Краткое содержание

arXiv:2511.05266v1 Тип объявления: кросс Аннотация: Точное описание неоднородности подземных пластов имеет большое значение для безопасного и эффективного осуществления проектов геологического хранения углерода (GCS). В данной статье исследуется, каким образом методы машинного обучения могут улучшить ассимиляцию данных для GCS с помощью фреймворка, объединяющего основанные на оценочных показателях диффузионные модели с локализацией, улучшенной методами машинного обучения, применительно к канализированным резервуарам во время закачки $\text{CO}_2$. Мы используем методику локализации, усиленную машинным обучением, которая задействует большие ансамбли ($N_s=5000$), включающие проницаемости, генерируемые диффузионной моделью, и состояния, вычисляемые простыми алгоритмами машинного обучения, чтобы повысить точность оценки ковариаций для ансамбля сглаживателя с многократной ассимиляцией данных (ESMDA). Мы применяем алгоритмы машинного обучения к априорному ансамблю полей проницаемости каналов, созданных с использованием геостатистической модели FLUVSIM. Наш подход применяется к сценарию закачки $\text{CO}_2$, смоделированному с помощью симулятора DARTS — продвинутого исследовательского инструмента Делфтского технического университета.