EORおよびCCUS用途における最小混和圧力予測のための説明可能なデータ駆動型手法の適用

日本語

本論文は、EOR（石油増進回収）およびCCUS（二酸化炭素回収・利用・貯留）における最小混和圧力（MMP）を予測するため、説明可能なデータ駆動型（機械学習）手法を適用した研究である。MMPはCO2圧入設計の効率と安全性を左右する重要パラメータであり、その高精度予測はCCUSの経済性・実装可能性に直結する。説明可能性を確保することで、実務エンジニアが予測根拠を理解し意思決定に活用できる点が貢献である。

English

This study applies explainable data-driven (machine learning) methods to predict minimum miscibility pressure (MMP) for EOR and CCUS applications. MMP is a key parameter governing CO2 injection design efficiency and safety, directly affecting CCUS economics and feasibility. The explainability focus helps practitioners understand and trust model predictions for engineering decisions.

日本のGX文脈において

日本はCCUSをGX推進戦略・エネルギー基本計画における脱炭素の重要技術と位置づけ、JOGMECや大手企業が実証を進めている。MMP予測の高精度化・説明可能性向上は、国内CCUSプロジェクトの設計コスト低減や貯留効率評価に資する。ただし本論文はESG開示やScope会計との直接接続は薄い。

In the global GX context

CCUS is central to global net-zero pathways and transition finance taxonomies (EU taxonomy, ISSB climate disclosures referencing mitigation technologies). Improved MMP prediction supports the technical credibility and cost assumptions underlying CCUS project disclosures and investment cases. However, the paper does not directly address disclosure frameworks.