隨著世界在應對氣候變化方面的迫切需求,碳捕獲和存儲(CCS)已成為實現凈零排放的關鍵技術。CCS 技術包括從工業排放或通過直接空氣捕獲(DAC)捕獲二氧化碳(CO2),并將其安全地存儲在地下,可以推動需的脫碳策略,并幫助實現全球氣候目標。
CCS 技術的成功取決于對存儲點和注入方案的仔細選擇。準確預測長期(通常跨越數百年)的 CO2 plume 遷移和壓力累積對于確保存儲點的安全性和有效性至關重要。找到最佳設置需要在不同的地下條件、井位和注入速率下評估數萬種配置。但是,通常用于這些預測的傳統流量模擬器需要大量計算,因此限制了對潛在地點和注入方案的高吞吐量篩選。
為應對這些挑戰,Shell 正與 NVIDIA 合作,通過 NVIDIA Modulus 利用尖端技術來提高 CCS 站點篩選流程的效率和準確性。
構建碳捕獲和儲存快速篩選工具的策略。
該項目利用機器學習(ML)模型實現了地下 CO2 存儲的快速高分辨率建模。這一種創新方法不僅可以加速 CCS 技術的部署,還可以就在何處以及如何最好地存儲 CO2 做出更明智的決策,最終為全球緩解氣候變化的努力做出貢獻。殼牌在能源行業的專業知識與 NVIDIA 在 AI 和計算建模領域的領導地位相結合,可實現技術進步和突破,以經濟高效且及時的方式快速篩選 CO2 存儲的潛在地點。

要確定最適合的存儲地點,我們面臨的一項主要挑戰是評估油藏中 CO2 的注入后封閉情況。這是因為 CO2 會隨著時間的推移遷移,并可能從油藏中逸出,從而對環境構成風險。此外,我們需要仔細管理 CO2 注入引起的油藏壓力累積,以避免封閉油藏頂部的地質層出現裂縫,并防止出現地表地震危險。
斯坦福大學、加州理工學院和普渡大學的研究人員已經表明,與傳統數值模型相比,基于 AI 的地下 CO2 行為代理模型可顯著降低計算成本,同時保持較高的準確性。如需了解詳情,請參閱 U-FNO — 一種基于增強 Fourier Neural Operator 的深度學習模型,用于使用嵌套 Fourier Neural Operators 進行多相流和實時高分辨率 CO2 地質存儲預測。
因此,這些模型能夠檢查數萬種注入配置,從而更全面、更快速地篩選潛在的存儲點。為了將這項研究擴展到工業環境,Shell 和 NVIDIA 聯合開發了一個基于 Fourier 神經運算符(FNOs)的 AI 框架,以模擬油藏中 CO21 的行為該軟件工具大量利用 NVIDIA Modulus,這是一個開源框架,可通過簡單的 Python 接口構建、訓練和微調 Physics-ML 模型。
NVIDIA Modulus 提供了一系列廣泛的神經網絡和神經運算符架構,以及用于設置和擴展訓練和推理管道的便捷函數。借助 ML 方面的繁重工作,Modulus 使領域科學家和工程師能夠將最新的 ML 技術應用于他們的問題,并將其擴展到生產中的大規模并行設置和部署。
結果和應用
該模型基于從真實的地下參數生成的全面數據集進行訓練,這些參數在注入后模擬了1,000年。經過充分訓練的模型可實現O(10^5)計算加速,并將犧牲預測準確性的損失降至最低。結果表明,只需進行一次現場評估即可訓練此類模型。經過充分訓練的模型可應用于眾多篩選任務,從而放大這種方法的優勢。
為了分析模型的準確性,我們重點研究了 CO2 ()、氣體飽和度
和壓力累積
?的時空分布。如圖 2 所示,模型的預測在定性上與所有三個變量的真值都有很強的一致性。

圖 3a 顯示了兩個感興趣的解變量的平均絕對誤差(MAE);MAE 是評估整個域中變量準確性的良好指標。此外, 是用于監測 CO2 煙柱從噴射位置遷移距離的指標。圖 3b 提供了
隨時間變化的
相關圖。對于壓力累積,全局指標并不提供信息,而是探索用于評估壓力預測準確性的局部逐點指標。圖 3c 顯示了樣本中(MAE)最大逐點誤差的直方圖。
在監控 CCS 站點時,我們特別關注最大壓力發生的位置 —— 通常是在注入井附近。因此,我們會評估真實壓力最大位置的模型預測(圖 3d 中的紅色圓圈)。為了避免位置偏差,我們從測試集中隨機選擇其他位置,并評估同一位置的模型預測(圖 3d 中的藍色圓圈)。在這兩個指標中,我們都觀察到 ?分數大于 0.97,這表明模型在大多數情況下都能提供可靠的預測。
有關更多詳細信息,請參閱 Fourier Neural Operator Based Surrogates for Storage in Realistic Geologies。論文還提供了超分辨率實驗和策略,以進一步提高模型預測的可靠性,這在評估實際地質地點時至關重要。

結束語
殼牌與 NVIDIA 合作開發了一種基于 Fourier 神經運算符的機器學習模型,用于對 CO22 卷流遷移進行實時、高分辨率的模擬。該模型基于從真實地下參數衍生的大量數據集進行訓練。在推理過程中,我們觀察到,與傳統的 CO22 流場數值模擬器相比,我們的速度加快了 O(10^5),且準確度降低幅度極小。除了快速代理模型外,我們還展示和評估了一些基于物理性質的準確性指標,這些指標與評估和監控 CCS 站點相關。
此外,我們還提出了一些策略——異常檢測、執行質量守恒——以提高模型預測的可靠性,這在評估實際地質地點時至關重要。我們的工作將科學機器學習模型擴展到與真實地下油藏更一致的真實系統,并為地下 CCS 應用的先進高級篩選工具奠定了基礎。
?