Water-Alternating-Gas and CO2 Storage Optimization Using Time-Lapse Geophysical Monitoring and Deep Reinforcement Learning
Notice bibliographique
Résumé
Abstract This study presents a new approach for optimizing water-alternating-gas (WAG) injection strategies and CO2 storage using deep reinforcement learning (DRL), supported by time-lapse gravity monitoring. We tested two reinforcement learning (RL) agents, Q-Learning (QL) and Double Deep Q-Network (DDQN), which interact with a high-fidelity reservoir simulation environment. The QL agent, despite its simplicity, demonstrates the fundamental concepts of optimal control of a WAG process using RL combined with gravity measurements. In contrast, the DDQN agent, combined with a convolutional neural network (CNN), outperforms other control methods by learning the spatial and temporal patterns of fluid movement within the subsurface. Comparisons with traditional, industry-standard WAG schedules reveal significant improvements in both Net Present Value (NPV) and CO2 storage efficiency using RL-optimized injection strategies. Time-lapse gravity data, simulated over 25 years, effectively capture and differentiate fluid displacement and accumulation under various injection regimes, making our proposed geophysical control approach possible. The industrial WAG schedule, involving regular switching between water and gas phases, results in suboptimal CO2 trapping due to early gas breakthrough and limited dissolution. Conversely, the DDQN-optimized policy enables longer CO2 retention in the reservoir, promoting greater dissolution into the formation brine and improving long-term geological storage. These findings underscore the importance of intelligent control strategies and advanced state representations in optimizing both economic and environmental objectives for CO2-enhanced oil recovery and geological carbon storage operations.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».