Stochastic control of geological carbon storage operations using geophysical monitoring and deep reinforcement learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Geological carbon storage (GCS) is the process of injecting and storing carbon dioxide (CO 2 ) in the subsurface to reduce greenhouse gas emissions. Safe and profitable GCS operations require effective decision-making in the presence of uncertain geological models, a process which can often be facilitated with geophysical monitoring. In this study, we examine how sequential decision-making algorithms can be combined with geophysical measurements for the optimal control of GCS operations. Specifically, we develop an artificial intelligence model using deep reinforcement learning (DRL) that takes geophysical time-lapse gravity and well pressure monitoring data as input and delivers an optimal CO 2 injection policy. The objective of the problem at hand is to maximize the profit of a hypothetical GCS operation while mitigating the potential for induced seismicity, by training DRL agents using combined geostatistical, reservoir and geophysical simulation. Comparisons against two benchmarks – a constant injection strategy and an injection schedule optimized using a commercial reservoir simulator toolbox – show that the stochastic control of such operations from subsurface monitoring data using deep reinforcement learning is feasible. Evaluation results show that DRL agent behavior generates profits which are on average 1 to 8 percent higher than what is possible through a constant injection approach. Furthermore, we show that DRL can generate optimal injection policies applicable to the true (yet previously unseen) subsurface given carefully managed levels of uncertainty.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle