Carbon Capture, Utilization and Storage (kurz CCUS) ist eine Schlüsseltechnologie zur Erreichung der Kohlenstoffneutralität. Durch den Einsatz von CO₂ zur Steigerung der Öl- und Gasförderung sowie zur geologischen Speicherung werden doppelte Vorteile erzielt: Steigerung der Energieproduktion und Reduktion der CO₂-Emissionen. Dennoch steht die CCUS-Technologie bei der großflächigen Anwendung vor technischen Herausforderungen im Bereich der Ingenieurgestaltung und Risikoabschätzung. Traditionelle Methoden basieren auf empirischen Formeln, experimentellen Validierungen und physikalischen Modellen, die bei der Behandlung komplexer Systeme eine geringe Recheneffizienz und unzureichende Modellgenauigkeit aufweisen und Schwierigkeiten bei der Bearbeitung multidimensionaler Kopplungsprobleme haben. Maschinelles Lernen (Machine Learning, kurz ML) verfügt über eine starke datengetriebene Analysefähigkeit und adaptive Optimierungseigenschaften, mit denen hochpräzise Vorhersagemodelle trainiert, Betriebsparameter optimiert, das Verhalten von Lagerstättenfluiden vorhergesagt und Leckrisiken bewertet werden können, was die Echtzeitüberwachung komplexer Systeme und intelligente Entscheidungsfindung ermöglicht sowie die Sicherheit und Wirtschaftlichkeit der CCUS-Technologie erhöht. Die Studie systematisiert die Anwendungen von ML bei der CO₂-verbesserten Öl- und Gasförderung sowie der geologischen Speicherung. Bei der CO₂-verbesserten Öl- und Gasförderung werden Fließmechanismusmodellierung, Optimierung von Bohrungsnetzwerken, Produktionsvorhersage und -bewertung, Multi-Objektiv-Optimierung, Vorhersage des minimalen Mischdrucks, Vorhersage von Gasadsorptionskurven, Bewertung der CO₂-CH₄-Diffusion usw. behandelt; im Bereich der CO₂-Geologischen Speicherung umfasst es Reservoirauswahl, Untersuchung der CO₂-Lösungs- und Diffusionsmechanismen, Vorhersage der Wirksamkeit der geologischen Speicherung, Risikobewertung usw. ML zeigt deutliche Vorteile bei der Verbesserung der Vorhersagegenauigkeit, Optimierung von Betriebsparametern und Steigerung der Recheneffizienz und hat in Schlüsselbereichen wie Reservoirauswahl, Gasadsorptionsvorhersage und Lagerwirksamkeitsvorhersage bedeutende Fortschritte erzielt, jedoch besteht weiterhin Verbesserungsbedarf hinsichtlich Anpassungsfähigkeit an komplexe geologische Szenarien, Modellgeneralität, dynamischer Datenverarbeitung und physikalischer Interpretierbarkeit.

maschinelles Lernen;intelligente Algorithmen;CCUS (Carbon Capture, Utilization and Storage);Steigerung der Öl- und Gasförderung;geologische Speicherung