閉ループ機械学習フレームワークによる深部塩水帯水層における炭素回収貯留および地下水素貯蔵の逆設計と最適化

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

🔬研究者:A novel unified ML framework combining surrogate modeling, active learning, SHAP, and inverse design for subsurface applications.

🏢実務担当者:Enables efficient screening and optimization of CCS/UHS storage sites and operational parameters using ML-based surrogates.

🏛政策担当者:Demonstrates how advanced ML can reduce uncertainty and cost in CCS/UHS, supporting informed regulatory and investment decisions.

炭素回収・貯留（CCS）および地下水素貯留（UHS）向けの既存のサロゲートモデルは、主に順方向予測用に設計されており、時間予測、SHAPに基づく解釈可能性、および逆設計を単一のフレームワーク内で統合することは稀である。本研究では、深部塩水帯水層におけるCCSおよびUHSのための、シミュレーション、テーブル型パネル回帰、能動学習、および進化的逆設計を組み合わせた統合機械学習（ML）フレームワークを提案する。非時間依存および時間依存のCCSおよびUHS向けに、それぞれ9,835件、9,999件、1,000件、および1,000件のCMG GEM 2022.10シミュレーションケースを用いて、4つのサロゲートパイプラインを開発した。最良の非時間依存性能は、CCSではTabTransformerLite（nRMSE = 3.30 × 10⁻²、R² = 0.920）、UHSではCatBoost（R² = 0.994、nMSE = 5.68 × 10⁻³）によって達成された。時間依存パイプラインでは、FT-TransformerがCCSにおいて全体的に最良の性能を達成し（nRMSE(std)macro = 0.172；シミュレーション比約400倍の高速化）、一方NODEはUHSにおいて首位となった（nRMSE(std)macro = 0.058；約428倍の高速化）。能動学習により、時間依存CCSでは加重分布外傾きが34%低減され、時間依存UHSではランダムサンプリングと比較して4回の連続ラウンドでnRMSE(std)macroがそれぞれ14.0%、10.3%、5.2%、2.1%低下した。SHAP分析により、深度と浸透率がCCSの支配的な制御因子である一方、生産期間と生産レートがUHSの主要な経済的制御因子であることが特定された。逆設計により、非時間依存CCSでは中央値深度2,252 mに高鉱化ウィンドウが特定され、時間依存CCSでは鉱化目標に到達するまでの中央値初到達時間が327.7年と得られた。非時間依存UHSでは、逆設計により、水素回収率が1パーセントポイント増加するごとに、上限包絡線NPVが約9.1～9.6 × 10⁷ USD増加し、回収率が90%近くになると収穫逓減が生じることが示された。時間依存UHSでは、逆設計により、5回目の貯蔵サイクルまでにNPV値3.5～4.0 × 10⁷ USDに達する準最適解が特定された。全体として、提案されたフレームワークは、地下MLを順方向予測から、CCSの鉱物捕捉強化およびUHSの経済的最適化に向けた意思決定指向の支援へと前進させる。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Existing surrogate models for carbon capture and storage (CCS) and underground hydrogen storage (UHS) are primarily designed for forward prediction and only rarely integrate temporal prediction, SHAP-based interpretability, and inverse design within a single framework. In this study, we propose a unified machine-learning (ML) framework that combines simulation, tabular panel regression, active learning, and evolutionary inverse design for CCS and UHS in deep saline aquifers. Four surrogate pipelines were developed for non-temporal and temporal CCS and UHS using 9,835, 9,999, 1,000, and 1,000 CMG GEM 2022.10 simulation cases, respectively. Best non-temporal performance was achieved by TabTransformerLite for CCS (nRMSE = 3.30 × 10⁻², R² = 0.920) and by CatBoost for UHS (R² = 0.994, nMSE = 5.68 × 10⁻³). In the temporal pipelines, FT-Transformer achieved the best overall performance for CCS (nRMSE(std)macro = 0.172; ~400× speedup relative to simulation), whereas NODE ranked first for UHS (nRMSE(std)macro = 0.058; ~428× speedup). Active learning reduced the weighted out-of-distribution slope by 34% for temporal CCS and lowered nRMSE(std)macro in temporal UHS by 14.0%, 10.3%, 5.2%, and 2.1% over four successive rounds relative to random sampling. SHAP analysis identified depth and permeability as the dominant CCS controls, whereas production duration and production rate were the main economic controls in UHS. Inverse design located a high-mineralization window for non-temporal CCS at a median depth of 2,252 m and yielded a median first-crossing time of 327.7 years for temporal CCS to reach the mineralization target. For non-temporal UHS, inverse design showed that each additional percentage point of hydrogen recovery was associated with an increase of about 9.1–9.6 × 10⁷ USD in upper-envelope NPV until diminishing returns emerged near 90% recovery. For temporal UHS, inverse design identified near-optimal solutions reaching NPV values of 3.5–4.0 × 10⁷ USD by the fifth storage cycle. Overall, the proposed framework advances subsurface ML from forward prediction toward decision-oriented support for CCS mineral-trapping enhancement and UHS economic optimization.

• openalex https://doi.org/10.11575/prism/51280first seen 2026-05-17 06:46:35 · last seen 2026-05-21 04:52:06