機器學習+巖石微觀結構：讓深部封存壓力預測更敏銳

原文發表于《科技導報》202 6年第6期《基于機器學習的流體深部地質封存潛力智能預測方法》

面對全球氣候變化，碳捕集與封存（carbon capture and storage, CCS）是實現大規模負碳的重要技術路徑，而深部地質封存技術作為 CCS 體系中的關鍵環節，是目前最具應用前景的負碳方式之一，但深部地質封存過程中存在注入壓力難以精準預測的問題。《科技導報》邀請中國煤炭地質總局勘查研究總院地質封存技術團隊楊占工程師、杜松正高級工程師等人撰寫文章，提出一種融合運行監測數據與儲層結構特征的深部流體封存潛力智能預測方法框架，通過引入機器學習與時序特征驅動建模，可有效識別封存階段并精準預測注入壓力演化。經過18個月、超150萬噸累計注入量的實際工程驗證，該方法表現穩定，可為多類型深部流體注入與封存工程的智能評估與安全運行提供技術支撐。

近年來，CO2排放持續增長，已經成為全球氣候變化的主要驅動因素。為了應對氣候風險，不少國家都提出了碳中和目標。問題是，目前全球能源結構中化石能源占比仍然超過80%，亟需源頭減排和末端封存協同推進，碳捕集與封存（CCS）被廣泛認為是實現大規模負碳的重要技術路徑。作為CCS體系中的關鍵環節，深部地質封存技術通過將流體注入1500~3500 m深部地層里，靠蓋層封閉性，讓流體與生物圈長期隔離，是目前最有應用前景的負碳方式之一。

在這個過程中，注入壓力是關鍵觀測指標——它直接影響封存安全和運行效率。但傳統機理模型很難準確刻畫復雜地層和非線性的壓力變化；而且超臨界CO2很容易被壓縮，容易受相態變化與和溶解效應影響，導致壓力數據很難準確指示地下孔隙應力的真實變化，增加運行監測與調控難度。另外，CO2封存大多是小試規模，長期連續運行數據相對匱乏，制約了數據驅動預測方法的系統構建與驗證。所以，我們亟需發展一種融合運行監測數據和地質結構特征的智能預測方法。

相比之下，高礦化度礦井水和CO2封存在儲層?蓋層配置要求上很一致，但它不太容易被壓縮，注入壓力對孔隙壓力變化更敏感，而且與地層原生水理化性質相近，地球化學擾動風險較低。同時，這類流體來源穩定、規模也大，更適合開展百萬噸級的長期連續注入試驗，這為構建數據驅動的壓力響應分析與預測方法提供了理想的應用場景。

基于上述需求，本文提出一種融合運行監測數據與儲層微觀結構特征的深部流體封存潛力智能預測方法框架，利用機器學習和深度學習技術來識別運行階段、預測壓力變化，并在高礦化度流體封存工程場景中做了驗證。結果表明，這一方法能有效識別關鍵運行階段并實現高精度壓力預測。所提出的方法具有良好的可擴展性與可遷移性，后續可以推廣到CO2地質封存、深部地熱利用、高鹽水處置及其他深部流體注入工程的運行評估和風險預警中。

1 研究方法

試驗區在黃土高原地區東勝梁南側，靠近區域地表分水嶺（圖 1）。這里共布設了1口注入井（深2240 m）和1口監測井（深2247 m），注入采用柱塞泵，單泵最大工作壓力12 MPa，最大流量130 m3/h，共安裝1臺。為了了解儲層微觀結構，我們在劉家溝組和石千峰組采集巖芯，并用掃描電子顯微鏡（SEM）進行觀察分析。

圖1 鄂爾多斯盆地示意

研究采用2023年1月至2024年10月柱塞泵運行數據，剔除了低于4 MPa（啟泵階段）和高于12 MPa（極限工況）的異常數據，以40 min為窗口對原始數據做均值重采樣。預處理包括滑動平均法平滑、按月識別并剔除異常值、刪除缺失值以及標準化處理。最終數據按時間順序劃分為訓練集（前80%）和測試集（后20%）。為了預測泵壓的變化特征，我們構建并對比了3種時間序列模型：自回歸積分滑動平均模型（ARIMA）、極端梯度提升（XGBoost）和長短期記憶網絡（LSTM）。模型訓練和計算都在Python 3.9平臺上完成，采用Scikit?learn和PyTorch等開源庫。

2 研究結果

2.1 巖芯分析

SEM的結果顯示，儲集空間主要由粒間孔、粒內溶蝕孔和微裂隙3類孔?裂隙結構組成（圖2）。其中，粒內溶蝕孔廣泛發育，形成流體運移的優先通道。

圖2 劉家溝組和石千峰組中巖芯 SEM 圖像

在注入過程中，井周圍的孔隙水壓力逐漸升高，誘發產生了新的納米級微裂隙，也讓原有孔隙擴展，導致近井區得孔隙度和滲透率階段性增強。這個過程在空間上具有非定向性，注入初期壓力?流量關系高度離散，對應“突破期”。等到孔?裂隙體系逐漸連通、趨于穩定，流動阻力主要受到地層固有滲透性控制，壓力?流量數據明顯收斂，進入“填充期”。這兩個時期交替演化，共同構成了注入壓力隨時間呈現的階段性振蕩特征。

2.2 壓力和流量演化分析

圖3展示了注入期間每2個月注入泵壓力和流量的變化特征。整體來看，注入壓力主要分布在4~9 MPa，流量在25~125 m3/h。

圖3 封存期間流量?壓力分布情況

根據壓力–流量數據的離散特征和時間演化規律，可以把注入過程分成2個注入循環：周期1（第1~6個月）和周期2（第7~18個月）。周期1結束后，井周圍地層趨于飽和，后面再注入就需要克服更大范圍內的孔隙壓力，這導致周期2持續時間顯著延長，累計注入量也更大。

進一步細分（圖4），2個周期可以分成5個階段：第1~3個月、第4~6個月、第7~9個月、第10~13個月與第14~18個月。

圖4 各月份壓力變化情況

從物理意義上講，這些階段可以歸納為2類運行狀態：突破期與填充期。突破期對應壓力?流量數據離散、流量波動較強的區間，指示近井區或壓力前緣處孔–微裂隙通道正在逐步貫通、流向在重新調整；填充期對應數據點收斂、流量波動減弱的區間，反映近井區趨于飽和后流動阻力主要由地層固有滲透性控制。基于這一定義，后續我們采用2種互補策略：一是，在全數據集上訓練統一模型，評估總體預測能力；二是，按“突破/填充”分階段建模、對比分析，來檢驗階段差異對最優時間窗、特征貢獻和模型泛化能力的影響，也為現場實時調控提供更有針對性的預測結果。

2.3 模型訓練和比較

為了揭示注入過程中壓力–流量數據里潛在的時間序列特征，我們對比了傳統統計模型、機器學習模型和深度學習模型的預測性能。結果表明：

ARIMA模型在訓練集中的擬合效果較好，但一到測試集，模型誤差就顯著放大，預測性能明顯下降（圖5），有的階段的誤差達到訓練集的數倍。這主要是因為：深部地質封存過程中，注入壓力隨時間波動上升，傳統統計模型很難識別其中的非線性變化與突變行為。所以，ARIMA在多個時間段的預測精度不如機器學習和深度學習方法。

圖5 第10~14個月3種模型的訓練預測情況

XGBoost模型能夠較好地學習訓練集中的時序特征，在測試集中表現出較高的預測精度。多個階段中誤差指標均低于ARIMA和LSTM（圖6）。但測試集誤差普遍比訓練集高，一定程度上存在對訓練數據噪聲的過擬合現象。我們引入5折交叉驗證方法發現，RMSE介于訓練集和測試集之間（圖6），說明XGBoost在各階段有比較穩定的泛化性能。但預測效果仍然受到階段特征影響：在數據波動較小的填充期表現更好，而在突破期（如第7~9個月）MAPE和最大誤差明顯增大。

圖6 3種模型在周期1中的評價結果

LSTM在部分階段訓練集中沒有取得最優擬合效果，但在測試集中的預測誤差相對較低，泛化能力更強。這主要得益于LSTM能夠有效捕捉時間序列后段的趨勢特征和長期依賴關系。總體來看，LSTM在不同時間段和不同數據分布條件下表現都更穩定，RMSE集中在0.1左右，MAPE約為1.0。盡管深度學習模型對數據規模和計算復雜度要求較高，在短期預測中可能略遜于樹模型，但在結構擴展和模型優化方面潛力更大。后續如果增加訓練樣本、擴充網絡規模或者引入注意力機制，LSTM有望進一步提升對長期壓力演化過程的預測能力。

3 結論

我們以注入泵出口壓力作為關鍵監測指標，分析了深部地質封存過程中儲層應力響應特征，這為理解地下流體封存過程中的地球力學行為提供了新的認識。結合前期地質調查成果和實際運行期間泵壓變化特征，可以推斷：注入后流體在儲層中的運移主要受裂隙導流和孔隙擴散機制共同控制。基于18個月連續運行過程中獲取的3億余條泵運行監測數據，我們對注入過程進行了系統分析，結果表明，可以依據壓力?流量數據的離散程度、月均壓力的單調性及其整體演化趨勢，把封存過程合理劃分為突破期與填充期。在引入階段標簽開展分階段模型訓練后，壓力預測精度明顯提升了。

在幾種模型中，XGBoost在短期預測方面表現最優，尤其在壓力波動較小的填充期，它的預測精度最高（RMSE為0.09）。盡管LSTM在短期預測精度上略低于XGBoost，但它的內部記憶機制在刻畫時間序列長期依賴關系方面更有優勢。隨著監測數據的不斷積累，LSTM在長期壓力演化預測中的能力有望進一步增強，這對于深部地質封存的長期安全運行和可持續實施來說具有重要意義。

盡管巖芯分析能直觀揭示儲層巖石的微觀結構特征，但它在刻畫原位封存過程的動態演化方面還是有局限的。相比之下，我們的研究發現，長期壓力和流量監測為認識深部地質封存過程提供了一種新的研究視角。通過分析壓力隨時間變化的特征，我們識別出壓力周期性升高和離散增強的演化模式，這指示了儲層孔隙和微裂隙的逐步發育過程。這一發現不僅和既有理論認識一致，也在工程數據層面上首次驗證了深部地質封存過程中孔–裂隙動態演化機制，為理解流體封存的孔隙尺度約束機理提供了新的實證依據。

另外，本研究構建的機器學習預測模型在實際工程場景中表現出良好的適用性，未來可以進一步拓展到封存容量評估、流體運移前緣預測和封存過程的動態風險評估，為深部地質封存工程的智能化運行和決策支持提供技術支撐。

本文作者：楊占、李祥、張嘯、陶盛、杜松

作者簡介：楊占，中國煤炭地質總局勘查研究總院地質封存團隊、礦山透明地質與數字孿生技術國家礦山安全監察局重點實驗室，工程師，研究方向為深部地質封存下新污染物遷移、機器學習、圖像融合；杜松（通信作者），中國煤炭地質總局勘查研究總院地質封存團隊、礦山透明地質與數字孿生技術國家礦山安全監察局重點實驗室，正高級工程師，研究方向為流體深部地質封存技術、深部地層流體滲流規律。

文章來 源 ： 楊占, 李祥, 張嘯, 等. 基于機器學習的流體深部地質封存潛力智能預測方法[J]. 科技導報, 2026, 44(6): 68?75.

本文有刪改，

內容為【科技導報】公眾號原創，歡迎轉載
白名單回復后臺「轉載」

《科技導報》創刊于1980年，中國科協學術會刊，主要刊登科學前沿和技術熱點領域突破性的研究成果、權威性的科學評論、引領性的高端綜述，發表促進經濟社會發展、完善科技管理、優化科研環境、培育科學文化、促進科技創新和科技成果轉化的決策咨詢建議。常設欄目有院士卷首語、科技新聞、科技評論、專稿專題、綜述、論文、政策建議、科技人文等。