Deep-Learning Technique Optimizes Sequestration, Oil Production in CCUS Projects

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:The TFT model demonstrates a novel approach for multivariate forecasting in CCUS, offering researchers a data-driven alternative to simulation-based optimization.

🏢実務担当者:Oil and gas operators can use the efficiency score to rank WAG scenarios by both economic and environmental performance.

この記事は、JPTテクノロジー編集者クリス・カーペンターによって執筆されたもので、SPE 227228論文「現代の深層学習フレームワークを用いた時間融合トランスフォーマーによるCCUSプロジェクトにおける貯留効率と石油生産の最適化」のハイライトを含む。著者は、Ahmed Wagia-Alla（SPE）、Mohamed Alghazal、Turki Alzahrani（SPE）、Saudi Aramco。本論文は査読を受けていない。 CO2増進石油回収（EOR）プロジェクトにおいて、水-ガス交互圧入（WAG）プロセスの最適化は、石油回収率と炭素貯留効率の両方を最大化するために極めて重要である。シミュレーションモデルを用いた従来の最適化は、設計空間が広大で不確実性が高いため、煩雑になる可能性がある。本研究では、深層学習モデルである時間融合トランスフォーマー（TFT）を適用し、6つの既存CO2 EORプロジェクトのフィールドデータを用いて、さまざまなWAGシナリオにわたる石油生産量とCO2貯留効率の多変量予測を行う。 本研究では、パーミアン盆地の6つの既存CO2 EORフィールド（East Vacuum（EV）、Denver Unit（DU）、Wasson San Andres（WSA）、Seminole San Andres Unit（SSAU）、Scurry Area Canyon Reef Operators（SACROC）ユニット、Rangely Weber Sand（RWS））における12か月間のCO2および増分石油生産量を予測するために、TFTを活用した新しいデータ駆動型フレームワークを提示する。これらのフィールドは、長い生産履歴、公開データの入手可能性、多様な操業特性のために選択された。生産および圧入データは、過去の出版物や技術論文からデジタル化され、CO2に対する増分石油応答を分離するために前処理された。各フィールドについて、水攻法トレンドは指数関数的減退曲線を用いて外挿され、ベースライン性能を推定した。その差はCO2圧入応答に帰属された。 短期的な操業戦略を評価するために、ガス/水比（GWR）を変えることで、フィールドごとに5つの異なるWAGシナリオを作成した。これらのシナリオはTFTモデルに入力され、履歴データでトレーニングされ、月次の石油およびCO2生産量を予測するために使用された。平均二乗誤差（RMSE）、平均絶対誤差（MAE）、決定係数（R2）を含む性能指標が計算され、モデルの精度が評価された。さらに、CO2スループット、利用量、および保持効率は、CO2については0.5、水については1.0の想定層容積係数を用いて計算された。これらの値はパーミアン盆地の炭素回収・利用・貯留（CCUS）フィールドで一般的であるためである。これにより、経済的および環境的メリットの両方でWAGシナリオをランク付けするための新しい効率スコアの計算が可能となった。結果は、中程度のWAG比（約1.5～2.5）が、増分石油回収とCO2保持の間の最良のトレードオフを提供することを実証した。著者の知る限り、これはCCUS最適化のために複数の既存EORフィールドにわたってTFTを適用した最初の研究である。 ワークフローは、データ前処理と正規化、CO2増分応答の解析、モデルトレーニング、WAGシナリオ作成、性能および効率分析のための後処理の5つの主要段階で構成されていた。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

This article, written by JPT Technology Editor Chris Carpenter, contains highlights of paper SPE 227168, “Modern Deep-Learning Framework Using Temporal Fusion Transformer To Optimize Sequestration Efficiency and Oil Production in CCUS Projects,” by Ahmed Wagia-Alla, SPE, Mohamed Alghazal, and Turki Alzahrani, SPE, Saudi Aramco. The paper has not been peer-reviewed. Optimization of water-alternating-gas (WAG) processes is critical for maximizing both oil recovery and carbon-sequestration efficiency in CO2 enhanced oil recovery (EOR) projects. Conventional optimization using simulation models can be cumbersome because of the vast design space and high uncertainty. In this study, a deep-learning model, the temporal fusion transformer (TFT), is applied for multivariate forecasting of oil production and CO2-sequestration efficiency across a range of WAG scenarios using field data from six legacy CO2 EOR projects. In this study, a novel, data-driven framework is presented that leverages TFT to forecast 12 months of CO2 and incremental oil production across six legacy CO2 EOR fields in the Permian Basin: East Vacuum (EV), Denver Unit (DU), Wasson San Andres (WSA), Seminole San Andres Unit (SSAU), Scurry Area Canyon Reef Operators (SACROC) Unit, and Rangely Weber Sand (RWS). These fields were selected because of their long production histories, public data availability, and diverse operational characteristics. Production and injection data were digitized from historical publications and technical papers and preprocessed to isolate the incremental oil response to CO2. For each field, the waterflood trend was extrapolated using an exponential decline curve to estimate baseline performance; the difference was attributed to CO2 injection response. To evaluate short-term operational strategies, five different WAG scenarios were created per field by varying the gas/water ratio (GWR). These scenarios were input into the TFT model, which was trained on historical data and used to forecast monthly oil and CO2 production. Performance metrics including root mean squared error (RMSE), mean absolute error (MAE), and coefficient of determination (R2) were calculated to assess model accuracy. Additionally, CO2 throughput, use, and retention efficiency were calculated using assumed formation volume factors of 0.5 for CO2 and 1.0 for water because these values are common in Permian basin carbon capture, use, and storage (CCUS) fields. This allowed computation of a novel efficiency score to rank WAG scenarios by both economic and environmental merit. The results demonstrated that moderate WAG ratios (approximately 1.5–2.5) offer the best tradeoff between incremental oil recovery and CO2 retention. To the best of the authors’ knowledge, this is the first study to apply a TFT across multiple legacy EOR fields for CCUS optimization. The workflow consisted of five major stages: data preprocessing and normalization, parsing of CO2 incremental response, model training, WAG scenario creation, and postprocessing for performance and efficiency analysis.

• semanticscholar https://doi.org/10.2118/0126-0010-jptfirst seen 2026-05-05 23:51:28 · last seen 2026-08-14 05:34:54