表明，机器学习技术正被广泛探索用于解决地下能源和环境问题，覆盖从资源勘探到碳排放管理的多个环节。
模型选择与数据融合的考量
不同研究采用了LSTM、集合卡尔曼滤波、人工神经网络、随机森林、支持向量机、图神经网络、U-Net等多种模型。例如，在气井流量预测中，使用EnKF更新模型比不使用的预测结果更好；在渗透率预测中，FZI岩性分类与机器学习结合具有实际应用价值。这提示读者，针对具体问题需选择合适的模型，并考虑与领域知识或数据同化方法结合。
碳封存监测中的技术进展与验证需求
在CO₂地质封存方面，研究利用图神经网络模拟气体饱和度和孔隙压力演化，并通过深度学习联合反演重震数据重建地下密度和速度模型，以预测CO₂羽流。联合反演优于单一数据反演，但未来工作需使用更大数据集验证，并进行其他地质封存地点的模拟和现场数据验证。这表明该技术虽具潜力，但离实际部署仍需进一步验证。
甲烷排放监测的多任务学习框架
针对甲烷排放监测，文章提出了基于深度学习的定量框架，包括浓度反演、烟团分割和排放速率估计三个子任务，并引入多任务学习提高准确性。另一项研究使用集成学习方法，结合多种气象特征，检测CH₄存在并预测其强度。这些方法旨在实现主动快速的泄漏检测，但实际性能可能受气象条件和数据质量影响。
Q&A
如何利用3D地震数据预测油气藏扩散概率？
该研究开发了一种自主方法，基于3D地震勘探数据和地质信息，实现对地质地球物理数据的专家独立概括，并利用该概括通过假设检验和生成地质模型来预测油气藏扩散的概率。
LSTM和集合卡尔曼滤波如何用于气井流量预测？
研究使用改进的深度LSTM模型和集合卡尔曼滤波器（EnKF），在评估输入参数不确定性的同时预测成熟气井的气体流量，并利用新数据更新模型以提高预测准确性。实验结果表明，使用EnKF更新模型的预测结果比未使用EnKF的预测更好。
机器学习预测渗透率时，哪种算法更有效？
研究比较了人工神经网络、随机森林分类器和支持向量机三种模型在预测渗透率方面的有效性，并利用FZI岩性分类技术分析影响油藏质量的因素。结果表明，FZI模型和机器学习算法在预测渗透率和提高油藏性能方面具有一定的实际应用价值。
图神经网络如何模拟CO2地质储存过程？
研究利用基于图神经网络（GNNs）的模型，结合MeshGraphNet（MGN）一步GNN模型和基于图形的卷积长短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的CO2地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化，并展现更高的准确度和更少的时间误差积累。
深度学习如何用于监测甲烷排放？
研究提出了一种基于深度学习的定量甲烷排放监测框架，包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。此外，还使用多个数据驱动的机器学习模型测试了识别泄漏CH4及其强度的表现，采用集成学习方法构建加权集成ML模型，用于检测CH4的存在和预测其强度。
联合反演重震数据如何帮助CO2封存监测？
研究引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，目标是预测地下CO2羽流，作为监测CO2封存部署的补充工具。该联合反演技术优于基于深度学习的仅有重力或仅有地震的反演模型，实现了改进的密度和速度重建、准确的分割以及更高的R-squared系数，表明基于深度学习的联合反演是一种有效的CO2储存监测工具。
