Multiple microorganism influences and interactions limit the reliability of underground hydrogen and carbon storage simulation models at the reservoir scale
Notice bibliographique
Résumé
The various types of microorganisms encountered in subsurface reservoirs are identified, and their consequences for underground hydrogen storage and carbon dioxide storage are described. In underground hydrogen storage reservoirs, most microorganism activities have negative consequences (pore clogging, reduction in permeability, corrosion, change in composition and loss of stored gas). In underground carbon dioxide storage most of those negative consequences also apply, but transforming some of the stored CO2 into methane by the biomethanation process can be beneficial and potentially exploited. Although laboratory studies and simplified-system simulations have qualitatively explained the microorganism processes involved at the pore scale in underground hydrogen storage and underground carbon dioxide storage reservoirs, it is difficult to model these processes quantitatively at the reservoir scale. The simplifying assumptions, scales and dimensions of the majority of bioreactive transport models fail to take adequate account of reservoir heterogeneities, biofilm development complexities, periodic fluctuations in fluid-flow and nutrient supply. These limitations mean that most of the existing bioreactive transport models are unable to reliably quantify changes in gas composition, gas loss, permeability, or the degree of corrosion likely to occur across heterogeneous underground hydrogen storage or underground carbon dioxide storage reservoirs. However, several opportunities exist to improve field-scale bioreactive transport model performance for underground hydrogen storage and underground carbon dioxide storage in the coming years. These include building on the knowledge gained from the existing simplified models by incorporating new modelling techniques and more detailed reservoir scale information. Exploiting DNA sequencing offers the capability to better characterize the properties of reservoir microorganism communities. Physics-informed machine learning techniques could be tailored to provide efficient surrogate models for simulations of heterogeneous reservoirs. Such improvements should lead to simulation models capable of accommodating more complex reservoir-scale assumptions. Document Type: Review Cited as: Wood, D. Multiple microorganism influences and interactions limit the reliability of underground hydrogen and carbon storage simulation models at the reservoir scale. Sustainable Earth Resources Communications, 2025, 1(2): 53-68. https://doi.org/10.46690/serc.2025.02.04
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».