Forschung zur Konnektivität zwischen Brunnen beim CO2-Fluten basierend auf einem Long Short-Term Memory Graph Attention Network

Warum diese Studie für Energie und Klima wichtig ist

Ein Großteil des Öls der Welt stammt weiterhin aus alternden Feldern, aus denen es zunehmend schwieriger und teurer wird, verbliebene Rohstoffe zu gewinnen. Ein vielversprechender Ansatz, das CO2-Fluten, injiziert Kohlendioxid unterirdisch, um mehr Öl herauszudrücken und gleichzeitig CO2 zu speichern, das sonst in die Atmosphäre gelangen würde. Betreiber sehen jedoch oft nicht, wie das injizierte Gas tatsächlich zwischen den Brunnen fließt. Diese Arbeit stellt eine neue datengetriebene Methode vor, um diese verborgenen Verbindungen in Echtzeit „zu kartieren“, was CO2-Fluten effizienter und potenziell klimafreundlicher machen kann.

Unsichtbare unterirdische Autobahnen sichtbar machen

Wenn CO2 in ein Öllager injiziert wird, verteilt es sich nicht gleichmäßig. Stattdessen folgt es bevorzugten unterirdischen Pfaden — wie versteckten Autobahnen — die durch Variationen in der Gesteinsdurchlässigkeit und vorhandene Verwerfungen entstehen. Einige Injektionsbrunnen beeinflussen bestimmte Produktionsbrunnen stark; andere spielen kaum eine Rolle. Dieses Muster, genannt Konnektivität zwischen Brunnen, steuert, wie effektiv CO2 Öl zu den Förderbrunnen drückt und wie viel Gas nützliche Zonen umgeht oder zu schnell durchbricht. Die genaue Nachverfolgung dieser Verbindungen ist entscheidend, um Injektions- und Förderpläne anzupassen, doch traditionelle Methoden erfordern oft teure Feldtests oder vereinfachte Annahmen, die in komplexen Reservoiren an ihre Grenzen stoßen.

Beschränkungen herkömmlicher Werkzeuge

Ingenieure haben lange Techniken wie Druckinterferenztests, chemische Tracer und Stromlinien-Simulationen genutzt, um zu schließen, wie Brunnen unterirdisch miteinander kommunizieren. In jüngerer Zeit wurden statistische Werkzeuge und klassische Machine-Learning-Modelle hinzugefügt. Jede Methode liefert zwar Einsichten, hat aber auch Nachteile: Feldtests sind langsam und teuer; vereinfachte physikalische Modelle können wichtige Details in stark heterogenen Gesteinen übersehen; und Standard-Machine-Learning behandelt Brunnen oft als isolierte Datenströme und ignoriert das sich entwickelnde Netzwerk zwischen ihnen. Diese Ansätze gehen außerdem häufig davon aus, dass das Verbindungsmuster zeitlich fest ist, obwohl CO2-Fronten, Drücke und Fließpfade sich mit fortschreitender Injektion verändern.

Ein intelligentes Netzwerk, das Zeit und Raum zusammen lernt

Die Autoren stellen ein hybrides KI-Modell vor, das darauf ausgelegt ist, sowohl zeitliche Veränderungen der Brunnen als auch ihre räumliche Wechselwirkung zu verfolgen. Ein Teil des Modells, ein Long Short-Term Memory-Netzwerk (LSTM), ist auf das Erlernen von Mustern in Zeitreihen spezialisiert — hier: tägliche Injektions- und Produktionsraten jedes Brunnens. Der andere Teil, ein Graph Attention Network (GAT), behandelt die Brunnen als Knoten in einem Netzwerk und lernt, welche Paare am stärksten verbunden sind, indem es einflussreicheren Verbindungen höhere Gewichte zuweist. Zusammen kann dieses LSTM–GAT-System sowohl zukünftige Produktionsraten prognostizieren als auch die Stärke der Verbindungen zwischen Injektions- und Produktionsbrunnen schätzen, und zwar so, dass sich diese Abschätzungen mit der Entwicklung des Reservoirs aktualisieren.

Eine lebendige Karte der Brunnenverbindungen erstellen

Um das Modell zu speisen, verwendeten die Forschenden ein weithin untersuchtes dreidimensionales synthetisches Reservoir, das EGG-Modell, und simulierten über ein Jahrzehnt CO2-Fluten für acht Injektions- und vier Produktionsbrunnen. Sie bauten eine „lebendige“ Karte der Verbindungen auf, indem sie untersuchten, wie Schwankungen der Injektion an einem Brunnen mit zeitlicher Verzögerung in der Produktion an einem anderen Brunnen sichtbar werden. Ein Maß namens maximale verzögerte Kreuzkorrelation wurde verwendet, um die wahrscheinliche Stärke und das Timing jeder Verbindung innerhalb gleitender Zeitfenster abzuleiten. Nur Paare, die sowohl ausreichend korreliert als auch räumlich einigermaßen nah beieinander lagen, blieben als Kanten im Netzwerk erhalten. Dieser sich entwickelnde Graph wurde dann an das GAT übergeben, das die Bedeutung jeder Verbindung weiter verfeinerte, während das LSTM das tagesaktuelle Verhalten jedes Brunnens erfasste.

Wie gut der neue Ansatz abschneidet

Das hybride Modell wurde rigoros abgestimmt und an Tausenden simulierten Tagen getestet. Es erzielte eine hohe Genauigkeit bei der Vorhersage von Gasproduktionsraten, mit einem Test-R² von etwa 0,94, was bedeutet, dass es den Großteil der Variation im simulierten Feld erklärte. Als die abgeleiteten Konnektivitätskarten mit detaillierten Strömungsmustern aus herkömmlichen numerischen Simulationen verglichen wurden, stimmten starke Verbindungen im gelernten Netzwerk mit Zonen hoher Permeabilität und dichten Fließpfaden überein. Die Autoren verglichen ihre Methode außerdem mit einer Reihe anderer Modelle, von einfacher Regression bis hin zu eigenständigen Graph-Netzwerken und Zeitreihenmethoden. In allen Fällen lieferte das LSTM–GAT-Framework genauere Prognosen und realistischere Konnektivitätsmuster, während rein statische Graph-Modelle deutlich zurückblieben.

Folgen für sauberere und effizientere Ölgewinnung

Für den allgemeinen Leser ist die Kernbotschaft, dass diese Studie einen intelligenteren, flexibleren Weg bietet, um nachzuverfolgen, wie injiziertes CO2 sich im Untergrund bewegt, unter Nutzung der Daten, die moderne Felder bereits täglich sammeln. Indem Produktionsverläufe in eine dynamische Karte unterirdischer Verbindungen verwandelt werden, könnten Betreiber besser entscheiden, wo zu injizieren ist, welche Brunnen zurückgefahren werden sollten und wie verschwenderisches Gaskanalisieren vermieden werden kann. Obwohl die Arbeit an einem kontrollierten synthetischen Modell und nicht an realen, unordentlichen Felddaten demonstriert wurde, weist sie auf zukünftige Werkzeuge hin, die CO2-Fluten wirtschaftlicher machen und zugleich effektiver beim dauerhaften Binden von Kohlenstoff sein könnten — ein Schritt zur Versöhnung kurzfristiger Energiebedürfnisse mit langfristigen Klimazielen.

Zitation: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

Schlüsselwörter: CO2-Fluten, Konnektivität zwischen Brunnen, Graph-Neuronale Netze, Produktionsprognose, verbesserte Ölgewinnung