Development of prediction models for storage efficiency factor to estimate volumetric CO <sub>2</sub> storage capacity in saline aquifer
Notice bibliographique
Résumé
An accurate estimation of the CO2 storage capacity in saline aquifers is critical for the successful implementation of geological CO2 sequestration projects. Although volumetric methods provide quick and accurate estimates for the storage capacity, the storage efficiency factor (SEF) relies on empirical correlations or computationally expensive numerical simulations. To overcome these limitations, this study proposed a novel regression-based prediction approach for directly predicting SEF in vertical and horizontal well scenarios using simulation-derived data. Four regression models were developed: multi-linear regression (MLR), exponential (Exp), and response surface methodology models (RSM-1 and RSM-2). Among them, the RSM-2 models, which incorporate linear, interaction, and quadratic terms, demonstrated the highest accuracy, achieving mean absolute percentage errors of 1.1% and 3.4% for vertical and horizontal wells, respectively. Compared to prior empirical approaches, the RSM-2 model provided more precise and consistent predictions, with a narrower SEF distribution range and reduced uncertainty, enhancing its suitability for site screening and storage planning. The models were applied to two reservoirs in the Pohang Basin, Southeast Korea, and yielded storage capacity estimates within 5% of full-physics simulation results, confirming their validity and reliability. These models provide a cost-effective and time-efficient alternative to conventional simulations and are particularly advantageous in early-stage feasibility studies and large-scale CO2 storage assessments. Future work will expand these models to accommodate more complex reservoir conditions and enhance their generalizability across diverse geological settings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».