Predicting the Environmental Impact of CO<sub>2</sub> Leakage on Groundwater Quality in Onshore Regions: Integrating Geochemical Modeling with Machine Learning Approaches
Notice bibliographique
Résumé
A critical factor in gaining public and regulatory acceptance of carbon sequestration is the assurance that groundwater resources will be protected. Concern have been raised about the potential for CO2 to leak from abandoned oil wells and migrate into groundwater zones, posing risks to water quality such as freshwater acidification and the potential mobilization of heavy metals and other trace element through mineral dissolution. While extensive research on hydrocarbon pollution in Ogoni land abandoned oil well in Nigeria, has been conducted over decades. Studies simulating pH variation and carbonate equilibrium under CO2 influence remain rare. Here, the PHREEQC geochemical modeling software was used to study carbonate equilibrium dynamics in the groundwater of the abandoned oil well sites in Ogoni land, Nigeria. Initial groundwater chemistry was simulated using baseline data from the literature, including pH, alkalinity, and major ion concentrations. The study modeled varying pH levels (5.0 to 8.5) and CO2 partial pressures (10-1 to 10-3 atm) to evaluate changes in mineral stability, ion mobilization, and pH buffering capacity. This unbiased study analysis explored the dissolution and precipitation processes of carbonate minerals and their implications for groundwater quality in contaminated regions. Findings indicate that CO2 leakage significantly lowers groundwater pH, enhances bicarbonate production, and mobilizes calcium and magnesium ions, potentially degrading water quality.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».