Улавливание, использование и хранение углерода (Carbon Capture, Utilization and Storage, сокращенно CCUS) является ключевой технологией для достижения углеродной нейтральности. Путём использования CO₂ для повышения нефте- и газоотдачи и геологического хранения достигается двойная выгода: увеличение выработки энергии и сокращение выбросов CO₂. Тем не менее, технология CCUS сталкивается с технологическими вызовами в инженерном проектировании и оценке рисков при масштабном применении. Традиционные методы опираются на эмпирические формулы, экспериментальную верификацию и физические модели, которые при обработке сложных систем обладают низкой вычислительной эффективностью и недостаточной точностью моделей, а также испытывают трудности с многомерным взаимодействием. Машинное обучение (Machine Learning, сокращенно ML) благодаря своей мощной способности анализа данных и адаптивной оптимизации может обучать высокоточные прогнозные модели, оптимизировать параметры эксплуатации, прогнозировать поведение флюидов в пластах, оценивать риски утечек и т.д., обеспечивая в реальном времени мониторинг сложных систем и интеллектуальное принятие решений, повышая безопасность и экономичность технологий CCUS. В исследовании систематизированы приложения ML в повышении нефте- и газоотдачи CO₂ и геологическом хранении. В области повышения нефте- и газоотдачи CO₂ рассмотрены моделирование фильтрации, оптимизация конструкции сетки скважин, прогнозирование и оценка добычи, многокритериальная оптимизация, прогноз минимального давления смешивания, прогноз кривых адсорбции газов, оценка диффузии CO₂-CH₄ и др.; в сфере геологического хранения CO₂ — отбор пластов, исследование механизмов растворения и диффузии CO₂, прогнозирование эффективности геологического хранения, оценка рисков и прочее. ML продемонстрировал значительные преимущества в повышении точности прогнозов, оптимизации параметров эксплуатации и улучшении вычислительной эффективности, достигнут важный прогресс в ключевых областях, таких как отбор пластов, прогноз адсорбции газа и прогноз эффективности хранения, однако вопросы адаптации к сложным геологическим условиям, универсальности моделей, динамической обработки данных и физической интерпретируемости остаются актуальными.

машинное обучение;интеллектуальные алгоритмы;CCUS (улавливание, использование и хранение углерода);повышение нефте- и газоотдачи;геологическое хранение