Enhancing Safety in Geological Carbon Sequestration: Supervised Machine Learning for Early Detection and Mitigation of CO2 Leakage in Injection Wells
Notice bibliographique
Résumé
Abstract The efficient and safe operation of CO2 injection wells during geological sequestration is crucial for successful carbon capture and storage (CCS) projects. This study explores the application of machine learning in creating a data-driven model for simultaneous prediction of the location and size of potential leak incidents along an active CO2 injection well based on wellhead and bottom-hole pressure and temperature data. Five different well-established machine learning algorithms were selected for predictive model development, including Support Vector Regression (SVR), K-Nearest Neighbor Regression (KNNR), Decision Tree Regression (DTR), Random Forest Regression (RFR), and Artificial Neural Network (ANN). A series of numerical simulations were performed to create a dataset based on a CO2 injection well model in a southern North Sea saline aquifer reservoir, accounting for various leak scenarios with different locations and sizes. The dataset includes three input features of wellhead pressure, bottom-hole pressure, and bottom-hole temperature, paired with two output variables of leak location and leak size. The research findings demonstrate that all models perform well in effectively pinpointing leak locations, but they face difficulties when it comes to detecting small leaks, particularly those with a CO2 leakage rate below 0.01 kg/s. The results obtained indicated that, with regard to model performance, the SVR and KNNR models tended to outperform the others during the testing phase. More precisely, the SVR model demonstrated exceptional performance in the context of leak localization, particularly when dealing with smaller datasets. Conversely, KNNR consistently showcased superior performance in the detection of leak size, regardless of the dataset size. The outcomes of this research can provide valuable insights into the behavior of leaky CO2 injection wells during geological sequestration and highlight the efficacy of supervised machine learning in detecting and predicting leakage in CO2 injection wells.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».