Sustainable CO2 Storage Assessment in Saline Aquifers Using a Hybrid ANN and Numerical Simulation Model Across Different Trapping Mechanisms
Notice bibliographique
Résumé
The study represents an innovative method to utilize the strong computational power of CMG-GEM, a numerical reservoir simulator coupled with artificial neural networks (ANNs) to predict carbon storage capacity in saline aquifers. The key parameters in geological storage formations are identified by generating a diverse dataset from CMG-GEM simulation runs by varying the different geological and operational parameters. Robust data analysis was performed to understand the effects of these parameters and access the different CO2 trapping mechanisms. One of the significant novelties of this model is its ability to incorporate additional inputs not previously considered in similar studies. This enhancement allows the model to predict all CO2 trapping mechanisms, rather than being limited to just one or two, providing a more holistic and accurate assessment of carbon sequestration potential. The generated dataset was used in MATLAB to develop an ANN model for CO2 storage prediction across various trapping mechanisms. Rigorous testing and validation are performed to optimize the model, resulting in an accuracy of 98% using the best algorithm, which reflects the model’s reliability in evaluating the CO2 storage. Therefore, the number of simulation runs was significantly reduced, which saves great amounts of computational power and simulation running time. The integration of machine learning and numerical simulations in this study represents a significant advancement in sustainable CO2 storage assessment, providing a reliable tool for long-term carbon sequestration strategies.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».