油气藏评价与开发

算法	核心技术	主要优势	存在缺点	数据规模	复杂度	可解释性
SVM 据文献[27]	核函数、最大间隔优化	理论完备、小样本优势	计算复杂度高、核参数选择困难	小规模（<1×10⁴）	高	低
PSO 据文献[28]	群体智能（鸟群模拟）、速度-位置迭代公式	全局优化、快速收敛	局部最优、参数敏感	中小规模（<10×10⁴）	低	低
RF 据文献[29]	集成学习、Bootstrap（自助抽样法）抽样	鲁棒性、特征重要性	解释性差、极端值敏感、过平滑	中小规模（1×10⁴~100×10⁴）	中	中
VMD 据文献[30]	变分优化、模态分解、惩罚项最小化	自适应分解、信号特征提取	层数K依赖、计算成本高	中小规模（<5×10⁴）	高	中
GA 据文献[31]	自然选择（交叉/变异/选择）、染色体编码	全局搜索、复杂约束、多目标优化	收敛速度慢、编码复杂	中规模（1×10⁴~50×10⁴）	中	低
ANN据文献[32]	反向传播、非线性激活函数、深层网络	深层特征学习、端到端建模	过拟合、计算成本高、黑箱特性	大规模（>10×10⁴）	高	低
XGBoost据文献[33]	梯度提升、二阶导数优化	高效并行、预测精度高	过拟合、超参数依赖	中大规模（1×10⁴~1 000×10⁴）	中	中

算法	核心技术	主要优势	存在缺点	数据规模	复杂度	可解释性
SVM 据文献[27]	核函数、最大间隔优化	理论完备、小样本优势	计算复杂度高、核参数选择困难	小规模（<1×10⁴）	高	低
PSO 据文献[28]	群体智能（鸟群模拟）、速度-位置迭代公式	全局优化、快速收敛	局部最优、参数敏感	中小规模（<10×10⁴）	低	低
RF 据文献[29]	集成学习、Bootstrap（自助抽样法）抽样	鲁棒性、特征重要性	解释性差、极端值敏感、过平滑	中小规模（1×10⁴~100×10⁴）	中	中
VMD 据文献[30]	变分优化、模态分解、惩罚项最小化	自适应分解、信号特征提取	层数K依赖、计算成本高	中小规模（<5×10⁴）	高	中
GA 据文献[31]	自然选择（交叉/变异/选择）、染色体编码	全局搜索、复杂约束、多目标优化	收敛速度慢、编码复杂	中规模（1×10⁴~50×10⁴）	中	低
ANN据文献[32]	反向传播、非线性激活函数、深层网络	深层特征学习、端到端建模	过拟合、计算成本高、黑箱特性	大规模（>10×10⁴）	高	低
XGBoost据文献[33]	梯度提升、二阶导数优化	高效并行、预测精度高	过拟合、超参数依赖	中大规模（1×10⁴~1 000×10⁴）	中	中

应用方向	算法模型	成果
MMP预测	GA-SVR、SVM-RF、时空图卷积网络	预测误差降至4.00%~7.69%，温度是关键影响；物理可解释性增强^{[14, 38, 48, 65]}
渗透率预测	XGBoost、多核支持向量机-遗传算法、ANFIS-PSO、GEP、MLP	渗透率解释精度增加37.97%；扩散系数预测误差小于1%；XGBoost模型提升渗透率预测精度50%；高温高压下MLP精度最高（R²达到0.998 0）；ANFIS-PSO、GEP等模型显著优于传统经验公式（R²不小于0.997 0）^{[39, 40, 44, 62, 68-72]}
溶解度预测	RBFNN-ABC、XGBoost	RBFNN-ABC在宽温压范围下精度极高（R²达到0.996 7）；XGBoost结合DUAN-SUN模型，溶解度预测误差不大于3.2%，计算效率显著提升^{[58, 73]}
多目标优化	ANN与NSGA-II结合、混合粒子群算法、强化学习	模拟时间大幅度缩小，误差小于3%，R²大于0.999 0；混合粒子群算法降低成本14.7%；强化学习优化碳封存流程，效率提升20%，能耗降低15% ^{[51, 52, 54-58, 65, 74-78]}
动态优化与因果建模	深度Q网络、BO-Light CBM	气窜率减少25%，日产油量增加15%；潜力评估准确率98.7%^{[59, 65, 72]}

应用方向	算法模型	成果
MMP预测	GA-SVR、SVM-RF、时空图卷积网络	预测误差降至4.00%~7.69%，温度是关键影响；物理可解释性增强^{[14, 38, 48, 65]}
渗透率预测	XGBoost、多核支持向量机-遗传算法、ANFIS-PSO、GEP、MLP	渗透率解释精度增加37.97%；扩散系数预测误差小于1%；XGBoost模型提升渗透率预测精度50%；高温高压下MLP精度最高（R²达到0.998 0）；ANFIS-PSO、GEP等模型显著优于传统经验公式（R²不小于0.997 0）^{[39, 40, 44, 62, 68-72]}
溶解度预测	RBFNN-ABC、XGBoost	RBFNN-ABC在宽温压范围下精度极高（R²达到0.996 7）；XGBoost结合DUAN-SUN模型，溶解度预测误差不大于3.2%，计算效率显著提升^{[58, 73]}
多目标优化	ANN与NSGA-II结合、混合粒子群算法、强化学习	模拟时间大幅度缩小，误差小于3%，R²大于0.999 0；混合粒子群算法降低成本14.7%；强化学习优化碳封存流程，效率提升20%，能耗降低15% ^{[51, 52, 54-58, 65, 74-78]}
动态优化与因果建模	深度Q网络、BO-Light CBM	气窜率减少25%，日产油量增加15%；潜力评估准确率98.7%^{[59, 65, 72]}

应用方向	算法模型	成果
选址优化	DNN	DNN整合多源数据选址，储层质量、注入能力为关键指标^{[79, 87-88]}
储层表征	SVM、RF、符号回归	SVM结合地震数据预测岩相，构造高位井区适合封存；符号回归揭示渗透率为二次注气封存关键参数，其重要性随时间增长^{[80, 89]}
封存参数优化	改进PSO算法、ANN、CNN-GRU、径向基函数神经网络（RBFNN）	用改进PSO算法优化井网，发现井距对封存影响显著；CNN-GRU与NSGA-Ⅱ能确定不同目标下CH₄再注入的最优参数组合；RBF-NN模型能确定影响封存效率的关键参数^{[60, 90-92]}
封存效率	BP神经网络、ANFIS、RF	BP神经网络预测封存系数误差小于8%；RF模型在残余/溶解封存效率预测中精度最高（R²不小于0.965 0）；AOSSA-ANFIS模型（基于自适应正交麻雀搜索算法的自适应神经模糊推理系统模型）误差小于其他优化的ANFIS模型^{[76, 81-83]}
监测与风险评估	LSTM、CONV-LSTM、ANN、SVM-RF	LSTM精准识别泄漏，CONV-LSTM特征提取潜力大；ANN结合LHS优化监测设计，压力监测减少73%泄漏量不确定性；通过优化注气策略，使日产油量增加^{[5, 14, 41, 64, 67, 87, 93-95]}

应用方向	算法模型	成果
选址优化	DNN	DNN整合多源数据选址，储层质量、注入能力为关键指标^{[79, 87-88]}
储层表征	SVM、RF、符号回归	SVM结合地震数据预测岩相，构造高位井区适合封存；符号回归揭示渗透率为二次注气封存关键参数，其重要性随时间增长^{[80, 89]}
封存参数优化	改进PSO算法、ANN、CNN-GRU、径向基函数神经网络（RBFNN）	用改进PSO算法优化井网，发现井距对封存影响显著；CNN-GRU与NSGA-Ⅱ能确定不同目标下CH₄再注入的最优参数组合；RBF-NN模型能确定影响封存效率的关键参数^{[60, 90-92]}
封存效率	BP神经网络、ANFIS、RF	BP神经网络预测封存系数误差小于8%；RF模型在残余/溶解封存效率预测中精度最高（R²不小于0.965 0）；AOSSA-ANFIS模型（基于自适应正交麻雀搜索算法的自适应神经模糊推理系统模型）误差小于其他优化的ANFIS模型^{[76, 81-83]}
监测与风险评估	LSTM、CONV-LSTM、ANN、SVM-RF	LSTM精准识别泄漏，CONV-LSTM特征提取潜力大；ANN结合LHS优化监测设计，压力监测减少73%泄漏量不确定性；通过优化注气策略，使日产油量增加^{[5, 14, 41, 64, 67, 87, 93-95]}

领域	ML方法	具体应用	应用成熟度及算法特点
CO₂-EOR&CO₂-EGR	ANN	MMP预测；产量预测与评价；多目标优化	中等。在部分任务上取得一定成果，存在过拟合、计算成本高及黑箱特性
RF	MMP预测；渗流机理建模；产量预测与评价	中等。鲁棒性强、能评估特征，解释性差、内存消耗大
SVM	MMP预测；产量预测与评价	中等。理论完备、小样本优势明显，计算复杂度高、核参数选择困难
XGBoost	产量预测；多目标优化；吸附量预测	中等。能并行计算且预测精度高，存在过拟合倾向、依赖超参数调整，处理动态扩散过程时可解释性差
CO₂封存	DNN	储层优选；监测与选址优化	中等。模型性能高，对数据质量要求高
XGBoost	储层优选	中等。多任务中表现良好，存在过拟合和超参数依赖问题
SVM	储层优选；储层表征	中等。小样本和高维数据处理能力强，计算复杂度高，核参数选择难
RF	封存效率预测；储层物性与吸附能力预测	中等。稳定性好，能评估特征，解释性差，内存消耗大
MLP	封存效果预测	中等。能处理非线性问题，训练时间长、易过拟合
ANFIS	封存效果预测	中等。能融合模糊逻辑和神经网络优势，参数确定较复杂

领域	ML方法	具体应用	应用成熟度及算法特点
CO₂-EOR&CO₂-EGR	ANN	MMP预测；产量预测与评价；多目标优化	中等。在部分任务上取得一定成果，存在过拟合、计算成本高及黑箱特性
RF	MMP预测；渗流机理建模；产量预测与评价	中等。鲁棒性强、能评估特征，解释性差、内存消耗大
SVM	MMP预测；产量预测与评价	中等。理论完备、小样本优势明显，计算复杂度高、核参数选择困难
XGBoost	产量预测；多目标优化；吸附量预测	中等。能并行计算且预测精度高，存在过拟合倾向、依赖超参数调整，处理动态扩散过程时可解释性差
CO₂封存	DNN	储层优选；监测与选址优化	中等。模型性能高，对数据质量要求高
XGBoost	储层优选	中等。多任务中表现良好，存在过拟合和超参数依赖问题
SVM	储层优选；储层表征	中等。小样本和高维数据处理能力强，计算复杂度高，核参数选择难
RF	封存效率预测；储层物性与吸附能力预测	中等。稳定性好，能评估特征，解释性差，内存消耗大
MLP	封存效果预测	中等。能处理非线性问题，训练时间长、易过拟合
ANFIS	封存效果预测	中等。能融合模糊逻辑和神经网络优势，参数确定较复杂

机器学习在CO₂提高油气采收率与地质封存中的研究进展

叶虹莹 1 , 曹成 1^,2^,3 , 赵玉龙 1 , 张烈辉 1 , 朱浩楠 1 , 文绍牧 4 , 李清平 2 , 张德平 5 , 赵松 6 , 曹正林 7

油气藏评价与开发 | 方法理论 2026,16(1): 84-95

收起

油气藏评价与开发 |方法理论 2026 , 16 (1) : 84 -95

机器学习在CO₂提高油气采收率与地质封存中的研究进展

全屏

叶虹莹1, 曹成1^,2^,3, 赵玉龙1, 张烈辉1, 朱浩楠1, 文绍牧4, 李清平2, 张德平5, 赵松6, 曹正林7

作者信息

¹　西南石油大学油气藏地质及开发工程全国重点实验室，四川　　成都　610500

²　怀柔实验室，北京　101400

³　重庆大学产业技术研究院，重庆　401331

⁴　中国石油西南油气田公司，四川　　成都　610055

⁵　中国石油吉林油田分公司二氧化碳捕集埋存与提高采收率（CCS-EOR）开发公司，吉林　　松原　138000

⁶　中国石油长庆油田分公司，陕西　　西安　710018

⁷　中国石油勘探开发研究院，北京　101400

通讯作者:

曹成（1993—），男，博士，副研究员，从事CO₂地质利用与封存方向研究。地址：四川省成都市新都区新都大道8号，邮政编码：610500。E-mail：caocheng@swpu.edu.cn

作者简介:

叶虹莹（2003—），女，在读硕士研究生，从事CO₂地质利用与封存方向研究。地址：四川省成都市新都区新都大道8号，邮政编码：610500。E-mail：2746693021@qq.com

Research progress on machine learning in CO₂ enhanced oil and gas recovery and geological storage

HONGYING YE1, CHENG CAO1^,2^,3, YULONG ZHAO1, LIEHUI ZHANG1, HAONAN ZHU1, SHAOMU WEN4, QINGPING LI2, DEPING ZHANG5, SONG ZHAO6, ZHENGLIN CAO7

Affiliations

¹ State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Southwest Petroleum University, Chengdu, Sichuan 610500, China

² Huairou Laboratory, Beijing 101400, China

³ Chongqing University Industrial Technology Research Institute, Chongqing 401331, China

⁴ PetroChina Southwest Oil & Gasfield Company, Chengdu, Sichuan 610055, China

⁵ CCS-EOR Company, PetroChina Jilin Oilfield Company, Songyuan, Jilin 138000, China

⁶ PetroChina Changqing Oilfield Company, Xi’an, Shaanxi 710018, China

⁷ Research Institute of Petroleum Exploration and Development, Beijing 101400, China

出版时间: 2026-01-26 doi: 10.13809/j.cnki.cn32-1825/te.2025268

文章导航

关键词

机器学习 / 智能算法 / CCUS（碳捕集、利用与封存） / 提高油气采收率 / 地质封存

Key words

machine learning / intelligent algorithm / CCUS (carbon capture, utilization and storage) / enhanced oil and gas recovery / geological storage

引用本文

叶虹莹, 曹成, 赵玉龙, 张烈辉, 朱浩楠, 文绍牧, 李清平, 张德平, 赵松, 曹正林. 机器学习在CO₂提高油气采收率与地质封存中的研究进展. 油气藏评价与开发, 2026 , 16 (1) : 84 -95 . DOI: 10.13809/j.cnki.cn32-1825/te.2025268

HONGYING YE, CHENG CAO, YULONG ZHAO, LIEHUI ZHANG, HAONAN ZHU, SHAOMU WEN, QINGPING LI, DEPING ZHANG, SONG ZHAO, ZHENGLIN CAO. Research progress on machine learning in CO₂ enhanced oil and gas recovery and geological storage[J]. Petroleum Reservoir Evaluation and Development, 2026 , 16 (1) : 84 -95 . DOI: 10.13809/j.cnki.cn32-1825/te.2025268

正文

收起

全球CO₂排放量持续攀升，2024年已达4.16×10¹⁰ t，其中化石燃料的CO₂排放量达到3.74×10¹⁰ t。碳捕集、利用与封存（Carbon Capture，Utilization and Storage，简称CCUS）技术受到重视，截至2024年7月，开发和筹备中的商业化CCUS项目共628个，运行项目的年捕集和封存能力可达5.1×10⁷ t^[1]。北美地区在CO₂-EOR（提高油采收率）、CO₂-EGR（提高气采收率）和CO₂地质封存方面处于领先地位。如IEA（国际能源署）GHG（温室气体研究与开发计划机构） Weyburn-Midale 项目^[2]是全球最大最早的CO₂-EOR示范项目；二叠盆地有全球最大的CO₂-EOR集群，SACROC项目是全球首个大规模商业化CO₂-EOR项目^[3]。中国CCUS技术处于工业化初期，在CCUS-EOR方面有进展但在咸水层封存方面较弱^[4]。齐鲁石化—胜利油田百万吨级CCUS项目^[5]2022年正式注气运行，标志着中国CCUS产业开始进入商业化运营阶段；吉林油田CCUS-EOR全流程示范项目^[6]是亚洲最大的EOR项目^[1，4]。在咸水层封存应用方面，鄂尔多斯盆地项目初期试验封存CO₂仅1×10⁵ t/a，封存技术不够成熟^[7]；陕煤集团榆林化学^[8] 封存CO₂ 400×10⁴ t/a CCS（碳捕集与封存）示范项目的目标是年封存400×10⁴t CO₂。

尽管CO₂驱技术已较成熟，但仍面临需深化相关物理化学参数的机理研究，优化注气策略并强化动态监测能力，精准评估封存容量和长期安全性等挑战。大庆油田萨北开发区因MMP（最小混相压力）预测模型未充分考虑非均质性的缺陷，CO₂驱初期气窜井比例达25%，驱油效率较设计值低15%^[9]；Canal Field注气项目^[10]因未考虑高渗透条纹对气体运移的影响，6个月内示踪剂在生产井中检出，最终因气体窜流导致项目失败。塔河油田由于未能强化动态监测能力，曾采用常规注气剖面监测仪器进行了4井次的监测，结果均以失败告终。原因在于高压注气过程中，气流带动井下杂质在井筒内窜动，导致涡轮、密度等外露探头被固相物质黏附、包裹，无法有效接触井下流体，使测取的信息严重失真，无法准确掌握井下吸气状况^[7，11-12]。CO₂泄漏到目标地层外会与地下水位混合，增加含水层酸度^[13]，使用土壤中的碳同位素作为CO₂泄漏指标，无法在操作阶段提供预警信号以防止泄漏^[14]。

针对这些问题，传统解决方法存在耗时长、计算准确度不够等问题。机器学习（Machine Learning，简称ML）为解决这些难题提供了新的思路，不仅实现对碳利用与封存各环节的协同优化^[15]，而且准确性更高，计算成本更低^[16]。如深度学习可模拟多场耦合效应^[17]，同时通过实时监测数据实现泄漏预警的智能分析^[4]。在CO₂-EOR&CO₂-EGR领域，ML已经广泛应用于关键物理化学因素变化预测、井网设计、过程参数优化、产量预测等方面；在CO₂地质封存领域，则贯穿储层优选、封存效果预测、泄露监测、风险评估等多个环节^[18]。

1　常见ML算法及优化算法

收起

1.1　典型算法

人工智能（Artificial Intelligence，简称AI）是模拟人类智能的技术体系，其核心分支ML通过数据驱动实现规律自主学习，涵盖监督学习、无监督学习和强化学习三大范式。ML算法用于预测或决策，优化算法则调整模型参数以最小化损失函数提升性能。

ML的典型算法及优化算法包括支持向量机（Support Vector Machines，简称SVM）算法、粒子群（Particle Swarm Optimization，简称PSO）算法、随机森林（Random Forest，简称RF）算法、变分模态分解（Variational Mode Decomposition，简称VMD）、遗传算法（Genetic Algorithm，简称GA）、人工神经网络（Artificial Neural Network，简称ANN）、梯度提升框架等。SVM^[19]算法是基于标注数据的有监督学习算法，适合特征维度高、数据量较小的场景，原理示意图见图1^[20]。图1呈现了SVM算法流程，输入向量

x

，通过核函数计算其与各训练样本向量

x i

的核函数计算值，将这些值与对应拉格朗日乘子

a i

、样本标签

y i

相乘后求和，再加上结果偏差

b

_i，得到输出向量

y = f (x)

，此过程借助核函数实现非线性映射。

PSO算法^[21]是一种受生物群体行为启发的智能优化算法，通过个体（粒子）在解空间中的迭代搜索，寻找全局最优解。RF算法^[22]是一种基于决策树的集成学习算法，通过构建大量独立的决策树（“森林”），并集成其预测结果，提升模型的泛化能力、鲁棒性和抗过拟合能力。VMD算法^[23]是一种自适应信号分解算法，基于变分原理将信号分解为多个固有模态函数分量，以实现特征的有效提取。GA^[24]是一种受自然选择和进化机制启发的全局优化算法，通过模拟生物进化过程中的选择、交叉和变异机制来搜索最优解。ANN^[25]通过多层节点的加权连接和非线性变换逐层提取数据特征，完成分类、回归和生成等任务。梯度提升框架^[26]是一种集成学习方法论，通过迭代训练弱学习器，逐步修正模型误差，最终将多个弱模型组合成强模型。

1.2　算法对比

表 1列出了7种常用于CO₂-EOR&CO₂-EGR和地质封存领域的ML算法的对比。为展示算法的差异，表1按照“数据规模从小到大”排序。SVM理论体系完备，在小样本中优势显著，但计算复杂度高，核参数选择困难。PSO可实现全局优化，收敛速度快，但易陷入局部最优，对参数敏感。RF鲁棒性强，能有效评估特征重要性，但解释性较差，内存消耗大。VMD能够自适应分解，抗模态混叠能力突出，效果依赖层数K，计算成本高。GA擅长全局搜索，收敛速度较慢，编码设计难度大。ANN算法能学习深层特征，但存在过拟合风险，计算成本高。XGBoost（极端梯度提升）可并行计算，预测精度高，但容易过拟合，依赖超参数调整。

2　ML在CO₂-EOR&CO₂-EGR的应用

收起

2.1　CO₂物理化学因素预测

在CO₂驱油的MMP预测研究中，HUANG 等^[34]采用三层BPNN（反向传播神经网络）模型，实现了纯和含杂质CO₂注入条件下MMP的精确预测。但ANN模型存在易陷入局部极小值或出现过拟合等问题。AHMADI等^[35]将LSSVM（最小二乘支持向量机）与进化算法相结合，发现HGAPSO（混合遗传算法-粒子群优化）-LSSVM模型在预测MMP时精度最高。SAYYAD等^[36]提出的ANN-PSO混合模型预测精度高，平均绝对偏差比传统模型降低40%~80%，决定系数（R²）接近1。而CHEN等^[37]提出的基于GA优化的GA-BPNN模型，能高精度预测MMP，且平均绝对相对误差和均方误差较传统模型降低40%~85%。BIAN等^[38]构建GA-SVR（支持向量回归）模型将MMP预测误差控制在4.75%~7.69%，发现温度是影响MMP的关键。尽管这些研究在预测精度上取得了显著进展，但在解释性方面仍有不足。

在渗流机理建模领域，KOUHI等^[39]提出结合多种神经网络及基因表达式编程（Gene Expression Programming，简称GEP）的智能模型，以预测深部盐水层CO₂扩散系数。NI等^[40]采用K-means与层次聚类方法分析CT图像数据，研究了中尺度非均质性对残余捕获的影响，以及毛细管力与储层物性的关联。此外AMAR等^[41]构建GEP模型预测CO₂在盐水中的扩散系数，平均绝对相对误差小于1%，其精度超越传统数据处理组方法（Group Method of Data Handling，简称GMDH）模型。SHARMA等^[42]开发自适应神经模糊推理系统（Adaptive-Network-based Fuzzy Inference System，简称ANFIS），通过输入注入压力等参数，输出CO₂在岩石中的渗透率，揭示应力敏感型煤储层的渗流规律，在印度煤田数据集上平均绝对误差控制在4.3%。从ANFIS模型生成的三维图（图2）显示注入压力与渗透率正相关、有效应力与渗透率负相关。这些研究虽有突破，但依赖特定储层条件，普适性有待提升。

在预测CO₂在盐水中的溶解度领域，LSSVM模型为ML在CO₂咸水层封存应用提供了重要支持^[43]。利用高温高压实验数据训练结合GA和混合核支持向量机的模型，不仅缩短预测时间，且预测精度和鲁棒性优于ANN及传统经验公式^[44]。结合多层感知机（Multi-Layer Perceptron，简称MLP）和径向基函数神经网络（Radial Basis Function Neyral Network，简称RBFNN）的智能模型解决了数据依赖及部分预测精度问题^[45]，且RBFNN-ABC（人工蜂群）模型在宽温压范围和高盐度下预测精度显著提高。图 3展示了RBFNN-ABC模型的威廉姆斯图，大部分数据在理想范围内，这表明该模型具有较高的可信度和统计有效性。但在可行域中检测到22个异常值，其精度还需提高，且模型依赖特定储层条件，普适性和解释性有待提升。

现有研究显示，ML已展现出替代传统实验（静态容积法、重量法、动态柱突破法^[46]）研究混合气体吸附曲线的潜力。FENG等^[47]发现核岭回归、梯度提升决策树（Gradient Boosting Decision Tree，简称GBDT）、XGBoost是估算CH₄吸附等温线最适合的方法，对应的实测吸附量与估计吸附量的对比见图4。YAN等^[48]构建BPNN-GA-AdaBoost（自适应提升）混合模型，通过输入煤阶等参数，输出超临界CO₂作用下煤体抗压强度，发现CO₂吸附导致煤体强度下降的非线性规律并将预测误差较单一BPNN降低15%。范黎利^[49]通过XGBoost对页岩气吸附量进行预测，仅需传统实验1/50的时间即可完成928组CH₄吸附数据的建模，预测精度（R²大于0.985 0）超过传统数值模拟。这些模型虽然提升了计算效率，但仍未摆脱数值模拟的计算负担。AMAR等^[50]开发基于GEP模型的显式吸附方程，仅用352组实验数据即可建立模型，单次预测比传统Langmuir（朗缪尔）方程求解快40倍，但该方法缺乏实时预测能力。

2.2　井网设计

在井网设计与优化领域，张凯等^[51]采用PSO算法实现矢量井网优化。然而传统PSO算法容易陷入局部最优解。针对这一不足，范利军等^[52]提出改进粒子群算法，实现了累计产油量和采收率分别提升 45% 和 55% 并结合混沌理论与模糊控制，解决了传统PSO算法易局部收敛的问题。刘巍等^[53]建立卡尔曼滤波和ANN相结合的分析方法，对油藏井间动态连通性开展定量研究，该研究的注水井-生产井神经网络连接示意图见图5。该方法有助于更准确地把握油藏内部的动态变化。在复杂的油藏条件下，上述模型在适应性与通用性等方面有待提升。

2.3　多目标优化

在多目标优化研究中，可以使用双代理模型（基于网格/井的智能代理模型）优化采收率与封存量，在具有24 GB的随机存取存储器（Random Access Memory，简称RAM）和34.7 GHz处理器的机器上使用商用油藏模拟器完成一次运行需要48 h以上，而同一机器上代理油藏模型（Surrogate Reservoir Model，简称SRM）中每个模型的运行时间为15 s^[54]。基于多层神经网络的代理模型在处理10万网格的非均质储层时误差低于3%^[55]。优化算法随机单纯形近似梯度（Stochastic Simplex Approximate Gradient，简称StoSAG）和ML预测模型相结合的协同优化方法能同步提升残余油区的CO₂封存效率与原油采收率^[56]。RF可以从多角度考虑油藏的特性，同时预测EOR类型和采收率^[57]。MENAD等^[58]和BOCOUM等^[59]构建的MLP-NSGA（非支配排序遗传算法）-Ⅱ/ANN-NSGA-Ⅱ混合框架，以采收率、净现值（Net Present Value，简称NPV）等为目标，在获得帕累托最优解集的同时将计算效率提升了2个数量级。CHEN等^[60]提出结合CNN（卷积神经网络）-GRU（门控循环单元神经网络）与NSGA-Ⅱ的多目标优化框架，实现了采油量、碳封存效率和NPV同步最大化。图 6所示，CNN-GRU模型通过CNN层进行提取和压缩，经GRU层处理后由全连接层解码，再通过输出层预测目标。

SONG等^[61]提出的人工神经网络CO₂地质封存（Artificial Neural Network for Geological CO₂ Sequestration，简称ANN-GCS）模型能同时预测盐水层中CO₂的残留捕获指数（RTI）和溶解度捕获指数（STI）。图7展示了该模型在浦项盆地含水层中的验证结果，在预测RTI时，R²达到0.993 3，均方根误差（E_RMSE）为0.019 7；预测STI时，R²为0.943 3，E_RMSE为0.011 3，这表明模型在预测RTI和STI方面表现良好。

SUN^[62]采用深度Q-learning算法，实现注入策略的实时优化，使气窜发生率降低25%、单井日产量提升15%。XUE等^[63]构造并对比多个混合模型，发现VMD-STA（时空注意力机制）-BiLSTM（双向长短期记忆网络）-ELM（极限学习机）模型在对CH₄扩散速率与CO₂地质封存量的同步预测方面效果最佳。贺荣权^[64]提出基于ML和贪心算法的CO₂-EOR项目操作优化工作流程。当前研究已实现多目标协同优化、混合评分系统建立和主控因素动态分析，并在实际工程中得到应用，但在模型解释性和复杂场景适应性方面仍需改进。

2.4　CO₂驱产量预测

在CO₂驱潜力预测方面，SHEN等^[65]提出基于贝叶斯优化（Bayesian Optimization，简称BO）与轻量梯度提升机（LightGBM）的BO-LightGBM模型，突破了传统静态阈值的限制。为了弥补模型在物理机制解释上的不足，SHEN等^[66]进一步提出时间图卷积神经网络框架，实现了CO₂-WAG（水气交替注入）动态机制的识别，同时对产量和封存能力进行预测，但较高的计算复杂度会制约其实际应用。SVM和RF被用于高气油比和高含水率油井的产油量预测，为单井生产动态监控提供了新途径^[67]。

综上，ML在CO₂-EOR&CO₂-EGR方面的应用包括提升CO₂物理化学因素预测精度，优化井网设计，多目标优化，产量预测等，这提高了代理模型的效率与质量，推动了动态调控与模型可解释性发展。但实际油藏环境复杂，现有模型对特定数据依赖度高，普适性和可解释性有待提升。表2总结了ML在CO₂-EOR&CO₂-EGR领域的算法模型及成果。

3　ML在CO₂地质封存的应用

收起

传统模拟中数据集昂贵及测量存在不确定性的问题可通过ML解决。ML在CO₂地质封存领域的储层优选、封存效果预测和风险评估等方面展现出应用潜力。

3.1　储层优选

在CO₂封存选址研究中，NASSABEH等^[79]提出结合地理空间数据与ML算法来提升了选址的准确性和效率。NARAYAN等^[80]在Penobscot（佩诺布斯科特）油田研究采用最大似然反演与SVM相结合的方法，借助三维地震阻抗反演和ML算法来预测岩相分布，进而确定适合CO₂封存的区域。但上述模型都存在数据来源单一的问题，限制了普适性。

3.2　封存效果预测

在CO₂地质封存效果预测研究领域，张延旭等^[81]构建了3层BPNN模型，通过输入层包含5个影响参数，输出封存系数，将预测误差控制在8%以内，发现有效纵横比和无因次倾角对封存效果有显著影响。SUN等^[62，72]通过神经网络对CO₂封存机制进行量化分析，发现油相溶解度在短期封存中起主导作用，但此模型未考虑其他复杂地质因素，而ANN-GCS模型融合了地质等特征，一定程度上弥补了考虑因素单一的缺陷^[61]。SAFAEI-FAROUJI等^[82]采用ANFIS、极端随机树（ET）、RF和径向基函数（Radial Basis Function，简称RBF），对比了多种ML方法在碳封存中的适用性，发现RF模型性能最优，深度和注入后时间是关键影响因素。VMD、蜣螂优化器（Dung Beetle Optimizer，简称DBO）和核极限学习机（Kernel Extreme Learning Machine，简称KELM）的混合模型预测误差低且经现场应用验证了可靠性^[83]。但这些模型在动态处理能力与对复杂地质条件的普适性上仍需完善。

3.3　泄漏监测与风险评估

在地质CO₂封存监测研究领域，SINHA等^[14]和ZHONG等^[84]利用克兰菲尔德（Cranfield）油田的压力数据，结合谐波脉冲测试构建了长短期记忆网络（Long Short-Term Memory，简称LSTM）、CNN、卷积长短期记忆网络（CONV-LSTM）等模型，发现LSTM和CONV-LSTM的实时监测效果最好。CHEN等^[85]利用多元自适应回归样条（MARS）算法构建简化模型，将预测累计泄漏量的R²提升至0.996 0，计算时间从使用FEHM模拟器单次模拟约22 min降至实时预测。ZHOU等^[86]开发基于密集连接卷积网络的新型数据驱动检测方法，该检测方法学习地震数据与CO₂泄漏量之间的映射关系，能够准确地监测泄漏量。在碳封存监测设计优化方面，MORALES等^[87]提出结合ANN、拉丁超立方抽样（Latin Hypercube Sampling，简称LHS）与拒绝抽样的ML框架，构建基于有限元热质传递程序（Finite Element Heat and Mass Transfer Code，简称FEHM）模拟器的降阶模型，发现压力监测点在最优井位时可减少CO₂泄漏量的不确定性，且储层渗透率的非均质性会显著影响监测效率。然而这些模型的效果依赖于数据质量，未考虑复杂地质特征及长期变化。

综上，ML在CO₂地质封存领域的应用已从选址优化扩展到封存效果预测及风险评估。混合模型在预测精度上显著优于传统方法，但依赖高质量数据与复杂调参。因果深度学习提升了模型可解释性，但动态关系建模仍处于探索阶段，且在复杂地质条件下的泛化能力需验证。模型普遍存在着数据依赖、可解释性不足、泛化能力受限等问题。各类算法在CO₂地质封存的不同环节已取得一系列研究成果见表3。

4　ML方法应用及成熟度汇总

收起

不同的ML方法在CO₂-EOR&CO₂-EGR和CO₂地质封存领域有着各自独特的应用场景，并且应用成熟度也有所差异，表4展示了不同ML方法在CO₂-EOR&CO₂-EGR、CO₂地质封存领域的应用情况。在CO₂-EOR&CO₂-EGR方面，ANN、RF、SVM、XGBoost、DNN等方法，在MMP预测、产量预测、渗流建模、井网优化等任务中各有成效，但也存在过拟合、解释性差、计算复杂等问题；在CO₂地质封存领域，XGBoost、SVM、RF、MLP、ANFIS等用于储层优选、封存效果预测等，虽有数据处理、非线性拟合等优势，却面临过拟合、参数确定复杂等局限。整体上，各类方法应用成熟度多为中等，各有优缺点。

5　存在问题及发展方向

收起

5.1　存在的问题

5.1.1　算法优化与多算法融合的局限性

1）单一ML模型难以满足CCUS场景中的多目标优化需求，且目前对算法融合与对比的研究不足。

2）算法融合虽提升了预测精度，但计算量和复杂度显著增加，耗费大量的计算资源和时间。

3）在CCUS过程中参数不断变化，模型无法及时根据新数据调整参数，导致预测结果与实际情况偏差逐渐增大。

4）多数ML模型缺乏物理机制约束，物理解释性差，导致研究成果难以形成普适性科学规律，不利于模型的优化和改进。

5）模型的可扩展性不足，复杂地质条件下的适用性需进一步验证。

5.1.2　数据质量与优化的瓶颈

1）在实际CCUS工程中，传感器采集的压力、流量等数据，常因设备精度、环境干扰等因素存在误差和噪声，现有的降噪技术难以有效去除这些噪声，从而影响模型的训练和预测精度。

2）合成数据虽可扩充数据量，但基于合成数据训练的模型在真实场景中的适应性较差。

5.1.3　工程应用的挑战

1） ML在CCUS领域的研究多停留在理论和实验室阶段。在实验室条件下开发的模型，未充分考虑实际工程中成本限制、操作可行性等实际约束条件。

2） CCUS领域缺乏统一的ML应用标准和规范，不同研究机构和企业采用的模型、算法、数据处理方法和评价标准等各异，导致研究成果难以对比和推广。

5.2　未来发展方向

5.2.1　算法优化与多算法融合的改进方向

1）加强多算法协同研究，建立系统性的算法评估框架，通过集成学习融合不同算法的优势。

2）引入模型压缩技术（如知识蒸馏、轻量化网络）以降低计算复杂度。开发自适应算法，实现模型参数的实时更新。

3）将渗流力学、热力学方程等物理机制融入模型训练，提升物理解释性。

5.2.2　数据质量与优化的提升路径

1）采用高精度设备与抗干扰技术，提升数据质量。

2）开发自适应降噪算法，如基于变分模态分解VMD或小波变换的降噪模型。

3）加强数据的物理关联性，基于数据与物理定理，挖掘数据间的因果关系。

5.2.3　工程应用的推进策略

1）在模型开发中加入实际工程约束，如采用带约束的多目标优化算法。

2）推动CCUS领域ML应用的标准化，并联合企业进行现场试点。

3）针对实际工程中的操作难度等约束条件，迭代优化模型。

6　结论

收起

1） ML在CO₂提高油气采收率与地质封存中的应用展现出显著优势。通过数据驱动分析能力和自适应优化特性，ML能够训练出高精度预测模型，优化操作参数、预测储层流体行为、评估CO₂泄漏风险等，能提升CCUS技术的安全性和经济性。

2）应用领域包括渗流机理建模、井网优化、产量预测、储层优选、封存效果预测等。

3） ML在复杂地质场景下的适应性、模型普适性、动态数据处理能力、物理解释性有待提升，未来应深化对这些领域的研究。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

王国锋, 吕伟峰, 崔凯, 等. 全球二氧化碳捕集、利用与封存产业集群技术进展及应用展望[J]. 石油勘探与开发, 2025, 52(2): 478-487.

WANG

Guofeng

, Weifeng

LYU

, CUI

Kai

,et al. Technical progress and application of global carbon dioxide capture,utilization and storage cluster[J]. Petroleum Exploration and Development, 2025, 52(2): 478-487.

BROWN

, WHITTAKER

, WILSON

, et al. The history and development of the IEA GHG Weyburn-Midale CO₂ Monitoring and Storage Project in Saskatchewan, Canada (the world’s largest CO₂ for EOR and CCS program)[J]. Petroleum, 2017, 3(1): 3-9.

李倩文, 马晓潇, 高波, 等. 美国重点页岩油区勘探开发进展及启示[J]. 新疆石油地质, 2021, 42(5): 630-640.

Qianwen

, MA

Xiaoxiao

, GAO

, et al. Progress and enlightenment of exploration and development of major shale oil zones in the USA[J]. Xinjiang Petroleum Geology, 2021, 42(5): 630-640.

窦立荣, 孙龙德, 吕伟峰, 等. 全球二氧化碳捕集、利用与封存产业发展趋势及中国面临的挑战与对策[J]. 石油勘探与开发, 2023, 50(5): 1083-1096.

DOU

Lirong

, SUN

Longde

, Weifeng

LYU

,et al. Trend of global carbon dioxide capture,utilization and storage industry and challenges and countermeasures in China[J]. Petroleum Exploration and Development, 2023, 50(5): 1083-1096.

舒华文. 胜利油田百万吨级 CCUS 输注采关键工程技术[J]. 油气藏评价与开发, 2024, 14(1): 10-17.

SHU

Huawen

. Key engineering technologies of one-million-ton CCUS transportation-injection-extraction in Shengli Oilfield[J]. Petroleum Reservoir Evaluation and Development, 2024, 14(1): 10-17.

王峰, 黎政权, 张德平. 吉林油田CCUS-EOR技术攻关与实践新进展[J]. 天然气工业, 2024, 44(4): 76-82.

WANG

Feng

, LI

Zhengquan

, ZHANG

Deping

. New research and practice progress of CCUS-EOR technology in Jilin Oilfield[J]. Natural Gas Industry, 2024, 44(4): 76-82.

张烈辉, 曹成, 文绍牧, 等. 碳达峰碳中和背景下发展CO₂-EGR的思考[J]. 天然气工业, 2023, 43(1): 13-22.

ZHANG

Liehui

, CAO

Cheng

, WEN

Shaomu

, et al. Thoughts on the development of CO₂-EGR under the background of carbon peak and carbon neutrality[J]. Natural Gas Industry, 2023, 43(1): 13-22.

肖江, 宋世杰, 刘兰兰, 等. 二氧化碳捕集及封存技术探索研究: 以陕煤集团榆林化学公司为例[J]. 煤炭科学技术, 2024, 52(5): 316-323.

XIAO

Jiang

, SONG

Shijie

, LIU

Lanlan

, et al. Research on carbon dioxide capture and storage technology: A case study of Shaanxi Coal Group Yulin Chemical Co., Ltd[J]. Coal Science and Technology, 2024, 52(5): 316-323.

赵云飞, 孙洪国, 张雪玲, 等. 基于特征参数的聚合物驱开发指标组合预测方法[J].大庆石油地质与开发, 2023, 42(1): 57-63.

ZHAO

Yunfei

, SUN

Hongguo

, ZHANG

Xueling

, et al. Combination prediction method of polymer flooding development index based on characteristics parameters[J]. Petroleum Geology & Oilfield Development in Daqing, 2023, 42(1): 57-63.

PINGS C J Jr, TEMPELAAR-LIETZ

. Canal field gas injection project[J]. Journal of Petroleum Technology, 1955, 7(8): 25-31.

成金华. 能源转型中的天然气角色与能源安全: 评《中国天然气全产业链市场安全问题研究》[J]. 华中师范大学学报(自然科学版), 2024, 58(6): 731-732.

CHENG

Jinhua

. The role of natural gas in energy transformation and energy security: Comment on “research on market security of China’s natural gas industry chain” [J]. Journal of Central China Normal University (Natural Sciences), 2024, 58(6): 731-732.

杨勇. 中国碳捕集、驱油与封存技术进展及发展方向[J]. 石油学报, 2024, 45(1): 325-338.

YANG

Yong

. Technology progress and development direction of carbon capture, oil-flooding and storage in China[J]. Acta Petrolei Sinica, 2024, 45(1): 325-338.

张凯, 陈掌星, 兰海帆, 等. 碳捕集、利用与封存技术的现状及前景[J]. 特种油气藏, 2023, 30(2): 1-9.

ZHANG

Kai

, CHEN

Zhangxing

, LAN

Haifan

, et al. Status and prospects of carbon capture, utilization and storage technology[J]. Special Oil & Gas Reservoirs, 2023, 30(2): 1-9.

SINHA

, DE LIMA

R P

, LIN

, et al. Normal or abnormal? Machine learning for the leakage detection in carbon sequestration projects using pressure field data[J]. International Journal of Greenhouse Gas Control, 2020, 103: 103189.

芮振华, 邓海洋, 胡婷. 基于混合物理数据驱动的油藏地质体CO₂利用与封存代理模型研究[J]. 钻采工艺, 2025, 48(1): 190-198.

RUI

Zhenhua

, DENG

Haiyang

, HU

Ting

. Study on CO₂ utilization and storage proxy model for reservoir geobodies based on hybrid physics-data driven[J]. Drilling & Production Technology, 2025, 48(1): 190-198.

HUSSIN

, RAHIM S A N

, HATTA

N S M

, et al. A systematic review of machine learning approaches in carbon capture applications[J]. Journal of CO₂ Utilization, 2023, 71: 102474.

METZ

, DAVIDSON

, DE CONINCK

, et al. IPCC special report on carbon dioxide capture and storage[R]. Intergovernmental Panel on Climate Change, Geneva (Switzerland). Working Group III, 2005.

王光付, 李阳, 王锐, 等. 二氧化碳地质封存与利用新进展[J]. 石油与天然气地质, 2024, 45(4): 1168-1179.

WANG

Guangfu

, LI

Yang

, WANG

Rui

, et al. Recent advances in geological carbon dioxide storage and utilization[J]. Oil & Gas Geology, 2024, 45(4): 1168-1179.

张代俐, 汪廷华, 朱兴淋. SVM样本约简算法研究综述[J]. 计算机科学, 2024, 51(7): 59-70.

ZHANG

Daili

, WANG

Tinghua

, ZHU

Xinglin

. Overview of sample reduction algorithms for support vector machine[J]. Computer Science, 2024, 51(7): 59-70.

牟丹, 张丽春, 徐长玲. 3种经典机器学习算法在火山岩测井岩性识别中的对比[J]. 吉林大学学报(地球科学版), 2021, 51(3): 951-956.

MOU

Dan

, ZHANG

Lichun

, XU

Changling

. Comparison of three classical machine learning algorithms for lithology identification of volcanic rocks using well logging data[J]. Journal of Jilin University (Earth Science Edition), 2021, 51(3): 951-956.

高淑芝, 赵匀琨, 张义民. 改进粒子群算法在可靠性分析中的应用[J]. 机械设计与制造, 2024, (12): 117-120.

GAO

Shuzhi

, ZHAO

Yunkun

, ZHANG

Yimin

. Application of improved particle swarm optimization algorithm in reliability analysis[J]. Machinery Design & Manufacture, 2024, (12): 117-120.

任俊帆, 薛亮, 聂捷, 等. 基于随机森林算法的二氧化碳驱油与封存主控因素研究[J]. 地质科技通报, 2024, 43(3): 147-156.

REN

Junfan

, XUE

Liang

, NIE

Jie

, et al. Research on the main control factors of carbon dioxide flooding and storage based on random forest algorithm[J]. Bulletin of Geological Science and Technology, 2024, 43(3): 147-156.

赵昕海, 张术臣, 李志深, 等. 基于VMD的故障特征信号提取方法[J]. 振动.测试与诊断, 2018, 38(1): 11-19.

ZHAO

Xinhai

, ZHANG

Shuchen

, LI

Zhishen

, et al. Application of new denoising method based on VMD in fault feature extraction[J]. Journal of Vibration, Measurement & Diagnosis, 2018, 38(1): 11-19.

马航, 董卫宇, 唐之卓, 等. 遗传算法在模糊测试中的应用研究综述[J]. 小型微型计算机系统, 2025, 46(4): 948-957.

Hang

, DONG

Weiyu

, TANG

Zhizhuo

, et al. Review of the application of genetic algorithm in fuzzing[J]. Journal of Chinese Computer Systems, 2025, 46(4): 948-957.

张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.

ZHANG

Chi

, GUO

Yuan

, LI

Ming

. Review of development and application of artificial neural network models[J]. Computer Engineering and Applications, 2021, 57(11): 57-69.

蒋熙梅, 闫伟超, 邢会林, 等. 基于自动超参数优化框架与梯度提升算法融合的储层粒度二维分布预测研究[J]. 地球物理学进展, 2024, 39(5): 1886-1900.

JIANG

Ximei

, YAN

Weichao

, XING

Huilin

, et al. Research on two-dimensional reservoir grain size distribution prediction based on the fusion of automatic hyperparameter optimization framework and gradient boosting algorithm[J]. Progress in Geophysics, 2024, 39(5): 1886-1900.

丁世飞, 齐丙娟, 谭红艳. 支持向量机理论与算法研究综述[J]. 电子科技大学学报, 2011, 40(1): 2-10.

DING

Shifei

, QI

Bingjuan

, TAN

Hongyan

. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10.

杨维,李歧强. 粒子群优化算法综述[J]. 中国工程科学, 2004, 6(5): 87-94.

YANG

Wei

, LI

Qiqiang

. Survey on particle swarm optimization algorithm[J]. Strategic Study of CAE, 2004, 6(5): 87-94.

李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报, 2013, 50(4): 1190-1197.

Xinhai

. Using “random forest” for classification and regression[J]. Chinese Journal of Applied Entomology, 2013, 50(4): 1190-1197.

杨晶显, 张帅, 刘继春, 等. 基于VMD和双重注意力机制LSTM的短期光伏功率预测[J]. 电力系统自动化, 2021, 45(3): 174-182.

YANG

Jingxian

, ZHANG

Shuai

, LIU

Jichun

, et al. Short-term photovoltaic power prediction based on variational mode decomposition and long shortterm memory with dual-stage attention mechanism[J]. Automation of Electric Power Systems, 2021, 45(3): 174-182.

马永杰, 云文霞. 遗传算法研究进展[J]. 计算机应用研究, 2012, 29(4): 1201-1206.

Yongjie

, YUN

Wenxia

. Research progress of genetic algorithm[J]. Application Research of Computers, 2012, 29(4): 1201-1206.

李彦冬, 郝宗波, 雷航. 卷积神经网络研究综述[J]. 计算机应用, 2016, 36(9): 2508-2515.

Yandong

, HAO

Zongbo

, LEI

Hang

. Survey of convolutional neural network[J]. Journal of Computer Applications, 2016, 36(9): 2508-2515.

李占山, 刘兆赓. 基于XGBoost的特征选择算法[J]. 通信学报, 2019, 40(10): 101-108.

Zhanshan

, LIU

Zhaogeng

. Feature selection algorithm based on XGBoost[J]. Journal on Communications, 2019, 40(10): 101-108.

HUANG

Y F

, HUANG

G H

, DONG

M Z

, et al. Development of an artificial neural network model for predicting minimum miscibility pressure in CO₂ flooding[J]. Journal of Petroleum Science and Engineering, 2003, 37(1/2): 83-95.

AHMADI

M A

, ZAHEDZADEH

, SHADIZADEH

S R

, et al. Connectionist model for predicting minimum gas miscibility pressure: Application to gas injection process[J]. Fuel, 2015, 148: 202-211.

SAYYAD

, MANSHAD

A K

, ROSTAMI

. Application of hybrid neural particle swarm optimization algorithm for prediction of MMP[J]. Fuel, 2014, 116: 625-633.

CHEN

, FU

, LIANG

, et al. The genetic algorithm based back propagation neural network for MMP prediction in CO₂-EOR process[J]. Fuel, 2014, 126: 202-212.

BIAN

X Q

, HAN

, DU

Z M

, et al. Integrating support vector regression with genetic algorithm for CO₂-oil minimum miscibility pressure (MMP) in pure and impure CO₂ streams[J]. Fuel, 2016, 182: 550-557.

KOUHI

M M

, KAHZADVAND

, SHAHIN

, et al. New connectionist tools for prediction of CO₂ diffusion coefficient in brine at high pressure and temperature─implications for CO₂ sequestration in deep saline aquifers[J]. Fuel, 2025, 384: 134000.

, BENSON

S M

. Using unsupervised machine learning to characterize capillary flow and residual trapping[J]. Water Resources Research, 2020, 56(8): e2020WR027473.

AMAR

M N

, JAHANBANI GHAHFAROKHI

. Prediction of CO₂ diffusivity in brine using white-box machine learning[J]. Journal of Petroleum Science and Engineering, 2020, 190: 107037.

SHARMA

L K

, VISHAL

, SINGH

T N

. Predicting CO₂ permeability of bituminous coal using statistical and adaptive neuro-fuzzy analysis[J]. Journal of Natural Gas Science and Engineering, 2017, 42: 216-225.

AHMADI

M A

, AHMADI

. Applying a sophisticated approach to predict CO₂solubility in brines: Application to CO₂ sequestration[J]. International Journal of Low-Carbon Technologies, 2016, 11(3): 325-332.

FENG

, CUI

, WANG

, et al. Estimation of CO₂ diffusivity in brine by use of the genetic algorithm and mixed kernel-based support vector machine model[J]. Journal of Energy Resources Technology-Transactions of the ASME, 2019, 141(4): 041001.

MENAD

N A

, HEMMATI-SARAPARDEH

, VARAMESH

, et al. Predicting solubility of CO₂ in brine by advanced machine learning systems: Application to carbon capture and sequestration[J]. Journal of CO₂ Utilization, 2019, 33: 83-95.

魏兵, 陈海龙, 刘帅, 等. 页岩储层CO₂吸附解吸行为及弥散特征[J]. 天然气工业, 2024, 44(12): 176-186.

WEI

Bing

, CHEN

Hailong

, LIU

Shuai

, et al. CO₂ adsorption/desorption behaviors and dispersion characteristics in shale reservoirs[J]. Natural Gas Industry, 2024, 44(12): 176-186.

FENG

, WANG

, ZHANG

, et al. Data-driven modeling of the methane adsorption isotherm on coal using supervised learning methods: A comparative study[J]. Journal of Physics: Conference Series, 2021, 1813(1): 012023.

YAN

, ZHANG

, ZHOU

, et al. Application of hybrid artificial intelligence model to predict coal strength alteration during CO₂ geological sequestration in coal seams[J]. Science of the Total Environment, 2020, 711: 135029.

范黎利. 基于机器学习的页岩对CH₄与CO₂过剩吸附量预测方法的研究[D]. 长沙: 湖南大学, 2021.

FAN

Lili

. Research on prediction method of excess adsorption amount of methane and carbon dioxide on shale based on machine learning[D]. Changsha: Hunan University, 2021.

AMAR

M N

, LARESTANI

, LYU Q, et al. Modeling of methane adsorption capacity in shale gas formations using white-box supervised machine learning techniques[J]. Journal of Petroleum Science and Engineering, 2022, 208: 109226.

张凯, 吴海洋, 徐耀东, 等. 考虑地质及开发因素约束的三角形井网优化[J]. 中国石油大学学报(自然科学版), 2015, 39(4): 111-118.

ZHANG

Kai

, WU

Haiyang

, XU

Yaodong

, et al. Triangulated well pattern optimization constrained by geological and production factors[J]. Journal of China University of Petroleum(Edition of Natural Science), 2015, 39(4): 111-118.

范利军, 杨建平, 赵东亚, 等. 基于改进粒子群算法的CO₂驱井网优化设计[J]. 石油工程建设, 2016, 42(5): 6-9.

FAN

Lijun

, YANG

Jianping

, ZHAO

Dongya

, et al. Optimum design of CO₂ flooding well based on improved particle swarm algorithm[J]. Petroleum Engineering Construction, 2016, 42(5): 6-9.

刘巍, 刘威, 谷建伟, 等. 利用卡尔曼滤波和人工神经网络相结合的油藏井间连通性研究[J]. 油气地质与采收率, 2020, 27(2): 118-124.

LIU

Wei

, LIU

Wei

, GU

Jianwei

, et al. Research on interwell connectivity of oil reservoirs based on Kalman filter and artificial neural network[J]. Petroleum Geology and Recovery Efficiency, 2020, 27(2): 118-124.

VIDA

, SHAHAB

M D

, MOHAMMAD

. Smart proxy modeling of SACROC CO₂-EOR[J]. Fluids, 2019, 4(2): 85.

AMINI

, MOHAGHEGH

. Application of machine learning and artificial intelligence in proxy modeling for fluid flow in porous media[J]. Fluids, 2019, 4(3): 126.

CHEN

, PAWAR

R J

. Capacity assessment and co-optimization of CO₂ storage and enhanced oil recovery in residual oil zones[J]. Journal of Petroleum Science and Engineering, 2019, 182: 106342.

ZHANG

, WEI

, FAN

, et al. Development of a hybrid scoring system for EOR screening by combining conventional screening guidelines and random forest algorithm[J]. Fuel, 2019, 256: 115915.

MENAD

N A

, NOUREDDINE

. An efficient methodology for multi-objective optimization of water alternating CO₂ EOR process[J]. Journal of the Taiwan Institute of Chemical Engineers, 2019, 99: 154-165.

BOCOUM

A O

, RASAEI

M R

. Multi-objective optimization of WAG injection using machine learning and data-driven Proxy models[J]. Applied Energy, 2023, 349: 121593.

CHEN

, TIAN

, YUAN

, et al. Optimization of co-injecting CH₄ with CO₂ to enhanced oil recovery and carbon storage: A machine-learning based case study on H59 block of Jilin Oilfield, China[J]. Geoenergy Science and Engineering, 2024, 243: 213380.

SONG

, SUNG

, JANG

, et al. Application of an artificial neural network in predicting the effectiveness of trapping mechanisms on CO₂ sequestration in saline aquifers[J]. International Journal of Greenhouse Gas Control, 2020, 98: 103042.

SUN

A Y

. Optimal carbon storage reservoir management through deep reinforcement learning[J]. Applied Energy, 2020, 278: 115660.

XUE

, WANG

, LI

, et al. Predictive combination model for CH4 separation and CO₂ sequestration with CO₂ injection into coal seams: VMD-STA-BiLSTM-ELM hybrid neural network modeling[J]. Energy, 2024, 313: 133744.

贺荣权. 基于机器学习的二氧化碳驱油及碳封存项目利润优化研究[D]. 哈尔滨: 哈尔滨工业大学, 2021.

Rongquan

. Modeling and optimizing for operation of CO₂-EOR project based on machine learning methods[D]. Harbin: Harbin Institute of Technology, 2021.

SHEN

, YANG

, GAO

, et al. A novel CO₂-EOR potential evaluation method based on BO-LightGBM algorithms using hybrid feature mining[J]. Geoenergy Science and Engineering, 2023, 222: 211427.

SHEN

, YANG

, HU

, et al. Interpretable causal-based temporal graph convolutional network framework in complex spatio-temporal systems for CCUS-EOR[J]. Energy, 2024, 309: 133129.

IBRAHIM

A F

, AL-DHAIF

, ELKATATNY

, et al. Applications of artificial intelligence to predict oil rate for high gas–oil ratio and water-cut wells[J]. ACS Omega, 2021, 6(30): 19484-19493.

BEMANI

, BAGHBAN

, MOSAVI

, et al. Estimating CO₂-Brine diffusivity using hybrid models of ANFIS and evolutionary algorithms[J]. Engineering Applications of Computational Fluid Mechanics, 2020, 14(1): 818-834.

徐路路. 二氧化碳地质封存中储层物性特征演化及注采优化研究[D]. 长春: 吉林大学, 2024.

Lulu

. Study on evolution of reservoir physical characteristics and injection-production optimization in carbon dioxide geological storage[D]. Changchun: Jilin University, 2024.

涂永易. CO₂水气交替注入对低渗油藏采收率的影响规律研究[D]. 大庆: 东北石油大学, 2023.

Yongyi

.Study on the influence law of CO₂ water alternating gas on the recovery efficiency of low permeability reservoir[D].Daqing: Northeast Petroleum University, 2023.

苏玉亮, 蔡明玉, 孟凡坤, 等. 低渗透油藏CO₂驱试井解释方法[J]. 油气地质与采收率, 2020, 27(1): 113-119.

Yuliang

, CAI

Mingyu

, MENG

Fankun

, et al. Well testing interpretation method for CO₂ flooding in low permeability oil reservoirs[J]. Petroleum Geology and Recovery Efficiency, 2020, 27(1): 113-119.

SUN

, AMPOMAH

, KUTSIENYO

E J

, et al. Assessment of CO₂ trapping mechanisms in partially depleted oil-bearing sands[J]. Fuel, 2020, 278: 118356.

BHATTACHERJEE

, BOTCHWAY

, PASHIN

J C

, et al. Machine learning-based prediction of CO₂ fugacity coefficients: Application to estimation of CO₂ solubility in aqueous brines as a function of pressure, temperature, and salinity[J]. International Journal of Greenhouse Gas Control, 2023, 128: 103971.

AMPOMAH

, BALCH

R S

, GRIGG

R B

, et al. Co‐optimization of CO₂‐EOR and storage processes in mature oil reservoirs[J]. Greenhouse Gases: Science & Technology, 2017, 7(1): 128-142.

滕世婷. 特低渗透滩坝砂油藏CO₂驱层系井网适配性研究[D]. 东营: 中国石油大学(华东), 2021.

TENG

Shiting

. Adaptation of layers and well patterns of CO₂ drive in ultra-low permeability beach-bar sand reservoir[D]. Dongying: China University of Petroleum (East China), 2021.

白宏山. CO₂捕集、运输、驱油与封存全流程随机优化算法研究[D]. 东营: 中国石油大学(华东), 2020.

BAI

Hongshan

. Research on stochastic optimization algorithms of whole process for CO₂ capture, transportation, utilization and storage[D]. Dongying: China University of Petroleum (East China) , 2020.

ANYEBE

A P

, YEBOAH

O K K

, BAKINSON

O I

, et al. Optimizing carbon capture efficiency through AI-driven process automation for enhancing predictive maintenance and CO₂ sequestration in oil and gas facilities[J]. American Journal of Environment and Climate, 2024, 3(3): 44-58.

李承龙. 一种二氧化碳驱油开发效果综合评价新方法[J]. 中外能源, 2022, 27(4): 45-50.

Chenglong

. New comprehensive evaluation method for development effect of CO₂ flooding[J]. Sino-Global Energy, 2022, 27(4): 45-50.

NASSABEH

, YOU

, KESHAVARZ

, et al. Sub-surface geospatial intelligence in carbon capture, utilization and storage: A machine learning approach for offshore storage site selection[J]. Energy, 2024, 305: 132086.

NARAYAN

, KUMAR

, MUKHERJEE

, et al. Machine learning assisted reservoir characterization for CO₂ sequestration: A case study from the Penobscot field, Canada offshore[J]. Marine and Petroleum Geology, 2024, 169: 107054.

张延旭, 姜晶, 王涛, 等. 神经网络法在油藏埋存CO₂效果预测中的应用[J]. 精细石油化工进展, 2018, 19(2): 29-32.

ZHANG

Yanxu

, JIANG

Jing

, WANG

Tao

, et al. Application of artificial neural network in forecast of carbon dioxide storage in reservoir[J]. Advances in Fine Petrochemicals, 2018, 19(2): 29-32.

SAFAEI-FAROUJI

, THANH H

, DAI

, et al. Exploring the power of machine learning to predict carbon dioxide trapping efficiency in saline aquifers for carbon geological storage project[J]. Journal of Cleaner Production, 2022, 372: 133778.

XING

, BIAN

X Q

, ZHANG

, et al.A data-driven dual-optimization hybrid machine learning model for predicting carbon dioxide trapping efficiency in saline aquifers: Application in carbon capture and storage[J]. Geoenergy Science and Engineering, 2024, 243: 213363.

ZHONG

, SUN

A Y

, YANG

, et al. A deep learning approach to anomaly detection in geological carbon sequestration sites using pressure measurements[J]. Journal of Hydrology, 2019, 573: 885-894.

CHEN

, HARP

D R

, LIN

, et al. Geologic CO₂ sequestration monitoring design: A machine learning and uncertainty quantification based approach[J]. Applied Energy, 2018, 225: 332-345.

ZHOU

, LIN

, ZHANG

, et al. A data-driven CO₂ leakage detection using seismic data and spatial–temporal densely connected convolutional neural networks[J]. International Journal of Greenhouse Gas Control, 2019, 90: 102790.

MORALES

M M

, MEHANA

, TORRES-VERDÍN

, et al. Optimal monitoring design for uncertainty quantification during geologic CO₂ sequestration: A machine learning approach[J]. Geoenergy Science and Engineering, 2025, 244: 213402.

王长江, 颜世翠, 张娟, 等. 基于模糊融合预测的页岩地质甜点识别技术: 以胜利油区渤南洼陷为例[J]. 油气地质与采收率, 2024, 31(4): 73-83.

WANG

Changjiang

, YAN

Shicui

, ZHANG

Juan

, et al.Geological sweet spot identification technology of shale based on fuzzy fusion prediction: A case study of Bonan Subsag in Shengli Oilfield[J]. Petroleum Geology and Recovery Efficiency, 2024, 31(4): 73-83.

PRAKS

, RASMUSSEN

, LYE

K O

, et al. Sensitivity analysis of parameters for carbon sequestration: Symbolic regression models based on open porous media reservoir simulators predictions[J]. Heliyon, 2024, 10(22): e40044.

YOU

, AMPOMAH

, SUN

, et al. Machine learning based co-optimization of carbon dioxide sequestration and oil recovery in CO₂-EOR project[J]. Journal of Cleaner Production, 2020, 260: 120866.

范利军, 赵东亚, 刘佳佳, 等. CO₂井网驱油封存联合优化设计与敏感性分析[J]. 石油工程建设, 2017, 43(4): 7-12.

FAN

Lijun

, ZHAO

Dongya

, LIU

Jiajia

, et al. Joint optimization design and sensitivity analysis of CO₂ well pattern EOR and storage[J]. Petroleum Engineering Construction, 2017, 43(4): 7-12.

ABDULKHALEQ

H B

, IBRAHEEM

I K

, AL-MUDHAFAR

W J

, et al. Harnessing the power of machine learning for the optimization of CO₂ sequestration in saline aquifers: Applied on the tensleep formation at teapot dome in Wyoming[J]. Geoenergy Science and Engineering, 2025, 245: 213522.

KARACAN

C Ö

. A fuzzy logic approach for estimating recovery factors of miscible CO₂-EOR projects in the United States[J]. Journal of Petroleum Science and Engineering, 2020, 184: 106533.

, HAO

Y R

, WANG

P T

, et al. Research on safety evaluation of CO₂ enhanced oil and gas recovery (CO₂-EOR) project: A case study of dagang oilfield[J]. Processes, 2025, 13(1): 28.

姚健, 郭红强, 张金元, 等. 延长油田低渗油藏CO₂封存适宜度评价方法研究及试验[J]. 河南科技, 2024, 51(13): 40-45.

YAO

Jian

, GUO

Hongqiang

, ZHANG

Jinyuan

, et al. Study and experiment on evaluation method of CO₂ storage suitability for low permeability reservoir in Yanchang Oilfield[J]. Henan Science and Technology, 2024, 51(13): 40-45.

2026年第16卷第1期

引用本文

BibTeX

文章信息

doi: 10.13809/j.cnki.cn32-1825/te.2025268

接收时间：2025-06-09
首发时间：2026-10-30
出版时间：2026-01-26

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-06-09

基金

作者信息

¹　西南石油大学油气藏地质及开发工程全国重点实验室，四川　　成都　610500

²　怀柔实验室，北京　101400

³　重庆大学产业技术研究院，重庆　401331

⁴　中国石油西南油气田公司，四川　　成都　610055

⁵　中国石油吉林油田分公司二氧化碳捕集埋存与提高采收率（CCS-EOR）开发公司，吉林　　松原　138000

⁶　中国石油长庆油田分公司，陕西　　西安　710018

⁷　中国石油勘探开发研究院，北京　101400

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/yqcpjykf/CN/10.13809/j.cnki.cn32-1825/te.2025268

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

算法	核心技术	主要优势	存在缺点	数据规模	复杂度	可解释性
SVM 据文献[27]	核函数、最大间隔优化	理论完备、小样本优势	计算复杂度高、核参数选择困难	小规模（<1×10⁴）	高	低
PSO 据文献[28]	群体智能（鸟群模拟）、速度-位置迭代公式	全局优化、快速收敛	局部最优、参数敏感	中小规模（<10×10⁴）	低	低
RF 据文献[29]	集成学习、Bootstrap（自助抽样法）抽样	鲁棒性、特征重要性	解释性差、极端值敏感、过平滑	中小规模（1×10⁴~100×10⁴）	中	中
VMD 据文献[30]	变分优化、模态分解、惩罚项最小化	自适应分解、信号特征提取	层数K依赖、计算成本高	中小规模（<5×10⁴）	高	中
GA 据文献[31]	自然选择（交叉/变异/选择）、染色体编码	全局搜索、复杂约束、多目标优化	收敛速度慢、编码复杂	中规模（1×10⁴~50×10⁴）	中	低
ANN据文献[32]	反向传播、非线性激活函数、深层网络	深层特征学习、端到端建模	过拟合、计算成本高、黑箱特性	大规模（>10×10⁴）	高	低
XGBoost据文献[33]	梯度提升、二阶导数优化	高效并行、预测精度高	过拟合、超参数依赖	中大规模（1×10⁴~1 000×10⁴）	中	中

算法

核心技术

主要优势

存在缺点

数据规模

复杂度

可解释性

SVM

据文献[27]

核函数、最大间隔优化

理论完备、小样本优势

计算复杂度高、核参数选择困难

小规模

（<1×10⁴）

高

低

PSO

据文献[28]

群体智能（鸟群模拟）、速度-位置迭代公式

全局优化、快速收敛

局部最优、参数敏感

中小规模

（<10×10⁴）

低

据文献[29]

集成学习、Bootstrap（自助抽样法）抽样

鲁棒性、特征重要性

解释性差、极端值敏感、过平滑

中小规模

（1×10⁴~100×10⁴）

中

VMD

据文献[30]

变分优化、模态分解、惩罚项最小化

自适应分解、信号特征提取

层数K依赖、计算成本高

中小规模

（<5×10⁴）

高

中

据文献[31]

自然选择（交叉/变异/选择）、染色体编码

全局搜索、复杂约束、多目标优化

收敛速度慢、编码复杂

中规模

（1×10⁴~50×10⁴）

中

低

ANN据文献[32]

反向传播、非线性激活函数、深层网络

深层特征学习、端到端建模

过拟合、计算成本高、黑箱特性

大规模

（>10×10⁴）

高

低

XGBoost据文献[33]

梯度提升、二阶导数优化

高效并行、预测精度高

过拟合、超参数依赖

中大规模

（1×10⁴~1 000×10⁴）

中

应用方向	算法模型	成果
MMP预测	GA-SVR、SVM-RF、时空图卷积网络	预测误差降至4.00%~7.69%，温度是关键影响；物理可解释性增强^{[14, 38, 48, 65]}
渗透率预测	XGBoost、多核支持向量机-遗传算法、ANFIS-PSO、GEP、MLP	渗透率解释精度增加37.97%；扩散系数预测误差小于1%；XGBoost模型提升渗透率预测精度50%；高温高压下MLP精度最高（R²达到0.998 0）；ANFIS-PSO、GEP等模型显著优于传统经验公式（R²不小于0.997 0）^{[39, 40, 44, 62, 68-72]}
溶解度预测	RBFNN-ABC、XGBoost	RBFNN-ABC在宽温压范围下精度极高（R²达到0.996 7）；XGBoost结合DUAN-SUN模型，溶解度预测误差不大于3.2%，计算效率显著提升^{[58, 73]}
多目标优化	ANN与NSGA-II结合、混合粒子群算法、强化学习	模拟时间大幅度缩小，误差小于3%，R²大于0.999 0；混合粒子群算法降低成本14.7%；强化学习优化碳封存流程，效率提升20%，能耗降低15% ^{[51, 52, 54-58, 65, 74-78]}
动态优化与因果建模	深度Q网络、BO-Light CBM	气窜率减少25%，日产油量增加15%；潜力评估准确率98.7%^{[59, 65, 72]}

应用方向

算法模型

成果

MMP预测

GA-SVR、SVM-RF、时空图卷积网络

预测误差降至4.00%~7.69%，温度是关键影响；物理可解释性增强^{[14, 38, 48, 65]}

渗透率预测

XGBoost、多核支持向量机-遗传算法、ANFIS-PSO、GEP、MLP

渗透率解释精度增加37.97%；扩散系数预测误差小于1%；XGBoost模型提升渗透率预测精度50%；高温高压下MLP精度最高（R²达到0.998 0）；ANFIS-PSO、GEP等模型显著优于传统经验公式（R²不小于0.997 0）^{[39, 40, 44, 62, 68-72]}

溶解度预测

RBFNN-ABC、XGBoost

RBFNN-ABC在宽温压范围下精度极高（R²达到0.996 7）；XGBoost结合DUAN-SUN模型，溶解度预测误差不大于3.2%，计算效率显著提升^{[58, 73]}

多目标优化

ANN与NSGA-II结合、混合粒子群算法、强化学习

模拟时间大幅度缩小，误差小于3%，R²大于0.999 0；混合粒子群算法降低成本14.7%；强化学习优化碳封存流程，效率提升20%，能耗降低15% ^{[51, 52, 54-58, 65, 74-78]}

动态优化与因果建模

深度Q网络、BO-Light CBM

气窜率减少25%，日产油量增加15%；潜力评估准确率98.7%^{[59, 65, 72]}

应用方向	算法模型	成果
选址优化	DNN	DNN整合多源数据选址，储层质量、注入能力为关键指标^{[79, 87-88]}
储层表征	SVM、RF、符号回归	SVM结合地震数据预测岩相，构造高位井区适合封存；符号回归揭示渗透率为二次注气封存关键参数，其重要性随时间增长^{[80, 89]}
封存参数优化	改进PSO算法、ANN、CNN-GRU、径向基函数神经网络（RBFNN）	用改进PSO算法优化井网，发现井距对封存影响显著；CNN-GRU与NSGA-Ⅱ能确定不同目标下CH₄再注入的最优参数组合；RBF-NN模型能确定影响封存效率的关键参数^{[60, 90-92]}
封存效率	BP神经网络、ANFIS、RF	BP神经网络预测封存系数误差小于8%；RF模型在残余/溶解封存效率预测中精度最高（R²不小于0.965 0）；AOSSA-ANFIS模型（基于自适应正交麻雀搜索算法的自适应神经模糊推理系统模型）误差小于其他优化的ANFIS模型^{[76, 81-83]}
监测与风险评估	LSTM、CONV-LSTM、ANN、SVM-RF	LSTM精准识别泄漏，CONV-LSTM特征提取潜力大；ANN结合LHS优化监测设计，压力监测减少73%泄漏量不确定性；通过优化注气策略，使日产油量增加^{[5, 14, 41, 64, 67, 87, 93-95]}

应用方向

算法模型

成果

选址优化

DNN

DNN整合多源数据选址，储层质量、注入能力为关键指标^{[79, 87-88]}

储层表征

SVM、RF、符号回归

SVM结合地震数据预测岩相，构造高位井区适合封存；符号回归揭示渗透率为二次注气封存关键参数，其重要性随时间增长^{[80, 89]}

封存参数优化

改进PSO算法、ANN、CNN-GRU、径向基函数神经网络（RBFNN）

用改进PSO算法优化井网，发现井距对封存影响显著；CNN-GRU与NSGA-Ⅱ能确定不同目标下CH₄再注入的最优参数组合；RBF-NN模型能确定影响封存效率的关键参数^{[60, 90-92]}

封存效率

BP神经网络、ANFIS、RF

BP神经网络预测封存系数误差小于8%；RF模型在残余/溶解封存效率预测中精度最高（R²不小于0.965 0）；AOSSA-ANFIS模型（基于自适应正交麻雀搜索算法的自适应神经模糊推理系统模型）误差小于其他优化的ANFIS模型^{[76, 81-83]}

监测与风险评估

LSTM、CONV-LSTM、ANN、SVM-RF

LSTM精准识别泄漏，CONV-LSTM特征提取潜力大；ANN结合LHS优化监测设计，压力监测减少73%泄漏量不确定性；通过优化注气策略，使日产油量增加^{[5, 14, 41, 64, 67, 87, 93-95]}

领域	ML方法	具体应用	应用成熟度及算法特点
CO₂-EOR&CO₂-EGR	ANN	MMP预测；产量预测与评价；多目标优化	中等。在部分任务上取得一定成果，存在过拟合、计算成本高及黑箱特性
RF	MMP预测；渗流机理建模；产量预测与评价	中等。鲁棒性强、能评估特征，解释性差、内存消耗大
SVM	MMP预测；产量预测与评价	中等。理论完备、小样本优势明显，计算复杂度高、核参数选择困难
XGBoost	产量预测；多目标优化；吸附量预测	中等。能并行计算且预测精度高，存在过拟合倾向、依赖超参数调整，处理动态扩散过程时可解释性差
CO₂封存	DNN	储层优选；监测与选址优化	中等。模型性能高，对数据质量要求高
XGBoost	储层优选	中等。多任务中表现良好，存在过拟合和超参数依赖问题
SVM	储层优选；储层表征	中等。小样本和高维数据处理能力强，计算复杂度高，核参数选择难
RF	封存效率预测；储层物性与吸附能力预测	中等。稳定性好，能评估特征，解释性差，内存消耗大
MLP	封存效果预测	中等。能处理非线性问题，训练时间长、易过拟合
ANFIS	封存效果预测	中等。能融合模糊逻辑和神经网络优势，参数确定较复杂

领域

ML方法

具体应用

应用成熟度及算法特点

CO₂-EOR&CO₂-EGR

ANN

MMP预测；产量预测与评价；多目标优化

中等。在部分任务上取得一定成果，存在过拟合、计算成本高及黑箱特性

MMP预测；渗流机理建模；产量预测与评价

中等。鲁棒性强、能评估特征，解释性差、内存消耗大

SVM

MMP预测；产量预测与评价

中等。理论完备、小样本优势明显，计算复杂度高、核参数选择困难

XGBoost

产量预测；多目标优化；吸附量预测

中等。能并行计算且预测精度高，存在过拟合倾向、依赖超参数调整，处理动态扩散过程时可解释性差

CO₂封存

DNN

储层优选；监测与选址优化

中等。模型性能高，对数据质量要求高

XGBoost

储层优选

中等。多任务中表现良好，存在过拟合和超参数依赖问题

SVM

储层优选；储层表征

中等。小样本和高维数据处理能力强，计算复杂度高，核参数选择难

封存效率预测；储层物性与吸附能力预测

中等。稳定性好，能评估特征，解释性差，内存消耗大

MLP

封存效果预测

中等。能处理非线性问题，训练时间长、易过拟合

ANFIS

封存效果预测

中等。能融合模糊逻辑和神经网络优势，参数确定较复杂