二氧化碳封存完整性：实验室校准的人工智能模型用于预测烟气注入情景下碳酸盐岩层中沥青质引起的损伤

《Results in Engineering》：Carbon Dioxide Sequestration Integrity: Laboratory-Calibrated AI Modeling of Asphaltene-Induced Damage in Carbonate Formations under Flue Gas Injection Scenarios

　　

Keyvan Eghtedari | Parviz Darvishi | Asghar Lashanizadegan | Shahin Kord | Siavash Partonia | Sadraddin Sobhani

伊朗亚苏杰大学工程学院化学工程系

摘要

本研究开发了一种人工智能和机器学习（ML）框架，用于预测和减轻在二氧化碳注入过程中由沥青质引起的地层损伤，从而提高低渗透性白云岩储层的石油采收率（EOR）和碳封存效果。在储层条件下（温度80-220°F，压力2200-6500 psig，二氧化碳浓度20-100体积%），对44个岩心样本进行了系统的注水实验，测量了采收率（16.8-67.9%）和损伤程度（3.4-48.5%）。通过对18个输入参数的分析（包括矿物组成：白云石60-80 wt.%，硬石膏2-14 wt.%，沥青质含量3.11-13.56 wt.%，以及操作变量），发现二氧化碳浓度和压力的增加会同时提高采收率和损伤程度，而温度则能提高采收率并抑制沉积现象。利用物理原理进行的数据增强方法，将实验数据集扩展到了1000个样本。

研究人员训练并评估了六种人工智能/机器学习模型。其中，一维卷积神经网络（1D-CNN）的预测准确性最高：采收率的R2值为0.8844（均方根误差RMSE=3.073），损伤程度的R2值为0.9682（RMSE=3.362），综合评分达到0.9605。该模型的验证损失曲线在60-80个训练周期内平稳收敛，表明其泛化能力较强，误差分布范围最窄（±10%）且最为对称。奇偶性分析显示数据点几乎完美地对齐在45°线上。相比之下，ResNet-Tabular模型的损失值波动较大且未收敛，性能较差（R2 < 0.55）。1D-CNN能够捕捉到气体注入过程中复杂沉淀现象的关键局部特征交互作用。这一经过验证的人工智能模型为优化二氧化碳增强采收（CO?-EOR）和碳封存项目提供了可靠的数字工具，通过主动管理地层损伤，支持可持续的碳氢化合物开采和碳酸盐岩层中的安全碳储存。