La capture, l'utilisation et le stockage du carbone (Carbon Capture, Utilization and Storage, abrégé CCUS) est une technologie clé pour atteindre la neutralité carbone. En utilisant le CO₂ pour améliorer le taux de récupération du pétrole et du gaz ainsi que le stockage géologique, on obtient un double bénéfice : augmentation de la production d'énergie et réduction des émissions de CO₂. Cependant, la technologie CCUS fait face à des défis techniques en conception d'ingénierie et en évaluation des risques lors d'une application à grande échelle. Les méthodes traditionnelles reposent sur des formules empiriques, des validations expérimentales et des modèles physiques, qui présentent une faible efficacité de calcul et une précision insuffisante pour traiter des systèmes complexes, ce qui rend difficile la gestion des problèmes d'interactions multidimensionnelles. L’apprentissage automatique (Machine Learning, abrégé ML), grâce à sa puissante capacité d’analyse pilotée par les données et ses caractéristiques d’optimisation adaptative, peut entraîner des modèles prédictifs à haute précision, optimiser les paramètres d’exploitation, prévoir le comportement des fluides dans les réservoirs, évaluer les risques de fuites, etc., permettant la surveillance en temps réel des systèmes complexes et une prise de décision intelligente, améliorant la sécurité et la rentabilité de la technologie CCUS. Cette étude examine les applications de ML à l’amélioration de la récupération du pétrole et du gaz par CO₂ et au stockage géologique. Dans le domaine de l’amélioration de la récupération par CO₂, on couvre la modélisation des mécanismes d’écoulement, l’optimisation de la conception du réseau de puits, la prévision et l’évaluation de la production, l’optimisation multi-objectifs, la prévision de la pression minimale de mélange, la prévision des courbes d’adsorption des gaz, l’évaluation de la diffusion CO₂-CH₄, etc. ; dans le stockage géologique du CO₂, cela comprend la sélection des réservoirs, l’étude des mécanismes de dissolution et de diffusion, la prévision de l’efficacité du stockage géologique, l’évaluation des risques, etc. Le ML montre des avantages significatifs dans l’amélioration de la précision des prévisions, l’optimisation des paramètres d’exploitation, l’amélioration de l’efficacité du calcul, ayant réalisé des progrès importants dans des domaines clés tels que la sélection des réservoirs, la prévision de l’adsorption des gaz, la prévision de l’efficacité du stockage, mais des améliorations sont encore nécessaires en matière d’adaptabilité aux scénarios géologiques complexes, de généricité des modèles, de traitement des données dynamiques et d’interprétation physique.

apprentissage automatique;algorithmes intelligents;CCUS (capture, utilisation et stockage du carbone);amélioration du taux de récupération du pétrole et du gaz;stockage géologique