Avancées dans le stockage de carbone géologique grâce à l'apprentissage automatique

Alors que le monde fait face au changement climatique, réduire les émissions de gaz à effet de serre est devenu une priorité. Une façon de faire ça, c'est grâce à la capture, l'utilisation et le stockage du carbone (CCUS). Une partie essentielle du CCUS, c'est le stockage géologique du carbone (GCS), qui consiste à capturer les émissions de dioxyde de carbone (CO2) et à les stocker profondément sous terre. Ça aide à empêcher le CO2 d'entrer dans l'atmosphère et de contribuer au réchauffement climatique.

Avec divers projets à travers le monde visant à améliorer le GCS, il y a besoin de développer de meilleures méthodes pour gérer ces projets et comprendre les incertitudes qui les entourent. La prédiction précise de la façon dont le CO2 se comporte sous terre, surtout dans des formations géologiques complexes, est essentielle pour un GCS réussi.

#Apprentissage automatique et son rôle dans le GCS

L'apprentissage automatique (ML) est un type d'intelligence artificielle qui permet aux ordinateurs d'apprendre à partir des données et de faire des prédictions. Dans le contexte du GCS, le ML peut être utilisé pour analyser d'énormes volumes de données liées aux formations géologiques, au comportement des fluides et aux processus d'injection de CO2. L'intégration du ML avec des méthodes traditionnelles conduit souvent à des prévisions plus précises et à une meilleure compréhension des incertitudes, garantissant finalement un stockage du carbone plus sûr et plus efficace.

#Assimilation des données expliquée

L'assimilation des données (DA) est une technique utilisée pour combiner des observations du monde réel avec des modèles informatiques afin d'améliorer les prédictions. En intégrant diverses sources de données, la DA aide les scientifiques à affiner leur compréhension des systèmes complexes, comme les réservoirs où le CO2 est stocké.

Dans les projets de GCS, la DA permet d'incorporer de nouvelles données provenant de systèmes de surveillance ou d'expériences. Ça permet aux développeurs de projet d'ajuster leurs modèles en fonction des dernières informations, améliorant ainsi leur compréhension de la façon dont le CO2 se déplace et se comporte sous terre.

#Importance des Modèles géologiques

Les modèles géologiques représentent les différentes couches et matériaux dans la terre. Ces modèles jouent un rôle crucial dans la prévision de la façon dont le CO2 va circuler à travers les formations géologiques. Pour les projets de GCS, des modèles géologiques robustes sont nécessaires pour comprendre les complexités des réservoirs. Des attributs comme les types de roche, la perméabilité et la présence de failles doivent être représentés de manière précise pour garantir un stockage efficace du CO2.

#Surrogates dans la modélisation

Étant donné la complexité des systèmes géologiques, les modèles de haute fidélité qui simulent avec précision ces environnements peuvent être coûteux et longs à calculer. Pour contrer cela, des modèles de substitution sont développés pour fournir des approximations plus rapides de ces modèles de haute fidélité. Un modèle de substitution est comme une version simplifiée d'un modèle détaillé, conçu pour offrir des aperçus rapides tout en conservant des caractéristiques essentielles du système complexe.

#Application des modèles de substitution dans le GCS

Lors de la modélisation de l'injection de CO2 dans les réservoirs, les modèles de substitution peuvent accélérer considérablement le traitement des données et la prise de décision en temps réel. Dans le GCS, ces modèles peuvent prédire le comportement du CO2 dans des conditions spécifiques sans effectuer de calculs approfondis à chaque fois.

Dans des recherches récentes, deux types d'architectures de réseaux neuronaux ont été évalués pour créer des modèles de substitution dans le GCS : les principaux opérateurs neuronaux de Fourier (FNO) et le Transformateur UNet (T-UNet). Les deux modèles visent à améliorer les prédictions du mouvement et du comportement du CO2 dans les formations géologiques.

#Amélioration de l'assimilation des données

Les chercheurs ont combiné des méthodes de DA traditionnelles avec le ML pour créer des approches hybrides qui améliorent l'efficacité et la précision des prévisions. En incorporant des modèles de substitution aux techniques de DA conventionnelles, un nouveau cadre peut être établi.

Les méthodes hybrides résultantes, à savoir l'ESMDA hybride basé sur les substitutions (SH-ESMDA) et le RML hybride basé sur les substitutions (SH-RML), offrent des avantages comme des calculs plus rapides sans sacrifier la fiabilité des résultats.

#SH-ESMDA : Un aperçu plus rapproché

Le SH-ESMDA est conçu pour accélérer le processus standard de l'Ensemble Smoother avec Assimilation de Données Multiples (ESMDA). En intégrant des modèles de substitution ML, il peut effectuer l'assimilation des données avec un effort computationnel réduit.

L'objectif principal du SH-ESMDA est de conserver la modélisation précise du CO2 tout en rationalisant les étapes d'assimilation. La méthode préserve les principales forces de l'ESMDA tout en améliorant son efficacité.

Une des caractéristiques clés est que le modèle de substitution formé peut remplacer les calculs plus intensifs du modèle de haute fidélité dans les étapes intermédiaires de l'ESMDA, permettant des mises à jour et des évaluations plus rapides.

#SH-RML : Une nouvelle approche de l'assimilation des données

Le SH-RML, quant à lui, introduit une variante hybride de la méthode de vraisemblance maximale randomisée (RML). En utilisant des substituts pour les calculs de gradient, la méthode améliore l'optimisation des prévisions liées au comportement du CO2.

Cette méthode s'avère particulièrement utile lorsqu'il s'agit de systèmes complexes et non linéaires, qui sont typiques dans les projets de GCS. En évitant la dérivation détaillée des modèles adjoints, le SH-RML simplifie les calculs tout en fournissant des estimations fiables pour le mouvement du CO2.

#Résultats et conclusions

Lors de tests récents, les deux méthodes hybrides ont montré des promesses d'amélioration de l'efficacité de l'assimilation des données dans le GCS. En comparant les nouvelles méthodes aux approches traditionnelles, les résultats ont mis en avant des temps de calcul plus rapides et une meilleure utilisation des données, tout en maintenant un haut niveau de précision.

Le SH-RML, en particulier, a montré des améliorations significatives dans l'ajustement historique, où les prévisions du modèle ont été comparées aux données observées des expériences d'injection de CO2. Les résultats ont montré que la méthode SH-RML pouvait fournir une représentation plus précise du comportement du CO2 par rapport aux applications RML traditionnelles.

#Importance de la surveillance continue

Pour les projets de GCS, une surveillance continue est vitale. Les opérateurs doivent suivre comment le CO2 se déplace et s'assurer qu'il n'y a pas de fuites. Cette surveillance peut inclure l'utilisation de divers capteurs et méthodes de collecte de données pour rassembler des informations en temps réel sur la pression, la température et d'autres conditions dans le réservoir.

L'intégration de ces systèmes de surveillance avec des modèles avancés, notamment ceux améliorés par le ML, garantit que les opérateurs peuvent prendre des décisions à temps et modifier leurs stratégies en fonction des conditions réelles.

#Directions futures

À l'avenir, l'incorporation de méthodes hybrides dans les projets de GCS a le potentiel de transformer la façon dont les organisations gèrent le stockage du carbone. Les avancées continues en ML et DA mèneront probablement à des techniques encore plus efficaces pour surveiller et prédire le comportement du CO2.

La recherche continuera d'explorer la scalabilité de ces méthodes pour des applications dans le monde réel, y compris différents contextes géologiques et des conditions variées. L'adaptabilité des approches hybrides les rend adaptées à de nombreux scénarios de modélisation souterraine au-delà du GCS.

#Conclusion

L'intégration de l'apprentissage automatique et de l'assimilation des données représente un avancement significatif dans la gestion du stockage géologique du carbone. En utilisant des modèles de substitution comme FNO et T-UNet, les chercheurs peuvent améliorer l'efficacité des processus d'assimilation des données, aboutissant à de meilleures prévisions et à une prise de décision améliorée dans les opérations de stockage du carbone.

Alors que le monde continue de chercher des voies pour atténuer le changement climatique, optimiser les efforts de GCS grâce à des approches innovantes sera toujours crucial. Les travaux sur les méthodes hybrides non seulement profitent aux projets de Capture du carbone, mais posent également les bases de leur application dans d'autres défis souterrains, comme l'énergie géothermique et la réhabilitation environnementale.

Cette recherche continue souligne l'importance de s'adapter aux nouvelles technologies et méthodologies pour relever les défis posés par le changement climatique et promouvoir un avenir durable pour la planète.