Исследователи из Техасского университета A&M разработали нейросетевые модели, которые позволяют за доли секунды прогнозировать поведение углекислого газа после его закачки в глубокие соляные водоносные горизонты. Это особенно важно для проектов по долговременному хранению CO₂. П од землей газ не остается на месте, а медленно перемещается, меняет фазовое состояние, частично растворяется в пластовой воде и фиксируется в порах породы. Чтобы такие хранилища были безопасными и эффективными, необходимо заранее понимать, насколько далеко распространится CO₂ и какая его часть будет надёжно удержана в пласте.
Основная сложность в том, что миграция CO₂ развивается десятилетиями и зависит от множества геологических и эксплуатационных факторов – проницаемости и пористости породы, пластового давления и температуры, слоистости пласта, солености воды, скорости и режима закачки и др. Классические компьютерные модели дают точные результаты, но работают очень медленно: один сценарий может занимать до часа расчетного времени. Это затрудняет анализ большого числа вариантов, который необходим в реальных проектах с постоянно меняющимися условиями эксплуатации.
Чтобы ускорить эту работу, исследователи создали две разные нейросетевые архитектуры. Первая, гибридная модель, сочетающая долгую краткосрочную память (LSTM) и многослойный перцептрон (MLP), предсказывает геометрию подземного шлейфа CO₂: как он будет расширяться и перемещаться в пространстве с течением времени. Она формирует полный прогноз на 80 лет вперед. Вторая модель, построенная по принципу «последовательность-к-последовательности» (Seq2Seq), решает другую задачу – прогнозирует фазовое состояние CO₂: какая его доля останется подвижной, какая будет остаточно захвачена в порах, а какая растворится в соленой воде. Разные задачи требуют разных подходов и дают разные единицы измерения точности: первая модель работает с расстояниями в метрах, вторая – с долями вещества.
Для обучения обеих моделей исследователи провели 773 подробные симуляции, варьируя девять геологических параметров и используя 400 различных, максимально реалистичных графиков закачки CO₂, включая паузы, перепады расхода и другие эксплуатационные особенности. На создание этой базы ушло около месяца вычислений, но именно она позволила нейросетям надежно воспроизводить ключевые особенности поведения газа.
Тесты показали высокую точность. Модель, прогнозирующая развитие подземного шлейфа CO₂, дала среднюю ошибку около 42 метров. Для объектов, где диаметр плюма обычно составляет сотни метров и может достигать километра, это очень небольшой разброс: даже физические симуляции нередко дают погрешности сопоставимого масштаба. Вторая модель, оценивающая распределение фаз CO₂, показала ошибку менее 2% от доли газа – то есть ее предсказания практически совпадают с эталонными кривыми, а отклонения укладываются в считаные проценты от полного диапазона возможных значений.
Но главным преимуществом стала скорость. Там, где классическая симуляция требует до 60 минут расчетов, обученные модели выдали результат за доли секунды. И именно эта скорость позволяет инженерам практически в режиме реального времени анализировать десятки и сотни вариантов: менять графики закачки, учитывать возможные остановки скважины, проверять поведение газа при отличающихся свойствах пласта. Что в свою очередь делает эксплуатацию подземных хранилищ CO₂ более предсказуемой, управляемой и надежной при долгосрочном планировании.
