深度学习代理模型在表面位移和流动中的加速训练及其在基于MCMC的CO2储存作业历史匹配中的应用
内容提要
本文探讨了深度学习代理模型在地质碳储存中的应用，利用深度卷积和递归神经网络提高地下水流预测的准确性，减少不确定性。同时，研究了图神经网络和傅里叶神经操作器在复杂地质模型中的应用，优化了CO₂储存的监测和管理。通过历史匹配和数据同化技术，显著提升了模型的预测精度和效率。
延伸解读
代理模型加速历史匹配的关键进展
文章梳理了2019至2024年间深度学习代理模型在地质碳储存历史匹配中的演进。从早期基于长短时记忆网络的动态水流预测，到图神经网络处理非结构化网格，再到多保真度傅里叶神经操作器降低高保真数据成本，代理模型逐步解决了计算效率与预测精度的平衡问题。特别是2023年后的研究，将代理模型嵌入马尔可夫链蒙特卡洛工作流，实现了与真实模型更接近的3D压力和饱和度预测，显著降低了地质不确定性。
多模态数据联合反演提升监测能力
文章指出，基于深度学习的联合反演方法能同时利用时间序列表面重力和地震数据，重建地下密度和速度模型，其效果优于仅用重力或仅用地震的反演。这种多模态方法提高了CO₂羽流预测的准确性，并实现了更高的R-squared系数。同时，图网络代理模型将流动模型转换为计算图，以单相稳态压力解为特征，在测试中达到1-2%的压力和饱和度预测精度，并带来36倍的运行时间加速，为井位和控制优化提供了稳健工具。
数据同化与代理模型结合的优势与局限
文章提到，利用机器学习代理模型进行数据同化，可以显著提高标准ESMDA过程的速度，并且基于代理模型的随机最大似然方法在确定性建模和不确定性量化方面优于传统ESMDA。然而，这些研究大多基于合成或特定地质模型，未来需要更大数据集验证，并推广到其他封存地点，最终用现场数据检验。这表明代理模型在工业规模应用前，仍需解决泛化性和实际数据适配的挑战。
Q&A
深度学习代理模型如何提高地下水流预测的准确性？
深度学习代理模型通过深度卷积和递归神经网络结构，减少预测的不确定性并提高模型速度。
图神经网络在CO2储存中的应用效果如何？
图神经网络能够准确预测气体饱和度和孔隙压力的时间演化，展现更高的准确度和更少的时间误差积累。
如何通过历史匹配降低地质不确定性？
通过历史匹配和数据同化技术，可以显著提升模型的预测精度和效率，从而降低地质不确定性。
多保真度傅里叶神经操作器的优势是什么？
多保真度傅里叶神经操作器可以减少高真实度数据生成成本，改善工业规模碳储存运营中的含水层管理。
深度学习如何改进地下密度和速度模型的重建？
通过引入基于深度学习的三维方法，联合反演时间序列表面重力和地震数据，改进地下密度和速度模型的重建。
图网络代理模型的运行效率如何？
图网络代理模型能够提供1-2%的压力和饱和度的准确预测，并具有36倍的运行时间加速度。
