Исследователи из Техасского университета A&M разработали нейросетевые модели, которые позволяют за доли секунды прогнозировать поведение углекислого газа после его закачки в глубокие соляные водоносные горизонты. Это особенно важно для проектов по долговременному хранению CO2. Под землей газ не остается на месте, а медленно перемещается, меняет фазовое состояние, частично растворяется в пластовой воде и фиксируется в порах породы. Чтобы такие хранилища были безопасными и эффективными, необходимо заранее понимать, насколько далеко распространится CO2, а также какая его часть будет надежно удержана в пласте.
Основная сложность заключается в том, что миграция CO2 развивается десятилетиями и зависит от множества геологических и эксплуатационных факторов, включая проницаемость и пористость породы, пластовое давление и температуру, слоистость пласта, соленость воды, скорость и режим закачки и др. Классические компьютерные модели дают точные результаты, но работают очень медленно. Один сценарий может занимать до часа расчетного времени. Это затрудняет анализ большого числа вариантов, который необходим в реальных проектах с постоянно меняющимися условиями эксплуатации.
Чтобы ускорить эту работу, ученые создали две разные нейросетевые архитектуры. Первая гибридная модель сочетает долгую краткосрочную память и многослойный перцептрон, предсказывая геометрию подземного шлейфа CO2, как он будет расширяться и перемещаться в пространстве с течением времени. Она формирует полный прогноз на 80 лет вперед. Вторая модель, построенная по принципу "последовательность к последовательности", решает другую задачу. Она прогнозирует фазовое состояние CO2, какая его доля останется подвижной, какая будет захвачена в порах, а какая растворится в соленой воде. Разные задачи требуют разных подходов и дают разные единицы измерения точности. Первая модель работает с расстояниями в метрах, вторая − с долями вещества.
Для обучения обеих моделей ученые провели 773 подробные симуляции, варьируя девять геологических параметров и используя 400 максимально реалистичных графиков закачки CO2, включая паузы, перепады расхода и другие эксплуатационные особенности. Создание этой базы потребовало около месяца вычислений, но именно она позволила нейросетям надежно воспроизводить ключевые особенности поведения газа.
Тесты показали высокую точность. Модель, прогнозирующая развитие подземного шлейфа CO2, дала среднюю ошибку около 42 метров. Для объектов, где диаметр плюма обычно составляет сотни метров и может достигать километра, это очень небольшой разброс. Даже физические симуляции нередко дают погрешности сопоставимого масштаба. Вторая модель, оценивающая распределение фаз CO2, показала ошибку менее 2% от доли газа. Ее предсказания практически совпадают с эталонными кривыми, а отклонения укладываются в считанные проценты от полного диапазона возможных значений.
Главным преимуществом стала скорость. Там, где классическая симуляция требует до 60 минут расчетов, обученные модели выдали результат за доли секунды. Именно эта скорость позволяет инженерам практически в режиме реального времени анализировать десятки и сотни вариантов, менять графики закачки, учитывать возможные остановки скважины, проверять поведение газа при отличающихся свойствах пласта. Это делает эксплуатацию подземных хранилищ CO2 более предсказуемой, управляемой и надежной при долгосрочном планировании.
