2022年4月27日，美国德州农工大学（Texas A&M University, TAMU）发布最新研究进展，该校研究人员开发出一种新的无监督机器学习方法，可以分析来自碳封存现场的传感器数据，并快速监测分析CO2的位置及流动速度，从而降低CO2泄露风险。该成果以《无监督学习监测地下碳储层中的二氧化碳气流》（Unsupervised learning monitors the carbon-dioxide plume in the subsurface carbon storage reservoir）为题在线发表于《专家系统与应用》（Expert Systems with Applications）。

二氧化碳地下封存需要长期监测注入的CO2气流，以防止其沿井筒或盖层泄漏。准确掌握CO2的位置和流动情况，对于地质二氧化碳储存综合体的风险管理至关重要。传统的定位/评估地下注入二氧化碳气流的方法采用地球物理模型，该模型具有特殊性，且非常耗时，不适用于所有类型的二氧化碳注入油藏和情景。为此，来自德州农工大学的研究人员开发了一种无监督的、基于机器学习的地下CO2气流可视化方法，可以根据数据进行调整和缩放，而不需要假设地球物理模型。具体的工作流程包括特征提取、特征选择和两层聚类。该数据处理流程被应用于克兰菲尔德碳封存项目SECARB的井间地震断层扫描数据。在测试中，由于在成像储层的大部分中没有CO2，因此开发了一种多层聚类方法来说明数据不平衡。第一级聚类将含CO2区域与非含CO2区域区分开，廓线分数为0.88，表明聚类质量高、可靠。第二层次的聚类进一步将区域划分为CO2含量低、中低、中高和高共4种区域。总体而言，多层次聚类的轮廓评分为0.68，表明新提出的基于无监督学习的可视化具有较高的质量和可靠性，提供了一种快速的、数据驱动的、定性的CO2含量、分布和存在的近似值，可以替代具有固有参数和地球物理假设的岩石物理模型。对比结果显示，3种不同的聚类技术，即k-means聚类、mean-shift聚类和层次聚类（agglomerative）产生了类似的可视化效果，且就调整后的兰德指数（RI）而言，3种不同聚类技术识别出的聚类相似度高达0.98，表明地质碳存储不同区域的聚类标签具有稳健性。此外，研究人员还发现傅立叶变换和小波变换等地球物理特征表征了地下CO2含量的分布。

研究人员表示，这种快速实时可视化技术有助于评估二氧化碳在地下长期储存的安全性。建议的数据驱动应用可以扩展到不同条件下的许多CO2地质封存情景。下一步将是快速预测、快速可视化和实时决策相结合，这也是美国能源部（DOE）非常关注的。研究人员称，尽管这项工作很艰难，需要大量的确认才能验证，但可以看到这样的研究有很大的潜力，它为更多的应用和突破提供了可能。

转载本文请注明来源及作者：中国科学院兰州文献情报中心《地球科学动态监测快报》2022年第10期，刘文浩 编译。