Machine learning for CO2 geological storage and CO2-enhanced oil recovery in hydrocarbon reservoirs: A critical review of methodologies, the sim-to-real gap, and a roadmap for field-scale deployment
炭化水素貯留層におけるCO2地中貯留およびCO2増進回収法のための機械学習：手法の批判的レビュー、シミュレーションから実世界へのギャップ、実規模展開のためのロードマップ (AI 翻訳)
de la Cruz-Azuara J.E.
🤖 gxceed AI 要約
日本語
本論文は、CO2地中貯留とCO2増進回収（EOR）における機械学習手法の適用を批判的にレビューする。シミュレーションから実現場へのギャップを特定し、実規模展開のためのロードマップを提示する。CCUS分野の研究者・実務者に重要な知見を提供する。
English
This paper critically reviews machine learning applications for CO2 geological storage and enhanced oil recovery (EOR) in hydrocarbon reservoirs. It identifies the sim-to-real gap and proposes a roadmap for field-scale deployment, offering key insights for CCUS researchers and practitioners.
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
日本ではCO2地中貯留（CCS）がGX政策の柱の一つであり、本レビューは機械学習を用いた貯留効率向上やリスク評価の知見を提供する。特に、苫小牧や長岡での実証プロジェクトへの応用が期待される。
In the global GX context
Globally, CCUS is critical for net-zero pathways. This review synthesizes ML techniques for optimizing CO2 storage and EOR, addressing the gap between simulation models and field reality, which is essential for large-scale deployment in basins like the North Sea and Permian.
👥 読者別の含意
🔬研究者:Machine learning researchers and CCUS specialists can benefit from the taxonomy of methods and the identification of research gaps.
🏢実務担当者:Practitioners in CO2 storage projects can use the roadmap to guide field-scale deployment and integrate ML tools.
🔗 Provenance — このレコードを発見したソース
- scopus https://api.elsevier.com/content/abstract/scopus_id/105039436925first seen 2026-06-17 05:51:50 · last seen 2026-06-17 05:51:53
🔔 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。