一种基于迁移学习与物理信息神经网络的CO2封存模拟方法技术

本发明专利技术提供一种基于迁移学习与物理信息神经网络的CO2封存模拟方法，通过将迁移学习与物理信息神经网络相结合，旨在地质二氧化碳封存过程.该方法使用Matlab油藏模拟工具箱模拟生成数据，构建神经网络基础模型，并通过粗分辨率训练学习多孔介质中二氧化碳迁移的物理规律，然后采用迁移学习策略在生成的实际地质模型数据上进行微调，以适配不同地质结构与注入条件，并结合达西方程和质量守恒方程嵌入神经网络损失函数，增强预测结果的物理一致性.相较于传统数值模拟方法，该方法在保持预测精度的同时显著提升计算效率，适用于复杂地质条件下二氧化碳封存优化与环境风险评估，具有良好的工业推广价值和环境效益。

【技术实现步骤摘要】

本专利技术涉及二氧化碳封存，具体涉及一种利用迁移学习与物理信息神经网络(pinns)提升二氧化碳封存模拟精度和效率的方法.

技术介绍

1、在全球推动碳中和目标的大背景下，地质二氧化碳封存(geological co2sequestration，gcs)已成为减少温室气体排放的重要技术手段之一.

2、随着机器学习技术的发展，研究者尝试将代理模型(如随机森林、支持向量机)引入封存预测，以提升仿真速度.例如，lu等人在文献《research on permeabilityprediction method of co2 storage layer based on random forest》中提出使用决策树和随机森林算法预测co2封存层的渗透率，此外，yan等人在文献《a robust deeplearning workflow t0 predict multiphase flow behavior during geological co2sequestration injection and post-injection periods》中提出本文档来自技高网...

【技术保护点】

1.一种基于迁移学习与物理信息神经网络的CO2封存模拟方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于迁移学习与物理信息神经网络的CO2封存模拟方法，其特征在于，所述步骤1)预训练阶段数据是基于粗分辨率网格构建的理论地质模型，利用Matlab油藏模拟工具箱，在设定边界条件、注入策略及流体物性参数为常数的条件下，模型输入参数包括孔隙度、渗透率、初始压力和井位信息，模拟生成多个时间步下的三维CO2饱和度分布图像；迁移学习阶段数据是基于模拟倾斜含水层等复杂地质结构构建的高分辨率网格模型，模型输入参数包括高分辨率孔隙度与渗透率分布、井位信息及二氧化碳注入时间表，生成多个...

【技术特征摘要】

1.一种基于迁移学习与物理信息神经网络的co2封存模拟方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于迁移学习与物理信息神经网络的co2封存模拟方法，其特征在于，所述步骤1)预训练阶段数据是基于粗分辨率网格构建的理论地质模型，利用matlab油藏模拟工具箱，在设定边界条件、注入策略及流体物性参数为常数的条件下，模型输入参数包括孔隙度、渗透率、初始压力和井位信息，模拟生成多个时间步下的三维co2饱和度分布图像；迁移学习阶段数据是基于模拟倾斜含水层等复杂地质结构构建的高分辨率网格模型，模型输入参数包括高分辨率孔隙度与渗透率分布、井位信息及二氧化碳注入时间表，生成...

【专利技术属性】
技术研发人员：刘烨，董博磊，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：