Ricerca sulla connettività interpozzo nell’iniezione di CO2 basata su una rete di attenzione su grafo con memoria a lungo e breve termine

Perché questo studio è importante per energia e clima

Gran parte del petrolio mondiale proviene ancora da giacimenti invecchiati, dove estrarre il greggio residuo diventa sempre più difficile e costoso. Un approccio promettente, l’iniezione di CO2, immette anidride carbonica nel sottosuolo per spingere fuori più petrolio conservando al contempo CO2 che altrimenti finirebbe in atmosfera. Tuttavia gli operatori spesso non riescono a vedere come il gas iniettato realmente si muova tra i pozzi. Questo lavoro presenta un nuovo metodo guidato dai dati per “mappare” in tempo reale queste connessioni nascoste, aiutando a rendere l’iniezione di CO2 più efficiente e potenzialmente più vantaggiosa per il clima.

Rendere visibili le autostrade sotterranee invisibili

Quando la CO2 viene iniettata in un serbatoio petrolifero, non si distribuisce in modo uniforme. Piuttosto, segue percorsi preferenziali sotterranei — come autostrade nascoste — create da variazioni nella permeabilità delle rocce e da fratture esistenti. Alcuni pozzi di iniezione influenzano fortemente certi pozzi di produzione; altri hanno scarso effetto. Questo schema, chiamato connettività interpozzo, determina quanto efficacemente la CO2 può spingere il petrolio verso i pozzi produttivi e quanto gas bypassa zone utili o fa breakthrough troppo rapidamente. Tracciare con precisione queste connessioni è cruciale per ottimizzare i piani di iniezione e produzione, ma i metodi tradizionali spesso richiedono costosi test di campo o assumono semplificazioni che faticano a rappresentare giacimenti complessi.

Limiti degli strumenti convenzionali

Gli ingegneri si sono a lungo affidati a tecniche come i test di interferenza di pressione, i traccianti chimici e le simulazioni di streamline per inferire come i pozzi comunicano sottoterra. Più recentemente, si sono aggiunti strumenti statistici e modelli di machine learning classici. Ciascun metodo offre intuizioni, ma presenta anche svantaggi: i test di campo sono lenti e costosi; i modelli fisici semplificati possono perdere dettagli importanti in rocce altamente variabili; e il machine learning standard spesso tratta i pozzi come flussi di dati isolati, ignorando la rete evolutiva di interazioni tra di essi. Questi approcci tendono inoltre ad assumere che lo schema delle connessioni sia fisso nel tempo, nonostante i fronti di CO2, le pressioni e i canali di flusso cambino man mano che l’iniezione procede.

Una rete intelligente che impara tempo e spazio insieme

Gli autori introducono un modello ibrido di intelligenza artificiale progettato per seguire sia come i pozzi cambiano nel tempo sia come si influenzano nello spazio. Una parte del modello, chiamata rete a memoria a lungo e breve termine (LSTM), è specializzata nell’apprendere pattern dalle serie temporali — qui, i tassi giornalieri di iniezione e produzione di ciascun pozzo. L’altra parte, una rete di attenzione su grafo (GAT), tratta i pozzi come nodi di una rete e apprende quali coppie sono più fortemente connesse, assegnando pesi maggiori ai collegamenti più influenti. Insieme, questo sistema LSTM–GAT può prevedere la produzione futura e stimare la forza delle connessioni tra i pozzi di iniezione e produzione in modo aggiornabile, conforme all’evoluzione del giacimento.

Costruire una mappa vivente delle connessioni tra pozzi

Per alimentare il modello, i ricercatori hanno usato un giacimento sintetico tridimensionale ampiamente studiato chiamato modello EGG e hanno simulato l’iniezione di CO2 per un decennio su otto pozzi di iniezione e quattro di produzione. Hanno costruito una mappa “vivente” delle connessioni esaminando come le fluttuazioni di iniezione in un pozzo si manifestano, con un ritardo temporale, nella produzione di un altro. Una misura chiamata correlazione incrociata massima con ritardo è stata usata per inferire la probabile intensità e tempistica di ciascuna connessione all’interno di finestre temporali mobili. Sono state mantenute come archi nella rete solo le coppie sufficientemente correlate e ragionevolmente vicine nello spazio. Questo grafo evolutivo è stato quindi fornito alla GAT, che ha ulteriormente raffinato l’importanza di ogni collegamento mentre l’LSTM catturava il comportamento giornaliero di ciascun pozzo.

Quanto bene funziona il nuovo approccio

Il modello ibrido è stato accuratamente ottimizzato e testato su migliaia di giorni simulati. Ha raggiunto un’elevata accuratezza nella previsione dei tassi di produzione del gas, con un R² di test di circa 0,94, il che significa che ha spiegato la maggior parte della variazione nel campo simulato. Quando le mappe di connettività inferite sono state confrontate con i dettagli dei flussi ottenuti dalle simulazioni numeriche tradizionali, i collegamenti forti nella rete appresa coincidevano con zone ad alta permeabilità e percorsi di flusso densi. Gli autori hanno anche confrontato il loro metodo con una gamma di altri modelli, dalla regressione semplice a reti su grafo indipendenti e metodi per serie temporali. In generale, il framework LSTM–GAT ha fornito previsioni più accurate e schemi di connettività più realistici, mentre i modelli su grafo puramente statici sono risultati notevolmente inferiori.

Implicazioni per un recupero di petrolio più pulito ed efficiente

Per il lettore non tecnico, il messaggio centrale è che questo studio offre un modo più intelligente e flessibile per tracciare come la CO2 iniettata si muove nel sottosuolo, sfruttando i dati che i giacimenti moderni già raccolgono quotidianamente. Trasformando le storie di produzione in una mappa dinamica delle connessioni sotterranee, gli operatori potrebbero decidere meglio dove iniettare, quali pozzi rallentare e come evitare canali di gas spreconi. Pur essendo il lavoro dimostrato su un modello sintetico controllato piuttosto che su dati di campo reali e disordinati, apre la strada a strumenti futuri che potrebbero rendere l’iniezione di CO2 più economica ed efficace nel fissare il carbonio, conciliando i bisogni energetici a breve termine con gli obiettivi climatici a lungo termine.

Citazione: 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

Parole chiave: Iniezione di CO2, connettività interpozzo, reti neurali su grafo, previsione di produzione, recupero avanzato di petrolio