是很重要的对地质过程的研究,以创造新颖的计算技术和解决关键的能源和环境问题。非常规油气回收、地质碳储存和地热恢复地质过程能量转换发挥着重要的作用。

尽管最近建模技术的进步,剩余geofluid过程面临许多挑战需要解决由于这些系统的复杂性和快速仿真和优化的要求,加快决策过程。小说需要使用仿真方法来解决当地的细节受到多种因素交互影响,包括岩石非均质性、多相流,和耦合的物理。传统的基于物理的建模方法对这些过程往往需要大量的计算和软件/模型需要大量的努力开发和维护。与此同时,数据驱动的方法,比如降阶建模、机器学习、和深度学习,打开新的门有效地预测流体在多孔介质具有较强的非线性和已逐渐在地质应用中得到了广泛的关注。

这个特殊问题的目的是将原始研究和评论文章讨论的算法开发和应用数据驱动建模与基于物理综合储层模拟字段或实验数据与地质过程有关。我们尤其感兴趣的复苏提交包括非常规油气等地质过程,地质碳储存和地热流程。我们希望这个特殊问题的改善我们目前的理解主题,加快地下过程管理的决策。

潜在的主题包括但不限于以下:

• 数据驱动的模型来描述地质与多尺度非均质多孔介质
• 数据驱动的模型预测状态变量(如压力、温度、成分、和饱和度),发展在时间和空间流体注入或从多孔介质
• 数据驱动的模型预测多相流体注入或生产水平(例如,时间序列)
• 数据驱动的方法来加速解决基于物理数值流预调节器通过紧密耦合
• 数据驱动的建模方法来预测流体在大规模油藏模型
• 数据驱动的建模方法来预测流体在多孔介质双骨折或多个峰值或渗透率
• 水库实时监控通过转移学习、元学习或强化学习
• Physics-informed机器学习,管理物理约束的多孔介质中流体流动
• 可伸缩的优化与数据驱动的模型来管理石油和天然气储层
• 数据驱动建模应用程序控制和位置的优化
• 不确定性量化、历史匹配和基于数据驱动的建模数据同化
• 小说AI-assisted压力瞬态分析(PTA),速度瞬态分析(等),和递减曲线分析(DCA)非常规储层的方法
• 数据驱动的基于物理代理模型的快速和可靠的生产预测或优化