Physik‑informierte Gaussian‑Prozess‑Regression verbessert Vorhersage des CO2‑Injektionsrückgangs

Neues Modell

Ein von Forschern entwickeltes physik‑informiertes Gaussian‑Prozess‑Regressions‑Framework (PC‑GPR) liefert präzise Vorhersagen für die relative Injektivitätsänderung (RIC) bei geologischer CO₂‑Speicherung und integriert gleichzeitig eine quantitative Unsicherheitsabschätzung. Das Modell erreicht laut Studie ein Bestimmtheitsmaß von 0,9401 und deckt damit die meisten beobachteten Schwankungen ab.

Physikalische Einbindung

Die Methode verknüpft maschinelles Lernen mit zwei physikalischen Gesetzen: der DLVO‑Monotonizitätsbedingung für kolloidale Wechselwirkungen und dem Civan‑Kozeny‑Carman‑Modell zur Permeabilitätsbeeinträchtigung. Durch weiche Constraints wird die Modellstruktur an die physikalischen Erwartungen angepasst, ohne die Lernfähigkeit zu beeinträchtigen.

Validierungsverfahren

Die Autoren wendeten ein dreistufiges Validierungsprotokoll an, das Leave-One-Out‑Cross‑Validation, wiederholte k‑Fold‑Cross‑Validation und nicht‑parametrische Bootstrap‑Konfidenzintervalle kombiniert. Dieses Vorgehen gewährleistet eine robuste Einschätzung der Modellgeneralität trotz der begrenzten Datenmenge von 44 Laborversuchen.

Leistungskennzahlen

Der Basis‑GP erzielte ein 95‑%‑Konfidenzintervall von [0,882, 0,978] und zeigte eine erwartete Kalibrierungsabweichung (ECE) von 0,026. Die beobachtete Abdeckung lag bei 97,7 % gegenüber dem nominalen Niveau von 95 %, was auf eine zuverlässige Unsicherheitsquantifizierung hinweist.

Unsicherheitsquantifizierung

Zwei Mechanismen wurden eingesetzt: die Kalibrierung des GP‑Posteriors über den Expected Calibration Error und die Berechnung von Split‑Conformal‑Prädiktionsintervallen. Beide Verfahren bestätigten, dass die prognostizierten Unsicherheitsbereiche die tatsächlichen Messwerte konsistent einschließen.

Ergebnis der physikalischen Zwänge

Die Variante PC‑GPR‑M reduzierte Verstöße gegen die DLVO‑Monotonizitätsbedingung auf 1,5 % über das gesamte Eingabedomain, was die Effektivität der weichen Constraints belegt. Gleichzeitig blieb die Modellgenauigkeit unverändert hoch.

Betriebliche Anwendung

Durch die Übersetzung der Unsicherheitsinformationen in operative Empfehlungen konnten potenziell riskante Szenarien identifiziert werden, insbesondere bei Salzgehalten über 30 000 ppm und einem Jamming‑Verhältnis größer als 0,04. Diese Schwellenwerte unterstützen die Planung von Injektionszeitplänen und Risikomanagement.

Ausblick für die Forschung

Die vorgestellte PC‑GPR‑Strategie liefert ein uncertainties‑aware‑Baseline für zukünftige physik‑informierte maschinelle Lernansätze im Bereich der unterirdischen CO₂‑Speicherung und kann als Referenz für weiterführende Studien dienen.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.