Assessment of CO2 storage potential in reservoirs with residual gas using deep learning
Notice bibliographique
Résumé
Abstract CO 2 injection into the underlying water leg of depleted hydrocarbon reservoirs is a desirable option for carbon storage as demonstrated by existing industrial-scale storage projects in these geologic environments. This study sheds light on the effect of residual methane on the CO2 storage efficiency as a screening criterion for selecting a water-bearing zone of a depleted gas reservoir to store CO2. Using compositional reservoir simulations, we have evaluated the impact of residual methane on the injectivity, operational pressure, and long-term CO2 trapping efficiency during injection and postinjection stage in a reservoir model representative of the so-called “HC sand” gas reservoir in the High Island 24L field located in the offshore Texas State Waters. Results suggest that the presence of residual hydrocarbon gas negatively affects CO2 residual and dissolution trapping because it enhances the injectivity and pressure management arising from the increased mobility of CO2 plume in the vicinity of the injection zone due to its mixing with the resident residual hydrocarbon gas. We further investigate the application of artificial neural network (ANN)-based proxy models for fast-track modeling of CO2 storage in geologic structures associated with depleted gas reservoirs, aiming at the prediction of CO2 trapping efficiency. We then use the developed ANN model to perform Monte Carlo simulations for quantifying the uncertainty of geologic and reservoir parameters on CO2 trapping efficiency in these formations. It becomes evident that the residual hydrocarbon saturation is a key screening criterion for the storage site selection. The developed data-driven model can offer a robust and fast tool for screening the water-bearing zone of the depleted gas reservoirs by evaluating the efficiency of CO2 storage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».