Vorhersage von Drainage-Kapillardruckkurven in natürlichen porösen Medien mittels NMR-T2-Relaxometrie: Implikationen für CO2-Speicherung

Warum diese Forschung für Klimaschutzlösungen wichtig ist

CO2 tief unter der Erde zu speichern ist eines der wenigen verfügbaren Mittel, um den Klimawandel zu bremsen, während wir vom fossilen Energiesystem wegwechseln. Bevor Ingenieure jedoch CO2 sicher in Gestein in einem Kilometer Tiefe oder tiefer injizieren können, müssen sie sicherstellen, dass diese Gesteine – und vor allem die darüberliegenden Dichtungsschichten – das Gas über Jahrhunderte eingeschlossen halten können. Diese Studie stellt eine neue Methode vor, mit der sich die Fähigkeit verschiedener Gesteine, CO2 zu binden, aus einem schnellen, zerstörungsfreien magnetischen Scan vorhersagen lässt, anstelle der langsamen, toxischen Quecksilbertests.

Wie Gesteine unterirdische Flüssigkeiten halten und einschließen

Tief im Untergrund sind Gesteine keine massiven Blöcke; sie sind durchzogen von winzigen Poren und Engstellen, die Wasser, Öl, Gas oder injiziertes CO2 aufnehmen können. Ob CO2 an Ort und Stelle bleibt oder nach oben entweicht, hängt davon ab, wie leicht es sich durch diese engen Passagen quetschen kann. Dieses Verhalten wird durch „Kapillardruck“-Kurven beschrieben, die angeben, welcher Anteil eines Gesteins bei einem bestimmten Druck mit einer nicht-benetzenden Flüssigkeit (wie CO2 oder Quecksilber) gefüllt ist. Klassischerweise messen Labore diese Kurven, indem sie Quecksilber bei sehr hohen Drücken in kleine Gesteinsproben pressen und die Ergebnisse dann auf die Verhältnisse für CO2 und salines Wasser umrechnen. Diese Quecksilbertests sind zerstörerisch, teuer, gefährlich und werden meist nur an wenigen Proben entlang eines Bohrlochs durchgeführt, sodass große Lücken im Bild des Untergrunds bleiben.

Eine sicherere Methode, den Poren des Gesteins „zuzuhören“

Niedrigfeld-Kernspinresonanz (NMR) bietet einen alternativen Ansatz. Anstatt Quecksilber einzuspritzen, sättigen Wissenschaftler eine Gesteinsprobe mit Brühe und messen mit einer magnetischen Pulsfolge, wie schnell die Wasserstoffkerne in der Flüssigkeit relaxieren – beschrieben durch einen Parameter namens T2. Die Verteilung der T2-Werte reagiert auf Größe und Oberflächeneigenschaften der Poren: Große Poren führen zu langen T2-Zeiten, winzige Poren zu kurzen. Im Prinzip sollte dieses Relaxations-„Fingerprint“ mit der gleichen Poren-Engstellen-Geometrie zusammenhängen, die den Kapillardruck steuert. Frühere Methoden versuchten, T2-Spektren direkt mit einfachen Formeln in Kapillardruckkurven zu überführen, unter der Annahme einheitlicher Gesteinseigenschaften. Diese Annahmen versagen häufig in realen Formationen, besonders in komplexen Karbonaten und dichten Mergeln, und erfordern meist eine gesteinspezifische Kalibrierung.

Ein Modell darin schulen, Gesteinsverhalten zu erkennen

Die Autorinnen und Autoren entwickelten ein datengetriebenes Modell, das die Beziehung zwischen NMR-Messungen und quecksilberbasierten Kapillardruckkurven über viele Gesteinsarten hinweg erlernt. Sie stellten eine Datenbank mit 36 Kernproben zusammen, darunter Sandsteine, Kalksteine und dichte Mergel mit Permeabilitäten, die sich über mehr als sieben Zehnerpotenzen erstrecken. Für jede Probe kombinierten sie Routinedaten zur Kernanalyse (Porosität und Permeabilität), detaillierte NMR-T2-Verteilungen und Quecksilberinjek­tionsdaten. Anschließend konstruierten sie mehrere physikalisch inspirierte Merkmale: einen J-Parameter, der Druck mit Gesteinsqualität und Benetzbarkeit verknüpft, einen Bimodalitätsindex, der quantifiziert, ob das Porensystem eine oder zwei dominante Größenskalen aufweist, und einen bin-gewichteten logarithmischen Mittelwert von T2, der die Schiefe der Porengrößenverteilung erfasst. Mit diesen Merkmalen trainierten sie ein gradientenverstärktes Entscheidungsbaum-Modell (CatBoost), um die Quecksilbersättigung bei beliebigem Druck aus den NMR- und Gesteinsdaten vorherzusagen.

Wie gut die neue Methode funktioniert

Um sicherzustellen, dass das Modell wirklich über die Trainingsdaten hinaus generalisiert, verwendete das Team eine strikte Leave-one-sample-out-Validierung und testete das finale Modell anschließend an sechs zusätzlichen „blinden“ Kernen, die während des Trainings nie gesehen wurden. Über einen weiten Druckbereich von etwa 0,5 bis 50.000 psi reproduzierte das Modell die gemessenen Quecksilber-Kapillardruckkurven mit einem durchschnittlichen Bestimmtheitsmaß (R²) von 0,94 und einem mittleren absoluten Fehler in der Sättigung von rund 3,6 Prozent auf dem Blinddatensatz. Die Methode lieferte konsistente Ergebnisse für Sandsteine, Karbonate und dichte Mergel. Sensitivitätsanalysen zeigten, dass der druckskalierte J-Parameter die Vorhersagen dominierte, während die aus NMR abgeleiteten Merkmale die Kurvenform verfeinerten und Unterschiede in der Porensystemstruktur erfassten. Wenn die vorhergesagten Quecksilberkurven mit standardmäßigen Skalierungsbeziehungen auf Brühe–CO2-Bedingungen umgerechnet wurden, stimmten sie eng mit den für CO2-Speicherstudien verwendeten umgerechneten Labor­kurven überein.

Was das für zukünftige CO2-Speicherprojekte bedeutet

Die Studie zeigt, dass sorgfältig gestaltete Machine-Learning-Modelle schnelle, zerstörungsfreie NMR-Messungen in verlässliche Kapillardruckkurven verwandeln können und damit den Bedarf an gefährlichen Quecksilberinjektionstests erheblich reduzieren. Da NMR-Werkzeuge bereits sowohl im Labor als auch bei Wireline-Logging-Instrumenten in Bohrlöchern eingesetzt werden, könnte dieser Ansatz eine nahezu kontinuierliche Profilierung der Dichtungskapazität und des Einschlussverhaltens entlang eines gesamten Bohrlochs ermöglichen. Zwar nennen die Autorinnen und Autoren Einschränkungen, etwa die Annahme von wasserbenetzten Bedingungen und die derzeitige Größe des Trainingsdatensatzes, doch deuten ihre Ergebnisse auf einen praktischen Weg hin zu sichereren, günstigeren und umfangreicheren Bewertungen von unterirdischen CO2-Speicherstandorten – was Ingenieuren hilft, besser einzuschätzen, wie sicher injiziertes Kohlenstoffdioxid von der Atmosphäre ferngehalten werden kann.

Zitation: Markovic, S., Kurochkin, A., Efara, M. et al. Predicting drainage capillary pressure curves in natural porous media by NMR-T₂ relaxometry: implications for CO₂ storage. Sci Rep 16, 11540 (2026). https://doi.org/10.1038/s41598-026-36861-z

Schlüsselwörter: geologische CO2-Speicherung, Kapillardruck, Kernspinresonanz, Maschinelles Lernen in der Petrophysik, Gesteinsporenstruktur