احتجاز الكربون واستخدامه وتخزينه (الاحتجاز والاستخدام والتخزين الكربوني، ويُعرف اختصارًا بـ CCUS) هو تقنية أساسية لتحقيق الحياد الكربوني. من خلال استخدام CO₂ لزيادة استخلاص النفط والغاز والتخزين الجيولوجي لتحقيق فوائد مزدوجة تتمثل في زيادة إنتاج الطاقة وتقليل انبعاثات CO₂. ومع ذلك، تواجه تقنيات CCUS تحديات تقنية في التصميم الهندسي وتقييم المخاطر عند التطبيق على نطاق واسع. تعتمد الطرق التقليدية على الصيغ التجريبية والتحقق التجريبي والنماذج الفيزيائية، التي تعاني من كفاءة حسابية منخفضة ودقة نموذجية غير كافية عند التعامل مع أنظمة معقدة، مما يصعب معالجة مسائل الارتباط متعددة الأبعاد. يتمتع التعلم الآلي (Machine Learning، ويُعرف اختصارًا بـ ML) بقدرة تحليل مدفوعة بالبيانات وقوية وخصائص تحسين ذاتي، يمكنه تدريب نماذج تنبؤية عالية الدقة، وتحسين معلمات التشغيل، وتوقع سلوك الموائع في المكامن، وتقييم مخاطر التسرب، وغيرها، مما يحقق مراقبة ذكية وقرارات ذكية في الوقت الحقيقي للأنظمة المعقدة، ويعزز أمان وكفاءة تقنيات CCUS. تستعرض هذه الدراسة تطبيقات ML في زيادة استخلاص النفط والغاز باستخدام CO₂ والتخزين الجيولوجي. تشمل زيادة استخلاص النفط والغاز باستخدام CO₂ نمذجة ميكانيكا التدفق، وتحسين تصميم شبكة الآبار، وتوقع وتقييم الإنتاج، والتحسين متعدد الأهداف، وتوقع أدنى ضغط للخلط، وتوقع منحنيات امتصاص الغازات، وتقييم انتشار CO₂-CH₄، وغيرها؛ وفي مجال التخزين الجيولوجي لـ CO₂ تشمل اختيار المكامن، ودراسة آليات الذوبان والامتزاز، وتوقع فعالية التخزين الجيولوجي، وتقييم المخاطر. أظهر ML ميزة كبيرة في تحسين دقة التنبؤ، وتحسين معلمات التشغيل، وزيادة كفاءة الحوسبة، وقد أحرز تقدماً هامًّا في مجالات رئيسية مثل اختيار المكامن، وتوقع امتصاص الغازات، وتوقع فعالية التخزين، ولكن لا تزال هناك تحديات في التكيف مع المشاهد الجيولوجية المعقدة، وشمولية النماذج، وتعامل الديناميكية مع البيانات، والتفسير الفيزيائي.

التعلم الآلي;الخوارزميات الذكية;CCUS (احتجاز الكربون، الاستخدام والتخزين);زيادة استخلاص النفط والغاز;التخزين الجيولوجي