《Geoenergy Science and Engineering》：Addressing the Complexities of Predicting Induced Seismicity: A Simplified Hybrid Approach to Understanding the Geomechanics of CO2 Injection in Faulted Reservoirs.
编辑推荐：
本文通过数值模拟与机器学习算法结合，研究二氧化碳注入断层储层引发的地壳力学变化及诱导地震机制，指出受限制储层不适宜大规模流体注入，并发现数据驱动方法在实时预测地质力学演变存在局限，但为未来安全封存项目提供诊断支持。
胡姆扎·本·纳瓦伊德（Humza Bin Navaid）| 多卡斯·S·艾因拉（Dorcas S. Eyinla）| 赫赛因·埃马迪（Hossein Emadi）
鲍勃·L·赫德（Bob L. Herd）德克萨斯理工大学石油工程系，德克萨斯州卢博克
摘要
为了满足能源需求并应对气候变化，地下干预活动的数量呈指数级增长。因此，明确二氧化碳（CO2注入的地质力学特性以防止潜在的地震事件发生至关重要。本文首先讨论了目前在建模、监测和测量诱发地震事件方面所面临的挑战。随后，通过结合传统的机器学习算法，对断层储层中二氧化碳注入的地质力学进行了数值研究，以进一步加深对诱发地震现象的理解。我们的目标是揭示与断层滑移事件相关的复杂前兆环境。鉴于数据收集的复杂性以及关于诱发地震的预测性研究的稀缺性，我们的研究得出了适用于全球二氧化碳注入项目的结论。通过数值分析和数据驱动分析的结合，作者得出结论：封闭式和/或断层储层不适合作为大规模流体注入的主要候选对象。此外，即使在使用合成数据集的情况下，也无法预测实时的地质力学变化。在压力-深度方面，作者确定即使在较高的注入速率下，诱发地震也不会被放大，只会加速。这为通过适当抽取流体来平衡地下压力，从而延缓或阻止封闭式储层中的断层滑移提供了重要见解。总结而言，作者展示了持续二氧化碳注入的时空影响，并通过整合不同的机器学习技术，为更安全的二氧化碳封存项目奠定了基础，有助于以更加科学的方式推进二氧化碳注入项目的商业化。
引言
过去几十年里，美国地震的频率显著上升。根据美国地质调查局的数据，仅在过去十年中，每年的地震数量就翻了一番，超过了每年100次地震的惊人数字。这种显著增加被认为与石油和天然气活动的扩张以及向地下环境注入流体密切相关。这些人类活动被认为是导致人工诱发地震的根本原因。例如，在俄克拉荷马州，断层带附近的地区在过去十年中经历了前所未有的地震频发，其中一些地震的震级超过了Mw 5.0。当前的数据强烈表明，大多数诱发地震事件与石油和天然气作业有关。具体来说，这些活动包括水力压裂、盐水处置、废水处置和二氧化碳注入等。随着非常规储层产量的增加，预计诱发地震的频率也会随之上升。鉴于这一令人担忧的趋势，评估能够帮助预测和预防未来地震活动的关键因素变得十分必要。诱发地震的发生与岩层内孔隙压力的积累有关。研究人员已经开发出模型，减少了预测潜在诱发地震事件前兆环境的不确定性，但尚未能够完全消除这种不确定性。先前的研究表明，诸如孔隙压力的动态变化和断层周围应力的初始状态等因素是导致诱发地震复杂性的主要原因。描述像诱发地震这样的“自然”现象始终是一项具有挑战性的任务，历史上一直依赖于物理学和数学的进步来解释现有的观测结果。诱发地震在理解和预测其行为方面提出了独特的挑战。传统上，科学家们采用确定性方法，如分析推导、受控实验和数值模拟来研究与自然构造过程相关的地震事件。在这些情况下，因果关系较为明确，因此可以自信地预测地震行为。然而，对于诱发地震而言，其成因机制尚不明确，导致对未来地震活动的预测存在不确定性。
在过去十年中，机器学习（ML）技术在诱发地震研究中的应用日益增多。ML技术已被证明在揭示传统稳健工程模型难以解释的断层滑移行为特征方面具有巨大潜力。虽然ML技术不能替代经过实际测试的物理模型，但它们可以提供新的见解，并揭示之前被忽视的影响因素。ML技术大致可分为监督学习（supervised）和无监督学习（unsupervised）两类。监督学习技术使用回归算法处理带有标签的数据集；而无监督学习技术则利用模式识别算法来发现未标记数据集中的隐藏关系。
在输入变量与其对特定结果的影响之间的关系知之甚少、输入变量具有较大变异性以及影响因素数量不确定的情景中，ML模型表现出色[13]。从根本上说，诱发地震符合这三个条件，使得整合ML算法成为理解断层滑移过程复杂动态的关键。为了提高对地下扰动及其与诱发地震关联的理解，[1]、[14]利用卷积神经网络设计了地震事件分类器，其分类小型至中型地震的准确率超过了90%，显著优于传统的分类方法。[14]类似地，[15]成功应用了多种监督学习算法，能够区分地震波数据，并将其正确分类为与地震、非地震事件、重型车辆经过等相关的情况。[16]通过特征工程和集成监督学习算法，评估并排序了水力压裂参数对诱发地震震级的影响，从而帮助制定了预防未来地震活动的策略。[17]利用监督学习技术通过研究断层滑移前的瞬态剪切应力发展来预测实验室生成的地震，显著提高了预测断层失效时间的准确性。[18]开发了一种基于监督学习的早期预警系统，能够在预定时间内预测最大震级的注入诱发地震。图1总结了ML技术应用的各种地震学任务。在这项研究中，综合运用了多种机器学习算法，以补充数值分析结果，验证储层对二氧化碳注入压力积累的特征响应的有效性。通过利用ML方法和合成数据集，本文旨在评估每种ML技术的预测能力，从而确立其在解释剪切诱发断层滑移复杂动态方面的科学合理性。图2展示了制定适当科学依据的逐步程序方法。
社会影响
几十年来，科学界一直认为向地下注入流体可能会引发地震事件。然而，准确分类和管理地震活动对地震学家来说一直是个挑战。评估诱发地震的震级和时空范围的复杂性令研究人员感到困惑，促使他们共同努力开发更精细的分类系统和全面的技术方法来进行监测。
TOUGHREACT-FLAC3D模型
断层滑移倾向受到应力变化、断裂模式和注入条件的影响。数值模拟将渗透率演变与断裂开口的增长联系起来。当应力超过极限时，断层会在流体注入过程中重新激活。因此，断裂开口和渗透率的增强是通过定义的方程（1）、（2）[35]来计算的。有效应力是基于……进行评估的
数据收集
数值模拟是工程研究的重要支柱，使我们能够模拟复杂现象。然而，在模拟包含断裂或断层的场景时，一个常见的问题是：模拟结果往往与实际情况不符。模拟和实验室实验都难以精确再现观测到的行为，从而阻碍了准确的推论。因此，需要创新的方法来……
监督学习
为了全面探索ML算法在地震活动预测中的能力和作用，采用了多种监督学习算法来最小化数学偏差并系统地解释研究结果。然而，使用ML方法在实现普遍兼容性方面存在挑战，这阻碍了先前研究成果的顺利扩展。
监督学习（二元分类性能）
首先，在评估指标（包括混淆矩阵和统计指标）的检查中，可以看出每个模型都表现出从断层结构的初始应力状态和地质力学特性的动态变化中提取信息的能力，从而能够预测断层滑移的发生。
就比较性能而言，随机森林（Random Forest，RF）的表现符合我们的预期，其性能优于其他所有模型。
结论与建议
数据集是根据现有文献使用Mohr-Coulomb应力准则模型精心生成的。鉴于数据收集的复杂性、关于诱发地震的研究有限，以及预计的地下干预活动（如碳捕获与封存（CCUS）、地下氢储存（UHS）、废水处置和水力压裂等）的不断增加，研究人员正在积极开发用于地震预防、地震震级预测和地震前兆历史匹配的模型。
CRediT作者贡献声明
赫赛因·埃马迪（Hossein Emadi）：撰写——审稿与编辑、监督、资源提供。胡姆扎·本·纳瓦伊德（Humza Bin Navaid）：撰写——初稿、方法论、调查、正式分析、概念化。多卡斯·S·艾因拉（Dorcas S. Eyinla）：撰写——审稿与编辑、验证、正式分析
声明与披露
下面列出的作者声明他们与任何组织或实体没有财务利益关系（如酬金、教育资助、演讲局成员资格、雇佣关系、咨询公司、股票所有权或其他股权利益），也没有非财务利益关系（如个人或职业关系、隶属关系、知识或信仰）。
数据可用性声明
本研究的数据将在请求时提供。有兴趣访问数据的研究人员和个人可以联系相应的作者，了解数据可用性及相关问题，包括但不限于数值模拟结果、Python代码和生成的数据集。访问数据的前提是遵守数据共享协议的规定，确保数据的适当使用和遵守相关的隐私和伦理准则。
资金说明
本手稿的编写过程中没有接受任何外部资助。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
作者感谢Python编程语言及其各种开放访问库的开发者，这些库对我们的机器学习研究做出了重要贡献。这些库在模型的开发、实施和评估中发挥了关键作用。
