← 論文一覧に戻る

成熟油層におけるCO2-EORと貯留の技術経済協調最適化のための物理整合的残差メタ学習フレームワーク

A physically consistent residual meta-learning framework for techno-economic co-optimisation of CO2 EOR and sequestration in mature reservoirs (原題)

Maddirala R.

Physics and Chemistry of the Earth📚 査読済 / ジャーナル2026-10-01#CCUS経営インパクト: コスト削減対象セクター: power
DOI: 10.1016/j.pce.2026.104732
原典: https://api.elsevier.com/content/abstract/scopus_id/105047538370

🤖 gxceed AI 要約

日本語

成熟油層におけるCO2-EOR（原油増進回収）とCO2貯留を同時に最適化するため、物理整合性を保つ残差メタ学習フレームワークを提案する研究。機械学習による高速な代理モデルと物理制約を組み合わせ、回収率・貯留量・経済性のトレードオフを協調的に評価する点が貢献。CCUSの実装判断や油層選定の意思決定支援に資する。

English

Proposes a physically consistent residual meta-learning framework to co-optimise CO2-EOR and CO2 sequestration in mature reservoirs. It couples physics constraints with fast ML surrogates to jointly evaluate recovery, storage, and economics. Supports CCUS deployment decisions and reservoir screening.

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推進の重点技術に位置づけ、JOGMECや国内石油開発企業が貯留適地評価を進めている。本手法は油層選定・経済性評価の高度化に寄与し、CCS事業のFSやクレジット創出の議論に接続しうる。

In the global GX context

CCUS is central to global net-zero pathways and to emerging carbon-removal accounting under ISSB/CSRD-adjacent frameworks. ML-based techno-economic co-optimisation of EOR and storage helps de-risk project selection and quantify durable storage, informing transition-finance and offset integrity debates.

👥 読者別の含意

🔬研究者:物理制約とメタ学習を組み合わせた代理モデル設計の参考になる。

🏢実務担当者:CCS/EORプロジェクトの油層選定・経済性スクリーニングに応用可能。

🏛政策担当者:CCS事業支援や貯留量評価制度の技術的裏付けとして参照価値がある。

🔗 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。