← 論文一覧に戻る

バックプロパゲーション・ニューラルネットワーク代理モデルに基づく高温油層におけるCCUS開発パラメータの感度分析

Sensitivity Analysis of CCUS Development Parameters in High-Temperature Oil Reservoirs Based on a Backpropagation Neural Network Proxy Model (原題)

Wang G.

Energies📚 査読済 / ジャーナル2026-09-01#CCUS経営インパクト: コスト削減対象セクター: power
DOI: 10.3390/en19174117
原典: https://api.elsevier.com/content/abstract/scopus_id/105050265024

🤖 gxceed AI 要約

日本語

高温油層におけるCCUS開発パラメータの感度を、バックプロパゲーション・ニューラルネットワークによる代理モデルで分析した研究。数値シミュレーションを高速化する代理モデルを構築し、貯留・回収性能に効く主要パラメータを特定する。CCUS事業の設計・最適化における機械学習活用の実例を示す。

English

This study applies a backpropagation neural network proxy model to analyze the sensitivity of CCUS development parameters in high-temperature oil reservoirs. It builds a fast surrogate for numerical simulation and identifies the key parameters governing storage and recovery performance, illustrating ML use in CCUS design optimization.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本はCCUSをGX推進戦略・エネルギー転換の重点技術と位置づけ、国内貯留適地の評価が進む。本手法は限られた貯留層データ下での開発設計・感度評価を効率化し、事業性・コスト評価の精緻化に寄与しうる。

In the global GX context

CCUS is central to global net-zero pathways and transition finance taxonomies. ML surrogate modeling can accelerate reservoir screening and techno-economic assessment, supporting credible CCUS project pipelines and MRV for disclosure.

👥 読者別の含意

🔬研究者:ML代理モデルによる貯留層感度分析の手法とパラメータ選定の知見が得られる。

🏢実務担当者:CCUS事業の設計・最適化においてシミュレーションコストを削減する代理モデル活用の示唆。

🏛政策担当者:CCUS適地評価・事業性判断の効率化は、支援策・ロードマップ設計の基礎情報になりうる。

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。