Forskning om mellan-brunns-konnektivitet vid CO2‑injektion baserat på long short-term memory graph attention network

Varför denna studie är viktig för energi och klimat

Mycket av världens olja kommer fortfarande från åldrande fält där det blir allt svårare och dyrare att utvinna den återstående råoljan. En lovande metod, CO2‑injektion, sprutar koldioxid under jord för att vrida ut mer olja samtidigt som CO2 lagras istället för att släppas ut i atmosfären. Operatörer kan dock ofta inte se hur den injicerade gasen faktiskt rör sig mellan brunnarna. Denna uppsats presenterar ett nytt datadrivet sätt att i realtid "kartlägga" dessa dolda förbindelser, vilket kan göra CO2‑injektion mer effektivt och potentiellt mer klimatvänligt.

Gör osynliga underjordiska motorvägar synliga

När CO2 injiceras i ett oljereservoir sprider det sig inte jämnt. Istället följer det föredragna underjordiska vägar – som dolda motorvägar – skapade av variationer i bergartspermeabilitet och befintliga sprickor. Vissa injektionsbrunnar påverkar starkt vissa produktionsbrunnar; andra spelar knappt någon roll. Detta mönster, kallat mellan‑brunns‑konnektivitet, styr hur effektivt CO2 kan sopa olja mot produktionsbrunnarna och hur mycket gas som kringgår användbara zoner eller bryter igenom för snabbt. Att korrekt följa dessa förbindelser är avgörande för att anpassa injektions‑ och produktionsplaner, men traditionella metoder kräver ofta kostsamma fälttester eller förenklade antaganden som har svårt i komplexa reservoarer.

Begränsningar i konventionella verktyg

Ingenjörer har länge förlitat sig på tekniker som tryckinterferensprov, kemiska spårämnen och strömlinjesimuleringar för att avgöra hur brunnar kommunicerar under jord. På senare tid har statistiska verktyg och klassiska maskininlärningsmodeller lagts till verktygslådan. Medan varje metod ger insikter har de också nackdelar: fälttester är långsamma och dyra; förenklade fysiska modeller kan missa viktiga detaljer i starkt varierande bergarter; och standardmaskininlärning behandlar ofta brunnar som isolerade dataströmmar och bortser från det föränderliga nätverket av interaktioner mellan dem. Dessa angreppssätt tenderar också att anta att konnektivitetsmönstret är fixerat över tid, trots att CO2‑fronten, tryck och flödeskanaler ändras under injektionen.

Ett smart nätverk som lär sig tid och rum tillsammans

Författarna introducerar en hybrid artificiell intelligensmodell som är utformad för att följa både hur brunnar förändras över tid och hur de påverkar varandra i rummet. En del av modellen, en long short‑term memory‑nätverk (LSTM), specialiserar sig på att lära mönster i tidsserier – här dagliga injektions‑ och produktionsflöden för varje brunn. Den andra delen, ett graph attention network (GAT), behandlar brunnarna som noder i ett nätverk och lär sig vilka par som är mest starkt förbundna, genom att tilldela högre vikter till mer inflytelserika länkar. Tillsammans kan detta LSTM–GAT‑system både prognostisera framtida produktion och uppskatta styrkan i förbindelserna mellan injektions‑ och produktionsbrunnar på ett sätt som uppdateras när reservoaren utvecklas.

Bygga en levande karta över brunnsförbindelser

För att mata modellen använde forskarna en välstudera tredimensionell syntetisk reservoarmodell kallad EGG och simulerade CO2‑injektion över ett decennium för åtta injektionsbrunnar och fyra produktionsbrunnar. De konstruerade en "levande" karta över förbindelser genom att undersöka hur fluktuationer i injektion vid en brunn dyker upp, med en tidsfördröjning, i produktionen vid en annan. Ett mått kallat maximal fördröjd korskorrelation användes för att härleda den sannolika styrkan och tidpunkten för varje förbindelse inom glidande tidsfönster. Endast par som både var tillräckligt korrelerade och rimligt nära varandra i rummet behölls som kanter i nätverket. Denna utvecklande graf matades sedan till GAT, som ytterligare förfinade vikten för varje länk medan LSTM fångade varje brunns dagliga beteende.

Hur väl den nya metoden presterar

Hybridmodellen stämde noggrant av och testades på tusentals simulerade dagsdata. Den uppnådde hög noggrannhet i att prediktera gasproduktionshastigheter, med ett test‑R² på cirka 0,94, vilket innebär att den förklarade större delen av variationen i det simulerade fältet. När de härledda konnektivitetskartan jämfördes med detaljerade flödesmönster från traditionella numeriska simuleringar, överensstämde starka länkar i det inlärda nätverket med zoner med hög permeabilitet och täta flödesstråk. Författarna jämförde också sin metod med en rad andra modeller, från enkel regression till fristående grafnätverk och tidsseriemetoder. Överlag gav LSTM–GAT‑ramverket mer precisa prognoser och mer realistiska konnektivitetsmönster, medan rent statiska grafmodeller låg avsevärt efter.

Implikationer för renare och mer effektiv oljeåtervinning

För en lekman är huvudbudskapet att denna studie erbjuder ett smartare, mer flexibelt sätt att följa hur injicerad CO2 rör sig i underjorden, med hjälp av de data som moderna fält redan samlar in dagligen. Genom att omvandla produktionshistorik till en dynamisk karta över underjordiska förbindelser kan operatörer bättre avgöra var de ska injicera, vilka brunnar som bör dämpas och hur man undviker slösaktiga gaskanaler. Även om arbetet demonstreras på en kontrollerad syntetisk modell snarare än röriga verkliga fältdatamängder, pekar det mot framtida verktyg som kan göra CO2‑injektion både mer ekonomisk och effektiv för att binda kol, i linje med kortsiktiga energibehov och långsiktiga klimatmål.

Citering: 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

Nyckelord: CO2‑injektion, mellan‑brunns‑konnektivitet, grafneurala nätverk, produktionsprognoser, förbättrad oljeåtervinning