長短期記憶グラフ注意ネットワークに基づくCO2フラッディングにおける井間連結性の研究

なぜこの研究がエネルギーと気候に重要なのか

世界の石油の多くは依然として古い油田から産出されており、残存原油を取り出すことはますます難しくコストがかかっています。有望な手法の一つであるCO2フラッディングは、二酸化炭素を地下に注入して原油を押し出すと同時に、通常は大気に放出されるはずのCO2を貯留します。しかし、注入したガスが実際に井戸間でどのように移動するかを運用者が把握できないことが多いのです。本論文は、そのような隠れた連結をリアルタイムで「マップ化」する新しいデータ駆動型手法を提示し、CO2フラッディングの効率化と気候面の利点の向上に貢献しうることを示します。

見えない地下の高速道路を可視化する

CO2を油層に注入すると、それは均一に広がるわけではなく、透過性のばらつきや既存の断層などによって作られた好ましい地下経路、いわば隠れた「高速道路」に沿って流れます。ある注入井は特定の生産井に強く影響する一方で、他はほとんど影響を与えないことがあります。こうしたパターンは井間連結性と呼ばれ、CO2がどれだけ効果的に原油を生産井へ掃き出せるか、あるいはガスが有用なゾーンをバイパスしたり早期にブレイクスルーしたりするかを左右します。これらの接続を正確に追跡することは注入・生産計画の最適化に不可欠ですが、従来の手法は高価なフィールドテストを必要としたり、複雑な貯留層では有効性を欠く単純化に頼ったりすることが多いです。

従来ツールの限界

エンジニアは長年にわたり、圧力干渉試験、化学トレーサー、ストリームラインシミュレーションなどを用いて井戸間の連絡様式を推定してきました。近年は統計的手法や古典的な機械学習モデルも追加されましたが、各手法には一長一短があります。フィールドテストは遅く高価であり、単純化した物理モデルは変化が激しい岩盤の重要な詳細を見逃しがちです。標準的な機械学習はしばしば井戸を孤立した時系列データとして扱い、井戸間の進化する相互作用ネットワークを無視します。また多くのアプローチは連結パターンが時間的に固定されていると仮定しがちですが、実際にはCO2前線、圧力、流路は注入の進行に伴って変化します。

時間と空間を同時に学習するスマートなネットワーク

著者らは、井戸の時間的変化と空間的な影響を同時に追跡するよう設計されたハイブリッドAIモデルを導入します。モデルの一部である長短期記憶ネットワーク（LSTM）は時系列からのパターン学習を得意とし、ここでは各井戸の日々の注入・生産率を扱います。もう一方のグラフ注意ネットワーク（GAT）は井戸をノードとして扱い、どのペアが最も強く結び付いているかを学習し、影響力の大きいリンクに高い重みを割り当てます。LSTMとGATを組み合わせたこのシステムは、将来の生産を予測すると同時に、貯留層の進化に応じて注入井と生産井の間の連結強度を推定できます。

生きた井間マップを構築する

このモデルに与えるデータとして、研究者たちは広く研究されている三次元の合成貯留層モデル（EGGモデル）を用い、8本の注入井と4本の生産井について10年間のCO2フラッディングをシミュレーションしました。彼らはある井戸の注入変動が時間遅れを伴って別の井戸の生産にどのように現れるかを調べることで“生きた”接続マップを構築しました。最大遅延相互相関という指標を用いて、スライディングウィンドウ内で各接続の強さとタイミングを推定しました。十分に相関があり空間的に合理的に近いペアのみをネットワークのエッジとして残しました。この時間発展するグラフをGATに渡して各リンクの重要度をさらに精緻化し、LSTMは各井戸の日々の振る舞いを捉えました。

新アプローチの性能

ハイブリッドモデルは何千日分ものシミュレーションデータで厳密にチューニングおよび検証されました。ガス生産率の予測において高い精度を達成し、テストR²は約0.94に達しており、シミュレーションフィールドの変動を大部分説明しています。推定された連結マップを従来の数値シミュレーションによる詳細な流れパターンと比較すると、学習されたネットワークの強いリンクは高透過性ゾーンや密な流路と整合しました。著者らは単純回帰から独立したグラフネットワークや時系列手法まで複数のモデルと比較し、総じてLSTM–GATフレームワークはより正確な予測とより現実的な連結パターンを提供し、静的なグラフモデルは著しく劣ることが示されました。

よりクリーンで効率的な油回収への含意

一般読者向けにまとめると、この研究は現場が日常的に収集しているデータを用いて注入したCO2が地下でどのように移動するかをより賢く柔軟に追跡する手法を提示しています。生産履歴を地下接続の動的な地図に変換することで、運用者はどこに注入すべきか、どの井戸を絞るべきか、無駄なガスチャネリングを避けるにはどうすべきかといった判断を改善できます。本研究は制御された合成モデル上で示されたものであり、実際の複雑なフィールドデータとは異なりますが、CO2フラッディングをより経済的かつ炭素貯留の観点で効果的にする将来のツールへの道を示唆しています。

引用: 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

キーワード: CO2フラッディング, 井間連結性, グラフニューラルネットワーク, 生産予測, 増進回収