Integrating advanced frequency-domain signal processing with machine learning for accurate leak detection in subsurface CO2 storage
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
Ensuring the integrity of geological CO 2 storage is critical for the long-term success of carbon capture and storage (CCS) technologies. The detection and localisation of potential leakage events rapidly and accurately remains a key challenge, particularly under constraints of limited monitoring data. This study presents a proof-of-concept framework that integrates advanced frequency-domain signal processing with machine learning to address this challenge using only pressure data from a monitoring well in a CO 2 storage site. Here, pressure signals are translated into the frequency domain using Fast Fourier Transform (FFT) in order to extract physically meaningful features that are highly sensitive to leakage phenomena. These features capture subtle variations in signal behaviour that are often missed in time-domain analysis. A two-stage machine learning pipeline is also developed, involving a classification stage to distinguish leak versus no-leak conditions, followed by leak localisation in a regression stage. The results showed that in the leak detection stage, ensemble and probabilistic classifiers, particularly Naive Bayes (test accuracy = 0.9873, F1 = 0.9788) and Random Forest (test accuracy = 0.9823, F1 = 0.9016), outperformed linear models by a substantial margin. In the localisation stage, the K-Nearest Neighbours Regressor (test R 2 = 0.9899, MAE ≈ 6.8 m) and Gradient Boosting Regressor (test R 2 = 0.9790, MAE ≈ 9.5 m) achieved the highest spatial prediction accuracy. Additionally, the findings demonstrate that frequency-domain feature engineering substantially enhances leak-detection sensitivity and spatial inference accuracy compared to time-domain methods. The proposed framework is computationally efficient, requiring only sparse pressure data, and can be integrated into real-time monitoring systems. • Novel framework integrates frequency-domain signal processing (FFT) with machine learning for CO 2 leak detection. • Achieves accurate leak detection and localisation using only sparse pressure data from a single monitoring well. • Fast Fourier Transform (FFT) extracts features sensitive to leakage phenomena. • A two-stage ML pipeline classifies leaks and estimates their location. • Ensemble models show superior detection and localisation performance.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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