Abstract Carbon dioxide sequestration in deep saline aquifers requires accurate and precise methods to monitor carbon capture and storage and detect leakage risks. The assessment of the CO2 plume location during injection and storage depends on the accuracy of the spatial distribution model of petrophysical properties, such as porosity and permeability. This work focuses on stochastic methods for petrophysical characterization and presents a method for the prediction of porosity and permeability using borehole observations and surface geophysical data. This study utilizes injection and monitoring measurements at the borehole locations and time-lapse seismic surveys. The proposed method is based on a stochastic approach to inverse problems with data assimilation, namely the ensemble smoother with multi-data assimilation. Ensemble-based methods are generally unfeasible when applied to large geophysical datasets, such as time-lapse seismic surveys. In the proposed approach, a machine learning method, namely the deep convolutional autoencoder, is applied to reduce the dimension of the seismic data. The ensemble smoother is then applied in a lower dimensional data space to predict the aquifer petrophysical properties. This method updated predictions of porosity and permeability every time new data, either seismic surveys or borehole data, are available, to reduce the uncertainty in the CO2 plume prediction. The method is tested and validated on a synthetic geophysical dataset generated for the Johansen formation, a potential large-scale offshore site for CO2 storage.

中文翻译：

---

使用集成平滑器和深度卷积自编码器对用于 CO2 储存的深层盐水含水层进行岩石物理表征

摘要 深部咸水层中的二氧化碳封存需要准确和精确的方法来监测碳捕获和储存并检测泄漏风险。在注入和储存期间对 CO2 羽流位置的评估取决于岩石物理特性（如孔隙度和渗透率）的空间分布模型的准确性。这项工作侧重于岩石物理表征的随机方法，并提出了一种使用钻孔观测和地表地球物理数据预测孔隙度和渗透率的方法。该研究利用钻孔位置的注入和监测测量以及延时地震勘测。所提出的方法基于对数据同化的逆问题的随机方法，即具有多数据同化的集成平滑器。当应用于大型地球物理数据集（例如延时地震调查）时，基于集合的方法通常是不可行的。在所提出的方法中，应用机器学习方法，即深度卷积自编码器来降低地震数据的维数。然后将整体平滑器应用于较低维数据空间以预测含水层岩石物理特性。每当有新数据（地震勘测或钻孔数据）可用时，该方法都会更新孔隙度和渗透率的预测，以减少 CO2 羽流预测的不确定性。该方法在为约翰森地层生成的合成地球物理数据集上进行了测试和验证，约翰森地层是潜在的大型海上二氧化碳封存场。在所提出的方法中，应用机器学习方法，即深度卷积自编码器来降低地震数据的维数。然后将整体平滑器应用于较低维的数据空间，以预测含水层岩石物理特性。每当有新数据（地震勘测或钻孔数据）可用时，该方法都会更新孔隙度和渗透率的预测，以减少 CO2 羽流预测的不确定性。该方法在为约翰森地层生成的合成地球物理数据集上进行了测试和验证，约翰森地层是潜在的大型海上二氧化碳封存场。在所提出的方法中，应用机器学习方法，即深度卷积自编码器来降低地震数据的维数。然后将整体平滑器应用于较低维的数据空间，以预测含水层岩石物理特性。每当有新数据（地震勘测或钻孔数据）可用时，该方法都会更新孔隙度和渗透率的预测，以减少 CO2 羽流预测的不确定性。该方法在为约翰森地层生成的合成地球物理数据集上进行了测试和验证，约翰森地层是潜在的大型海上二氧化碳封存场。然后将整体平滑器应用于较低维的数据空间，以预测含水层岩石物理特性。每当有新数据（地震勘测或钻孔数据）可用时，该方法都会更新孔隙度和渗透率的预测，以减少 CO2 羽流预测的不确定性。该方法在为约翰森地层生成的合成地球物理数据集上进行了测试和验证，约翰森地层是潜在的大型海上二氧化碳封存场。然后将整体平滑器应用于较低维的数据空间，以预测含水层岩石物理特性。每当有新数据（地震勘测或钻孔数据）可用时，该方法都会更新孔隙度和渗透率的预测，以减少 CO2 羽流预测的不确定性。该方法在为约翰森地层生成的合成地球物理数据集上进行了测试和验证，约翰森地层是潜在的大型海上二氧化碳封存场。