CN117933103A - 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 - Google Patents
一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 Download PDFInfo
- Publication number
- CN117933103A CN117933103A CN202410339656.XA CN202410339656A CN117933103A CN 117933103 A CN117933103 A CN 117933103A CN 202410339656 A CN202410339656 A CN 202410339656A CN 117933103 A CN117933103 A CN 117933103A
- Authority
- CN
- China
- Prior art keywords
- model
- deep learning
- uncertainty
- carbon sequestration
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 62
- 230000009919 sequestration Effects 0.000 title claims abstract description 55
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013076 uncertainty analysis Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 238000006467 substitution reaction Methods 0.000 claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 230000005012 migration Effects 0.000 claims abstract description 15
- 238000013508 migration Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000035699 permeability Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- 238000011160 research Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 4
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000003673 groundwater Substances 0.000 description 5
- 239000011148 porous material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000035605 chemotaxis Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000005465 channeling Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,利用深度神经网络学习多相流数值模型的高维复杂输入‑输出映射关系,形成计算快速的替代模型,取代运算时间长的数值模型计算不确定性分析相应的统计指标,显著降低计算负荷,并利用贝叶斯方法量化基于替代模型计算统计指标结果的置信区间。本发明通过用计算快速的替代模型取代求解计算量大的碳封存数值模型进行快速计算,有效提高不确定性分析的计算效率,从而充分考虑多种可能水文地质情景,量化CO2迁移分布的不确定性,为碳封存工程的优化设计和风险评估提供理论基础和技术支撑。
Description
技术领域
本发明涉及水文地质、碳减排和深度学习交叉领域,具体涉及一种基于贝叶斯深度学习替代模型对CO2地质封存多相流数值模型进行高效不确定性分析的方法。
背景技术
CO2地质封存(GCS, geological carbon storage)是一种将CO2注入深部含水层中永久封存的技术手段,可有效减少温室气体的排放。CO2地质封存过程涉及百十公里级的空间尺度和百十年的时间尺度,所以数值模拟方法成为研究CO2注入后在地层中迁移归趋的重要工具,且CO2在储层中以难溶于水的超临界(supercritical)气相存在,形成CO2-水多相流系统,因此,涉及较大时空尺度的CO2地质封存数值模型是一种求解计算量大的多相流模型。准确模拟CO2的迁移归趋,需要详细刻画储层的水文地质参数(如渗透率、孔隙度等)。然而,由于介质本身的非均质性以及观测数据缺乏,对储层水文地质参数的刻画通常存在较大的不确定性,会对CO2羽流迁移分布的模拟带来较大影响。所以对CO2羽流在地下储层中的运移进行不确定性分析是十分必要的,这在研究CO2的迁移归趋以及评估封存安全性等方面具有重要意义。
但是对碳封存多相流数值模型进行不确定性分析需要大量反复运行求解时间长的数值模型,计算多种可能水文地质参数分布情景下CO2迁移和分布的结果,导致巨大的计算负荷。基于替代模型的不确定性分析方法作为一种高效的解决方案,可近似数值模型的输入-输出函数关系,在进行不确定性分析时,可用计算成本很小的替代模型取代数值模型进行运算,从而显著减少不确定性分析的计算负荷。
然而,基于替代模型的不确定性分析方法在实际应用中仍然存在着诸多挑战。首先是已有研究通常假定含水层的水文地质参数场(如渗透率场)为高斯分布,但野外许多实际含水层通常包含性质迥异的多种沉积岩相,其水文地质参数呈现显著的非高斯分布特性。这类非高斯分布的含水层,CO2在注入后会呈现高度不规则的迁移路径和分布特征,这给建立准确的替代模型造成了巨大挑战。其次,由于训练数据有限,替代模型的计算结果本身也存在不确定性,而已有替代模型方法常常忽略这一不确定性,导致无法量化基于替代模型计算得到的不确定性分析结果的可靠性。
发明内容
本发明目的在于,克服现有技术存在的技术缺陷,提供一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,该方法首先利用灰色关联分析法确定CO2饱和度分布场的最优影响因素集合,并通过构建贝叶斯深度学习替代模型,学习复杂非高斯含水层情景下碳封存多相流数值模型的高维复杂输入-输出映射关系,显著减少不确定性分析的计算负荷,并量化基于替代模型不确定性分析计算结果的置信区间,从而为实际CO2地质封存工程的优化设计提供理论基础和技术支撑。
本发明采用如下技术方案:一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,包括如下步骤:
确定碳封存场址的研究区域,收集场址相关的水文地质数据并利用灰色关联分析确定CO2饱和度分布场的最优影响因素集合;所述水文地质数据包括地质钻孔所反映的目标储层埋藏深度、温度、压强、厚度、盐度、岩层参数(岩相比例、渗透率、各向异性比)及孔隙介质参数(孔隙度、毛细管压力、孔隙分布指数)等;所述CO2饱和度分布场的影响因素包括所述水文地质数据中的岩层渗透率、各向异性比、孔隙度、毛细管压力、孔隙分布指数等;
基于收集的所述场址相关的水文地质数据和CO2饱和度分布场的最优影响因素集合,利用水文地质模拟方法生成最优影响因素集合对应的分布数据集;所述水文地质模拟方法包括模拟软件TProGS、GMS、Visual MODFLOW等,不同的CO2饱和度分布场的影响因素通过相应的水文地质模拟软件进行模拟;
基于所确定的研究区域和收集的所述场址相关的水文地质数据,利用多相流数值模拟软件构建CO2地质封存多相流数值模型,模拟CO2注入后的羽流迁移过程和分布;
将所述最优影响因素集合对应的分布数据集输入至所述CO2地质封存多相流数值模型,计算CO2饱和度分布场,得到输入-输出样本集;
将所述输入-输出样本集随机划分为训练样本集和测试样本集,利用所述训练样本集和测试样本集,训练贝叶斯深度学习替代模型;所述训练样本集用于优化训练贝叶斯深度学习替代模型,所述测试样本集用于评估贝叶斯深度学习替代模型的预测精度;
基于所述测试样本集中的输入样本,利用所述贝叶斯深度学习替代模型计算相应CO2饱和度分布场;
基于所述贝叶斯深度学习替代模型获得的CO2饱和度分布场样本,计算CO2饱和度分布不确定性的相应统计指标,评估碳封存场址中CO2注入后羽流分布的不确定性,并利用贝叶斯深度学习替代模型可量化预测不确定性的能力,评估均值场计算结果的不确定性和概率密度分布指标计算结果的置信区间。
其中,TProGS (Transition Probability Geostatistical Software)软件是一套FORTRAN计算机程序,采用转移概率/马尔可夫链方法,可以根据已知地质钻孔数据对地质单元体、岩相等地质参数的空间分布进行地质统计学分析和模拟。
GMS (Groundwater Modeling System) 是一个地下水数值模拟的软件平台,可通过地质统计学方法生成所需地质属性数据,并对地下多相流进行流场和溶质运移模拟及污染物的风险评价。
Visual MODFLOW是一套三维地下水流和溶质运移模拟评价的标准可视化专业软件系统,可使用钻孔测井数据轻松定义复杂的地质模型属性(如渗透率、孔隙度等),在环境保护、水资源利用管理等行业得到了广泛应用。
多相流数值模拟软件具体是TOUGH2(Transport Of Unsaturated Groundwaterand Heat)/ECO2N,ECO2N模块是TOUGH2模拟器的流体特性模块,专门为咸水含水层中的CO2地质封存工程而设计,可以对H2O-NaCl-CO2混合物的热力学和热物理性质进行全面而准确的描述。
优选的,选择非均质渗透率场数据作为参考序列,其他影响因素数据作为子序列,采用所述灰色关联分析法计算CO2饱和度分布场各影响因素之间的关联度,剔除关联度小于阈值的CO2饱和度分布场影响因素,得到所述CO2饱和度分布场的最优影响因素集合。若不存在最优影响因素集合则以非均质渗透率场作为CO2饱和度分布场最优影响因素;
所述非均质渗透率场是含水层中各处的渗透率值在地质统计意义上随空间坐标变化而变化的渗透率值集合。根据文献调研,研究发现非均质渗透率场是研究CO2饱和度分布场必不可少的影响因素指标,因此选择非均质渗透率场数据作为参考序列来研究CO2饱和度分布场其他影响因素与非均质渗透率场之间的关联度。
优选的,基于所述训练样本集以最优影响因素集合对应的分布数据集为输入,不同时刻CO2饱和度场为输出,对贝叶斯深度学习替代模型进行训练;
基于所述测试样本集,利用训练样本集训练的贝叶斯深度学习替代模型预测CO2饱和度分布场的决定系数(R 2)和均方根误差(RMSE)精度,判断所述决定系数(R 2)和所述均方根误差(RMSE)是否满足预设精度要求,若满足则表明贝叶斯深度学习替代模型训练完成,否则继续利用训练样本集优化调整模型参数,直至训练的贝叶斯深度学习替代模型满足预设精度要求。
优选的,所述最优影响因素集合对应的分布数据集以图片的形式输入至所述贝叶斯深度学习替代模型,经过一系列的非线性变换层将所述贝叶斯深度学习替代模型网络内提取的最优影响因素集合对应的分布数据集对应的特征面尺寸先逐渐减半以提取高维特征,并依次恢复至原始尺寸,进而也以图片的形式输出多个时刻的CO2饱和度分布场。
优选的,所述贝叶斯深度学习替代模型网络由多个隐含层组成,网络的关键架构为集成残差密集块(IRDB, integrated residual dense block),每个IRDB由3个残差密集块(RDB, residual dense blocks)组成, 每个RDB包含5个内部卷积层,每个卷积层包括批量归一化(BN, Batch Normalization),Mish非线性激活函数和卷积(Conv, convolution)操作。集成残差密集块充分利用了其密集连接和残差学习的特点,可以增加网络内信息流的传播,缓解训练复杂网络的负担,进而提高贝叶斯深度学习替代模型的预测性能。
优选的,所述贝叶斯深度学习替代模型网络结构中最后一层使用Sigmoid激活函数以确保预测的CO2饱和度在0-1之间。
优选的,对所述贝叶斯深度学习替代模型利用SVGD贝叶斯推理算法进行训练,将待训练的替代模型参数θ视作不确定参数,基于N S组不同模型参数θ得到N S组不同的替代模型预测结果,从而量化所述贝叶斯深度学习替代模型预测结果的不确定性。
优选的,所述决定系数(R 2)精度计算公式:
;
所述均方根误差(RMSE)精度的计算公式:
;
式中,N 是样本数,代表碳封存数值模型计算结果,/>代表贝叶斯深度学习替代模型计算结果,并且/>代表N个碳封存数值模型计算结果的平均值,/>。
优选的,所述预设精度要求是基于测试样本集的贝叶斯深度神经网络的决定系数R 2≥α和均方根误差RMSE≤β,α、β为预设值。
优选的,所述CO2饱和度分布不确定性的相应统计指标包括均值、方差和概率密度分布;其中,均值统计指标的计算公式为:
;
方差统计指标的计算公式为:
;
式中,代表不确定输入参数,/>代表输出变量,/>代表均值,/>代表方差,/>是输入参数/>在参数空间Ω的概率取值函数,/>代表数值模型;
概率密度分布可表征指定参数空间内输出变量取值的统计分布规律,其计算方式可通过直接调用Python或者C等编程语言中的现有函数而实现。
本发明所达到的有益效果:本发明通过灰色关联分析首先确定CO2饱和度分布场的最优影响因素集合,然后利用一种贝叶斯深度学习替代模型有效地刻画出CO2饱和度分布场的最优影响因素集合与不规则不连续CO2羽流分布之间的复杂映射关系,构建的贝叶斯深度学习替代模型里包含集成残差密集块等结构,其具有密集连接和残差学习的特点,能够提高复杂CO2饱和度场的预测结果精度。此外,本发明构建的贝叶斯深度学习替代模型通过SVGD贝叶斯推理算法训练,还可以量化替代模型预测结果的不确定性,得到的替代模型预测结果可信度高。相比现有技术,本发明能更准确高效地预测复杂非高斯含水层中CO2羽流的迁移分布,显著减少不确定性分析的计算负荷,大大提升了此类复杂多相流不确定性分析问题的计算效率,同时也为碳封存工程的优化设计和风险评估提供理论基础和技术支撑。
附图说明
图1是本发明一种基于贝叶斯深度学习的碳封存模型不确定性分析方法的步骤流程图;
图2为碳封存场址概念模型示意图及其非均质渗透率分布直方图;
图3为贝叶斯深度学习替代模型网络结构示意图;
图4为贝叶斯深度学习替代模型网络中关键架构集成残差密集块(IRDB)结构示意图;
图5为3个时刻的CO2饱和度场计算结果图;
图6为3个时刻的CO2饱和度均值场计算结果图;
图7为3个时刻的CO2饱和度方差场计算结果图;
图8为两口钻孔处3个时刻的CO2饱和度概率密度分布计算结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明选取的碳封存场址是美国的Frio碳封存场地,它是一个典型的河流沉积相含水层,呈现通道化特征,岩相组成主要是混合的高渗砂岩相和低渗页岩相,对本发明进一步描述,其中贝叶斯深度学习替代模型可以简称为BDL替代模型。
本发明提供技术方案,一种基于贝叶斯深度学习的碳封存模型不确定性分析方法:
SS1:确定研究区为美国Frio封存场地,模拟的是河流沉积相含水层的二元通道化岩相场,地质钻孔反映目标储层中砂岩约占75%,平均渗透率4×10-13 m2,孔隙度0.25,毛细管压力20kPa,孔隙分布指数0.457;页岩约占25%,平均渗透率1×10-18m2,孔隙度0.10,毛细管压力20000kPa,孔隙分布指数0.457;初始平均压强为15MPa,含水层的温度为60℃(等温),盐度0.03,岩层各向异性比0.1;利用灰色关联分析发现CO2饱和度分布场各影响因素之间的关联度均小于阈值,因此确定CO2饱和度分布场的最优影响因素为非均质渗透率场。
SS2:根据距CO2注入井650 m的两口钻孔所反映的渗透率观测数据,通过水文地质模拟软件TProGS (Transition Probability Geostatistical Software) 和GMS(Groundwater Modeling System)生成5000个具有非高斯分布特征的非均质渗透率场。含水层的概念模型示意图及其对应的渗透率分布(log10 k)如图2所示,图2中a表示碳封存场址概念模型示意图,图2中b表示非均质渗透率分布直方图。
SS3:利用多相流模拟软件TOUGH2(Transport Of Unsaturated Groundwater andHeat)的ECO2N模块建立研究区封存场址三维数值模型,三维场地大小是7200 m×1000 m×100m,将含水层离散成35×25×10个网格,CO2注入井位于储层中心位置,并在CO2注入井周围适当加密网格。CO2以注入速率1.5kg/s持续注入8年,模拟多种可能的非均质渗透率场分布下CO2羽流的迁移分布。
SS4:将SS2中的5000个非均质渗透率场数据作为输入,运行SS3搭建的碳封存数值模型得到5000组非均质渗透率场-不同时刻CO2饱和度场的输入-输出样本集;其中4000组作为训练样本集用于优化训练BDL替代模型,1000组作为测试样本集用于评估BDL替代模型的预测精度。
SS5:以渗透率场为输入,不同时刻CO2饱和度场为输出,利用4000组训练数据集对BDL替代模型进行训练。
贝叶斯深度卷积神经网络模型如图3所示,n x 和n y 分别代表输入和输出图片数,D×H×W代表初始输入图片的大小。深度学习神经网络模型中包含一个关键架构,即集成残差密集块(IRDB),其结构如图4所示,每个IRDB由3个残差密集块(RDB)组成, 每个RDB包含5个内部卷积层,每个卷积层包括批量归一化(BN, Batch Normalization),Mish非线性激活函数和卷积(Conv, convolution)操作,N f 代表特征图数量,残差放缩因子设置为b = 0.2,⊕代表相加操作。图3中还涉及到反卷积(ConvT, Transposed Convolution)操作,且神经网络最后一层使用Sigmoid激活函数以确保预测的CO2饱和度在0-1之间。
使用SVGD贝叶斯推理算法进行训练,将待训练的模型参数θ视作不确定参数,使用N S = 20个粒子(particle)近似θ的后验分布,训练轮回(epoch)数设置为100,训练使用的初始学习率(learning rate)设置为0.0025,样本批大小(batch size)设置为12。
SS6:基于1000组测试数据集,用训练好的BDL替代模型预测CO2饱和度场,计算决定系数(R 2)和均方根误差(RMSE)精度,并以R 2和RMSE为判别标准对训练的贝叶斯深度神经网络模型进行优化调整直至贝叶斯深度神经网络替代模型的R 2和RMSE满足预设精度要求(决定系数R 2≥α和均方根误差RMSE≤β),并得到最终的贝叶斯深度神经网络替代模型。
最终决定系数(R 2)和均方根误差(RMSE)结果分别为0.948和0.007,表明贝叶斯深度学习替代模型已满足精度要求,能够有效刻画非均质渗透率场与CO2饱和度场之间的复杂映射关系。
其中,3个时刻(2年、5年、8年)的CO2饱和度场计算结果图如图5所示,图5 中的(a)表示非均质渗透率场;Sg表示用碳封存数值模型计算得到CO2饱和度场;表示BDL替代模型预测的CO2饱和度场;/>表示用碳封存数值模型和BDL替代模型计算得到的CO2饱和度场误差;Std表示BDL替代模型的预测不确定性。图5的结果表明BDL替代模型可以有效预测高度不规则不连续的CO2饱和度场,而且计算误差和预测不确定性十分小。
SS7:用最终得到的BDL替代模型快速预测1000组测试数据集的CO2饱和度场分布,并且计算3个时刻(2年、5年、8年)的CO2饱和度的均值场(),方差场(/>)和概率密度分布(PDF),评估碳封存场址中CO2注入后羽流分布的不确定性,并利用BDL替代模型可量化预测不确定性的能力,评估均值场计算结果的不确定性和概率密度分布指标计算值的置信区间。
其中,3个时刻(2年、5年、8年)的CO2饱和度均值场计算结果图如图6所示,在图6中,μ表示用碳封存数值模型计算的CO2饱和度均值场,表示用BDL替代模型预测的CO2饱和度均值场,/>表示用碳封存数值模型和BDL替代模型得到的CO2饱和度均值场误差;/>表示BDL替代模型预测不确定性的均值场。
其中,3个时刻(2年、5年、8年)的CO2饱和度方差场计算结果图如图7所示,在图7中,表示用碳封存数值模型计算的CO2饱和度方差场,/>表示用BDL替代模型预测的CO2饱和度方差场,/>表示用碳封存数值模型和BDL替代模型计算得到的CO2饱和度方差场误差。
其中,两口钻孔处3个时刻(2年、5年、8年)的CO2饱和度概率密度分布计算结果图如图8所示,图8中第一行(a-c)为第一口钻孔,第二行(d-f)为第二口钻孔。
图6-8的结果显示本发明提出的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法能够高效取代复杂的碳封存多相流数值模型计算CO2饱和度的相应统计指标,计算精度十分接近,而且替代模型预测结果的不确定性很小,表明贝叶斯深度学习替代模型在预测精度上十分可靠。因此当多相流数值模型计算时间更长或者不确定性分析需要反复调用的多相流数值模型模拟数更多时,利用本发明可以大大提高不确定性分析的计算效率,进而可以为碳封存工程的优化设计和风险评估提供理论基础和技术支撑。
值得一提的是,本次实施案例中,神经网络学习的主要是渗透率场和CO2饱和度分布场之间的输入-输出映射关系。当灰色关联分析确定的CO2饱和度分布场的最优影响因素集合包含其他输入变量(如孔隙度、各向异性比等)或者考虑碳封存数值模型的其他输出变量(如CO2压强)时,只需收集相关变量的数据集,同样训练BDL替代模型,即可量化这些输入输出变量相互之间的复杂映射关系。并且本发明不仅仅局限于碳封存数值模型,对于其他类似的多相流数值模型(比如DNAPL污染物迁移模型等),依然具有广阔的应用前景。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,其不确定性分析步骤包括:
确定碳封存场址的研究区域,收集场址相关的水文地质数据并利用灰色关联分析确定CO2饱和度分布场的最优影响因素集合;
基于收集的所述场址相关的水文地质数据和CO2饱和度分布场的最优影响因素集合,利用水文地质模拟方法生成最优影响因素集合对应的分布数据集;
基于所确定的研究区域和收集的所述场址相关的水文地质数据,利用多相流数值模拟软件构建CO2地质封存多相流数值模型,模拟CO2注入后的羽流迁移过程和分布;
将所述最优影响因素集合对应的分布数据集输入至所述CO2地质封存多相流数值模型,计算CO2饱和度分布场,得到输入-输出样本集;
将所述输入-输出样本集随机划分为训练样本集和测试样本集,利用所述训练样本集和测试样本集,训练贝叶斯深度学习替代模型;
基于所述测试样本集中的输入样本,利用所述贝叶斯深度学习替代模型计算相应CO2饱和度分布场;基于所述贝叶斯深度学习替代模型获得的CO2饱和度分布场样本,计算CO2饱和度分布不确定性的相应统计指标,评估碳封存场址中CO2注入后羽流分布的不确定性,并利用贝叶斯深度学习替代模型可量化预测不确定性的能力,评估均值场计算结果的不确定性和概率密度分布指标计算结果的置信区间。
2.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,选择非均质渗透率场数据作为参考序列,其他影响因素数据作为子序列,采用所述灰色关联分析法计算CO2饱和度分布场各影响因素之间的关联度,剔除关联度小于阈值的CO2饱和度分布场影响因素,得到所述CO2饱和度分布场的最优影响因素集合。
3.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,基于所述训练样本集以最优影响因素集合对应的分布数据集为输入,不同时刻CO2饱和度场为输出,对贝叶斯深度学习替代模型进行训练;
基于所述测试样本集,利用训练样本集训练的贝叶斯深度学习替代模型预测CO2饱和度分布场的决定系数(R 2)和均方根误差(RMSE)精度,判断所述决定系数(R 2)和所述均方根误差(RMSE)是否满足预设精度要求,若满足则表明贝叶斯深度学习替代模型训练完成,否则继续利用训练样本集优化调整模型参数,直至训练的贝叶斯深度学习替代模型满足预设精度要求。
4.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,所述最优影响因素集合对应的分布数据集以图片的形式输入至所述贝叶斯深度学习替代模型,经过一系列的非线性变换层将所述贝叶斯深度学习替代模型网络内提取的最优影响因素集合对应的分布数据集对应的特征面尺寸先逐渐减半以提取高维特征,并依次恢复至原始尺寸,进而也以图片的形式输出多个时刻的CO2饱和度分布场。
5.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,所述贝叶斯深度学习替代模型还包括集成残差密集块,所述集成残差密集块由3个残差密集块组成, 每个所述残差密集块包含5个内部卷积层,每个所述卷积层包括批量归一化,Mish非线性激活函数和卷积操作。
6.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,所述贝叶斯深度学习替代模型网络结构中最后一层使用Sigmoid激活函数以确保预测的CO2饱和度在0-1之间。
7.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,对所述贝叶斯深度学习替代模型利用SVGD贝叶斯推理算法进行训练,将待训练的替代模型参数θ视作不确定参数,基于N S组不同模型参数θ得到N S组不同的替代模型预测结果,从而量化所述贝叶斯深度学习替代模型预测结果的不确定性。
8.根据权利要求3所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,所述决定系数(R 2)精度计算公式:
;
所述均方根误差(RMSE)精度的计算公式:
;
式中,N 是样本数,代表碳封存数值模型计算结果,/>代表贝叶斯深度学习替代模型计算结果,并且/>代表N个碳封存数值模型计算结果的平均值。
9.根据权利要求3所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,所述预设精度要求是基于测试样本集的贝叶斯深度神经网络的决定系数R 2≥α和均方根误差RMSE≤β,α和β为预设值。
10.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法,其特征在于,所述CO2饱和度分布不确定性的相应统计指标包括均值、方差和概率密度分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410339656.XA CN117933103B (zh) | 2024-03-25 | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410339656.XA CN117933103B (zh) | 2024-03-25 | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933103A true CN117933103A (zh) | 2024-04-26 |
CN117933103B CN117933103B (zh) | 2024-05-31 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100299126A1 (en) * | 2009-04-27 | 2010-11-25 | Schlumberger Technology Corporation | Method for uncertainty quantifiation in the performance and risk assessment of a carbon dioxide storage site |
CN112800592A (zh) * | 2021-01-08 | 2021-05-14 | 中国石油大学(华东) | 一种二氧化碳地质封存体中泄漏风险的评价方法 |
US20220156595A1 (en) * | 2019-03-08 | 2022-05-19 | Schlumberger Technology Corporation | System and method for supervised learning of permeability of earth formations |
CN114994759A (zh) * | 2022-08-02 | 2022-09-02 | 中国科学院地质与地球物理研究所 | 基于gan网络的碳封存箱智能识别方法和系统 |
CN115510977A (zh) * | 2022-09-28 | 2022-12-23 | 吉林建筑大学 | 一种基于贝叶斯集成学习机的地质统计模式识别方法 |
WO2023086396A1 (en) * | 2021-11-09 | 2023-05-19 | Schlumberger Technology Corporation | Forecasting co2 plume bodies in sequestration operations |
CN116641688A (zh) * | 2023-06-12 | 2023-08-25 | 西南石油大学 | Co2提高气藏采收率及其封存的方法、系统、设备及存储介质 |
CN116664787A (zh) * | 2023-05-26 | 2023-08-29 | 中南大学 | 一种基于三维地质模型的深部咸水层碳封存储量评估方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100299126A1 (en) * | 2009-04-27 | 2010-11-25 | Schlumberger Technology Corporation | Method for uncertainty quantifiation in the performance and risk assessment of a carbon dioxide storage site |
US20220156595A1 (en) * | 2019-03-08 | 2022-05-19 | Schlumberger Technology Corporation | System and method for supervised learning of permeability of earth formations |
CN112800592A (zh) * | 2021-01-08 | 2021-05-14 | 中国石油大学(华东) | 一种二氧化碳地质封存体中泄漏风险的评价方法 |
WO2023086396A1 (en) * | 2021-11-09 | 2023-05-19 | Schlumberger Technology Corporation | Forecasting co2 plume bodies in sequestration operations |
CN114994759A (zh) * | 2022-08-02 | 2022-09-02 | 中国科学院地质与地球物理研究所 | 基于gan网络的碳封存箱智能识别方法和系统 |
CN115510977A (zh) * | 2022-09-28 | 2022-12-23 | 吉林建筑大学 | 一种基于贝叶斯集成学习机的地质统计模式识别方法 |
CN116664787A (zh) * | 2023-05-26 | 2023-08-29 | 中南大学 | 一种基于三维地质模型的深部咸水层碳封存储量评估方法 |
CN116641688A (zh) * | 2023-06-12 | 2023-08-25 | 西南石油大学 | Co2提高气藏采收率及其封存的方法、系统、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
凌璐璐;许雅琴;王永胜;张可霓;: "数值模拟在CO_2地质封存示范项目中的应用", 岩土力学, no. 07, 10 July 2013 (2013-07-10) * |
谢健;张可霓;王永胜;覃莉清;郭朝斌;: "鄂尔多斯深部咸水层CO_2地质封存效果评价", 岩土力学, no. 01, 10 January 2016 (2016-01-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
Kim et al. | Prediction of storage efficiency on CO2 sequestration in deep saline aquifers using artificial neural network | |
US10049172B2 (en) | Predicting and modeling changes in capillary pressure and relative permeabilities in a porous medium due to mineral precipitation and dissolution | |
US8805659B2 (en) | System and method for uncertainty quantification in reservoir simulation | |
Ma et al. | Multiscale-network structure inversion of fractured media based on a hierarchical-parameterization and data-driven evolutionary-optimization method | |
CN114693005B (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
CN113033108B (zh) | 一种基于AdaBoost算法的边坡可靠度判断方法 | |
Guérillot et al. | Geochemical equilibrium determination using an artificial neural network in compositional reservoir flow simulation | |
CN112288169A (zh) | 二维滑坡动力学参数概率反分析与滑程超越概率评估方法 | |
Ansari et al. | Statistical modeling of geopressured geothermal reservoirs | |
Bianchi et al. | Combining multiple lower-fidelity models for emulating complex model responses for CCS environmental risk assessment | |
Wang et al. | Data-driven analysis of soil consolidation with prefabricated vertical drains considering stratigraphic variation | |
CN117933103B (zh) | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 | |
Lieberman et al. | Nonlinear goal-oriented Bayesian inference: application to carbon capture and storage | |
Miyagi et al. | Well placement optimization under geological statistical uncertainty | |
Rohmer | Combining meta-modeling and categorical indicators for global sensitivity analysis of long-running flow simulators with spatially dependent inputs | |
CN117933103A (zh) | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 | |
CN111625925B (zh) | 一种基于色谱分离的三元复合驱注采优化方法 | |
Zhang et al. | Probabilistic Geothermal resources assessment using machine learning: Bayesian correction framework based on Gaussian process regression | |
CN114139432A (zh) | 利用神经网络技术的裂缝性油藏co2驱流动模拟方法 | |
Battiato | Multiscale models of flow and transport | |
Lu et al. | Accurate and Timely Forecasts of Geologic Carbon Storage using Machine Learning Methods | |
Yusefzadeh et al. | Estimation hydraulic conductivity via intelligent models using geophysical data | |
Wu et al. | Inferring fracture aperture distribution at the EGS collab experiment 1 testbed through a deep learning accelerated Bayesian approach | |
Bhowmik | Particle tracking proxies for prediction of CO₂ plume migration within a model selection framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |