ترجمه فارسی مقاله چارچوب یادگیری عمیق برای تطبیق تاریخچه ذخیره‌سازی CO2 با داده‌های چاه لرزه‌ای و نظارتی چهاربعدی

چکیده

Geological carbon storage entails the injection of megatonnes of supercritical CO2 into subsurface formations. The properties of these formations are usually highly uncertain, which makes design and optimization of large-scale storage operations challenging. In this paper we introduce a history matching strategy that enables the calibration of formation properties based on early-time observations. Early-time assessments are essential to assure the operation is performing as planned. Our framework involves two fit-for-purpose deep learning surrogate models that provide predictions for in-situ monitoring well data and interpreted time-lapse (4D) seismic saturation data. These two types of data are at very different scales of resolution, so it is appropriate to construct separate, specialized deep learning networks for their prediction. This approach results in a workflow that is more straightforward to design and more efficient to train than a single surrogate that provides global high-fidelity predictions. The deep learning models are integrated into a hierarchical Markov chain Monte Carlo (MCMC) history matching procedure. History matching is performed on a synthetic case with and without 4D seismic data, which allows us to quantify the impact of 4D seismic on uncertainty reduction. The use of both data types is shown to provide substantial uncertainty reduction in key geomodel parameters and to enable accurate predictions of CO2 plume dynamics. The overall history matching framework developed in this study represents an efficient way to integrate multiple data types and to assess the impact of each on uncertainty reduction and performance predictions.

چکیده به فارسی (ترجمه ماشینی)

ذخیره کربن زمین شناسی مستلزم تزریق مگاتون های CO2 فوق بحرانی به سازندهای زیرسطحی است.خصوصیات این سازندها معمولاً بسیار نامشخص است و همین امر باعث می شود طراحی و بهینه سازی عملیات ذخیره سازی در مقیاس بزرگ به چالش کشیده شود.در این مقاله ما یک استراتژی تطبیق تاریخ را معرفی می کنیم که کالیبراسیون خصوصیات تشکیل را بر اساس مشاهدات اولیه امکان پذیر می کند.ارزیابی های اولیه برای اطمینان از عملکرد همانطور که برنامه ریزی شده انجام می شود ضروری است.چارچوب ما شامل دو مدل جانشین یادگیری عمیق متناسب با هدف است که پیش بینی هایی را برای نظارت بر داده های خوب درجا ارائه می دهد و داده های اشباع لرزه ای (4D) را تفسیر می کند.این دو نوع داده در مقیاس های بسیار متفاوتی از وضوح هستند ، بنابراین مناسب است برای پیش بینی آنها شبکه های یادگیری عمیق جداگانه و تخصصی ایجاد کنید.این رویکرد منجر به گردش کار می شود که برای طراحی ساده تر و برای آموزش کارآمدتر از یک جانشین واحد است که پیش بینی های جهانی وفاداری را ارائه می دهد.مدل های یادگیری عمیق در یک روش تطبیق تاریخچه تاریخچه مارکت مارکوف مونت کارلو (MCMC) ادغام می شوند.تطبیق تاریخ بر روی یک مورد مصنوعی با و بدون داده های لرزه ای 4D انجام می شود ، که به ما امکان می دهد تا تأثیر لرزه ای 4D را در کاهش عدم اطمینان تعیین کنیم.استفاده از هر دو نوع داده نشان داده شده است که باعث کاهش عدم اطمینان قابل توجهی در پارامترهای ژئومودل کلیدی و امکان پیش بینی دقیق پویایی ستون CO2 می شود.چارچوب تطبیق تاریخ کلی توسعه یافته در این مطالعه یک روش کارآمد برای ادغام چندین نوع داده و ارزیابی تأثیر هر یک بر کاهش عدم اطمینان و پیش بینی عملکرد است.