yy.vip易游-机器学习+岩石微观结构：让深部封存压力预测更敏锐

　　YYVIP易游·(中国有限公司)官方网站-原文发表于《科技导报》202 6年第6期《基于机器学习的流体深部地质封存潜力智能预测方法》

　　面对全球气候变化，碳捕集与封存（carbon capture and storage, CCS）是实现大规模负碳的重要技术路径，而深部地质封存技术作为 CCS 体系中的关键环节，是目前最具应用前景的负碳方式之一，但深部地质封存过程中存在注入压力难以精准预测的问题。《科技导报》邀请中国煤炭地质总局勘查研究总院地质封存技术团队杨占工程师、杜松正高级工程师等人撰写文章，提出一种融合运行监测数据与储层结构特征的深部流体封存潜力智能预测方法框架，通过引入机器学习与时序特征驱动建模，可有效识别封存阶段并精准预测注入压力演化。经过18个月、超150万吨累计注入量的实际工程验证，该方法表现稳定，可为多类型深部流体注入与封存工程的智能评估与安全运行提供技术支撑。

　　近年来，CO2排放持续增长，已经成为全球气候变化的主要驱动因素。为了应对气候风险，不少国家都提出了碳中和目标。问题是，目前全球能源结构中化石能源占比仍然超过80%，亟需源头减排和末端封存协同推进，碳捕集与封存（CCS）被广泛认为是实现大规模负碳的重要技术路径。作为CCS体系中的关键环节，深部地质封存技术通过将流体注入1500~3500 m深部地层里，靠盖层封闭性，让流体与生物圈长期隔离，是目前最有应用前景的负碳方式之一。

　　在这个过程中，注入压力是关键观测指标——它直接影响封存安全和运行效率。但传统机理模型很难准确刻画复杂地层和非线性的压力变化；而且超临界CO2很容易被压缩，容易受相态变化与和溶解效应影响，导致压力数据很难准确指示地下孔隙应力的真实变化，增加运行监测与调控难度。另外，CO2封存大多是小试规模，长期连续运行数据相对匮乏，制约了数据驱动预测方法的系统构建与验证。所以，我们亟需发展一种融合运行监测数据和地质结构特征的智能预测方法。

　　相比之下，高矿化度矿井水和CO2封存在储层−盖层配置要求上很一致，但它不太容易被压缩，注入压力对孔隙压力变化更敏感，而且与地层原生水理化性质相近，地球化学扰动风险较低。同时，这类流体来源稳定、规模也大，更适合开展百万吨级的长期连续注入试验，这为构建数据驱动的压力响应分析与预测方法提供了理想的应用场景。

　　基于上述需求，本文提出一种融合运行监测数据与储层微观结构特征的深部流体封存潜力智能预测方法框架，利用机器学习和深度学习技术来识别运行阶段、预测压力变化，并在高矿化度流体封存工程场景中做了验证。结果表明，这一方法能有效识别关键运行阶段并实现高精度压力预测。所提出的方法具有良好的可扩展性与可迁移性，后续可以推广到CO2地质封存、深部地热利用、高盐水处置及其他深部流体注入工程的运行评估和风险预警中。

　　试验区在黄土高原地区东胜梁南侧，靠近区域地表分水岭（图 1）。这里共布设了1口注入井（深2240 m）和1口监测井（深2247 m），注入采用柱塞泵，单泵最大工作压力12 MPa，最大流量130 m3/h，共安装1台。为了了解储层微观结构，我们在刘家沟组和石千峰组采集岩芯，并用扫描电子显微镜（SEM）进行观察分析。

　　研究采用2023年1月至2024年10月柱塞泵运行数据，剔除了低于4 MPa（启泵阶段）和高于12 MPa（极限工况）的异常数据，以40 min为窗口对原始数据做均值重采样。预处理包括滑动平均法平滑、按月识别并剔除异常值、删除缺失值以及标准化处理。最终数据按时间顺序划分为训练集（前80%）和测试集（后20%）。为了预测泵压的变化特征，我们构建并对比了3种时间序列模型：自回归积分滑动平均模型（ARIMA）、极端梯度提升（XGBoost）和长短期记忆网络（LSTM）。模型训练和计算都在Python 3.9平台上完成，采用Scikit−learn和PyTorch等开源库。

　　SEM的结果显示，储集空间主要由粒间孔、粒内溶蚀孔和微裂隙3类孔−裂隙结构组成（图2）。其中，粒内溶蚀孔广泛发育，形成流体运移的优先通道。

　　在注入过程中，井周围的孔隙水压力逐渐升高，诱发产生了新的纳米级微裂隙，也让原有孔隙扩展，导致近井区得孔隙度和渗透率阶段性增强。这个过程在空间上具有非定向性，注入初期压力−流量关系高度离散，对应“突破期”。等到孔−裂隙体系逐渐连通、趋于稳定，流动阻力主要受到地层固有渗透性控制，压力−流量数据明显收敛，进入“填充期”。这两个时期交替演化，共同构成了注入压力随时间呈现的阶段性振荡特征。

　　图3展示了注入期间每2个月注入泵压力和流量的变化特征。整体来看，注入压力主要分布在4~9 MPa，流量在25~125 m3/h。

　　根据压力–流量数据的离散特征和时间演化规律，可以把注入过程分成2个注入循环：周期1（第1~6个月）和周期2（第7~18个月）。周期1结束后，井周围地层趋于饱和，后面再注入就需要克服更大范围内的孔隙压力，这导致周期2持续时间显著延长，累计注入量也更大。

　　进一步细分（图4），2个周期可以分成5个阶段：第1~3个月、第4~6个月、第7~9个月、第10~13个月与第14~18个月。

　　从物理意义上讲，这些阶段可以归纳为2类运行状态：突破期与填充期。突破期对应压力−流量数据离散、流量波动较强的区间，指示近井区或压力前缘处孔–微裂隙通道正在逐步贯通、流向在重新调整；填充期对应数据点收敛、流量波动减弱的区间，反映近井区趋于饱和后流动阻力主要由地层固有渗透性控制。基于这一定义，后续我们采用2种互补策略：一是，在全数据集上训练统一模型，评估总体预测能力；二是，按“突破/填充”分阶段建模、对比分析，来检验阶段差异对最优时间窗、特征贡献和模型泛化能力的影响，也为现场实时调控提供更有针对性的预测结果。

　　为了揭示注入过程中压力–流量数据里潜在的时间序列特征，我们对比了传统统计模型、机器学习模型和深度学习模型的预测性能。结果表明：

　　ARIMA模型在训练集中的拟合效果较好，但一到测试集，模型误差就显著放大，预测性能明显下降（图5），有的阶段的误差达到训练集的数倍。这主要是因为：深部地质封存过程中，注入压力随时间波动上升，传统统计模型很难识别其中的非线性变化与突变行为。所以，ARIMA在多个时间段的预测精度不如机器学习和深度学习方法。

　　XGBoost模型能够较好地学习训练集中的时序特征，在测试集中表现出较高的预测精度。多个阶段中误差指标均低于ARIMA和LSTM（图6）。但测试集误差普遍比训练集高，一定程度上存在对训练数据噪声的过拟合现象。我们引入5折交叉验证方法发现，RMSE介于训练集和测试集之间（图6），说明XGBoost在各阶段有比较稳定的泛化性能。但预测效果仍然受到阶段特征影响：在数据波动较小的填充期表现更好，而在突破期（如第7~9个月）MAPE和最大误差明显增大。

　　LSTM在部分阶段训练集中没有取得最优拟合效果，但在测试集中的预测误差相对较低，泛化能力更强。这主要得益于LSTM能够有效捕捉时间序列后段的趋势特征和长期依赖关系。总体来看，LSTM在不同时间段和不同数据分布条件下表现都更稳定，RMSE集中在0.1左右，MAPE约为1.0。尽管深度学习模型对数据规模和计算复杂度要求较高，在短期预测中可能略逊于树模型，但在结构扩展和模型优化方面潜力更大。后续如果增加训练样本、扩充网络规模或者引入注意力机制，LSTM有望进一步提升对长期压力演化过程的预测能力。

　　我们以注入泵出口压力作为关键监测指标，分析了深部地质封存过程中储层应力响应特征，这为理解地下流体封存过程中的地球力学行为提供了新的认识。结合前期地质调查成果和实际运行期间泵压变化特征，可以推断：注入后流体在储层中的运移主要受裂隙导流和孔隙扩散机制共同控制。基于18个月连续运行过程中获取的3亿余条泵运行监测数据，我们对注入过程进行了系统分析，结果表明，可以依据压力−流量数据的离散程度、月均压力的单调性及其整体演化趋势，把封存过程合理划分为突破期与填充期。在引入阶段标签开展分阶段模型训练后，压力预测精度明显提升了。

　　在几种模型中，XGBoost在短期预测方面表现最优，尤其在压力波动较小的填充期，它的预测精度最高（RMSE为0.09）。尽管LSTM在短期预测精度上略低于XGBoost，但它的内部记忆机制在刻画时间序列长期依赖关系方面更有优势。随着监测数据的不断积累，LSTM在长期压力演化预测中的能力有望进一步增强，这对于深部地质封存的长期安全运行和可持续实施来说具有重要意义。

　　尽管岩芯分析能直观揭示储层岩石的微观结构特征，但它在刻画原位封存过程的动态演化方面还是有局限的。相比之下，我们的研究发现，长期压力和流量监测为认识深部地质封存过程提供了一种新的研究视角。通过分析压力随时间变化的特征，我们识别出压力周期性升高和离散增强的演化模式，这指示了储层孔隙和微裂隙的逐步发育过程。这一发现不仅和既有理论认识一致，也在工程数据层面上首次验证了深部地质封存过程中孔–裂隙动态演化机制，为理解流体封存的孔隙尺度约束机理提供了新的实证依据。

　　另外，本研究构建的机器学习预测模型在实际工程场景中表现出良好的适用性，未来可以进一步拓展到封存容量评估、流体运移前缘预测和封存过程的动态风险评估，为深部地质封存工程的智能化运行和决策支持提供技术支撑。

　　作者简介：杨占，中国煤炭地质总局勘查研究总院地质封存团队、矿山透明地质与数字孪生技术国家矿山安全监察局重点实验室，工程师，研究方向为深部地质封存下新污染物迁移、机器学习、图像融合；杜松（通信作者），中国煤炭地质总局勘查研究总院地质封存团队、矿山透明地质与数字孪生技术国家矿山安全监察局重点实验室，正高级工程师，研究方向为流体深部地质封存技术、深部地层流体渗流规律。

　　文章来 源 ： 杨占, 李祥, 张啸, 等. 基于机器学习的流体深部地质封存潜力智能预测方法[J]. 科技导报, 2026, 44(6): 68−75.

　　《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、专稿专题、综述、论文、政策建议、科技人文等。

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　鲁比奥支持率飙升：从3%涨到到35%！或有望角逐2028年美国总统大位？

　　江苏一70多岁老人想打工，办假证把年龄改小8岁，还特意染了黑发，民警：他老伴离世，自己一个人想找个工作充实自己

　　骑士惜败猛龙被追到2-2：哈登19+8迎里程碑 巴恩斯23+9+6制胜两罚

　　【教研帮扶】广东省教育研究院“走进粤东西北（湛江）教研帮扶活动”小学科学专场举行

　　【教学成果】核心素养导向下高中英语深度学习课堂的构建与实践——省域高中英语课程教学改革深化的助推器