La captura, utilización y almacenamiento de carbono (Carbon Capture, Utilization and Storage, abreviado CCUS) es una tecnología clave para lograr la neutralidad de carbono. A través del uso de CO₂ para aumentar la recuperación de petróleo y gas y el almacenamiento geológico se logra un doble beneficio: aumento de la producción de energía y reducción de las emisiones de CO₂. Sin embargo, la tecnología CCUS enfrenta desafíos técnicos en el diseño de ingeniería y evaluación de riesgos en aplicaciones a gran escala. Los métodos tradicionales dependen de fórmulas empíricas, validaciones experimentales y modelos físicos, que al manejar sistemas complejos presentan baja eficiencia computacional y precisión insuficiente, además de dificultades para tratar problemas de acoplamiento multidimensional. El aprendizaje automático (Machine Learning, abreviado ML), gracias a su poderosa capacidad de análisis impulsado por datos y características de optimización adaptativa, puede entrenar modelos predictivos de alta precisión, optimizar parámetros operativos, predecir el comportamiento de los fluidos en yacimientos, evaluar riesgos de fugas, etc., logrando el monitoreo en tiempo real y la toma de decisiones inteligente para sistemas complejos, mejorando la seguridad y economía de la tecnología CCUS. La investigación sistematiza las aplicaciones de ML en la mejora de la recuperación de petróleo y gas mediante CO₂ y el almacenamiento geológico. En la mejora de la recuperación mediante CO₂, abarca la modelización de la mecánica de flujo, optimización del diseño de redes de pozos, predicción y evaluación de producción, optimización multiobjetivo, predicción de la presión mínima miscible, predicción de curvas de adsorción de gases, evaluación de la difusión CO₂-CH₄, etc.; en el almacenamiento geológico del CO₂ incluye la selección de reservorios, estudio de mecanismos de disolución y difusión, predicción de efectividad del almacenamiento geológico, evaluación de riesgos, etc. ML ha mostrado ventajas significativas en mejorar la precisión del pronóstico, optimizar parámetros operativos y aumentar la eficiencia computacional, logrando avances importantes en áreas clave como selección de reservorios, predicción de adsorción de gases y predicción de efectividad de almacenamiento, aunque aún quedan mejoras por hacer en adaptabilidad a escenarios geológicos complejos, generalización de modelos, manejo dinámico de datos e interpretación física.

aprendizaje automático;algoritmos inteligentes;CCUS (captura, utilización y almacenamiento de carbono);mejora de la recuperación de petróleo y gas;almacenamiento geológico