Bu strukturlaşdırılmış tənqidi icmal geoloji CO₂ saxlanması zamanı fayların yenidən aktivləşməsi riskinin fiziki modelləşdirmə, sahə və laboratoriya müşahidələri, maşın öyrənməsi və fizika-məlumatlı elmi maşın öyrənməsi ilə necə qiymətləndirilməli olduğunu araşdırır. Fayın yenidən aktivləşməsi əvvəlcədən mövcud olan fay və ya fasilə boyunca yenidən sürüşmə və ya açılma hərəkətinin başlanmasıdır. Mənbənin əsas mesajı ondan ibarətdir ki, inyeksiya təzyiqi təkbaşına gələcək zəlzələni və ya CO₂ sızmasını müəyyən etmir. Məsamə təzyiqi, poroelastik ümumi gərginlik dəyişməsi, temperatur, çoxfazalı axın, fay əlaqəliliyi, sürtünmə qanunu, dilatasiya və keçiriciliyin təkamülü birlikdə qiymətləndirilməlidir. İcmal təzyiq və deformasiya modelləşdirilməsi ilə seysmik siqnal emalının bu gün ən güclü sübut bazasına malik sahələr olduğunu; perspektiv fay sürüşməsi, dinamik qırılma və seysmiklik proqnozunun isə hələ məhdud sübutlara əsaslandığını nəticə olaraq göstərir.

Tədqiqatın kritik töhfələrindən biri “fay sürüşməsini proqnozlaşdırmaq” ifadəsi altında tez-tez qarışdırılan hədəfləri bir-birindən ayırmasıdır. Statik sabitlik skrininqi, ilk sürüşmənin vaxtı, aseysmik sürüşmə, sürüşmənin sonrakı təkamülü, dinamik qırılma, zəlzələ maqnitudası, seysmiklik dərəcəsi, siqnal aşkarlanması və CO₂ saxlanma nəticəsi eyni problem deyil. Hər bir hədəf fərqli fiziki model, müşahidə, xəta metrikası və doğrulama səviyyəsi tələb edir.

İcmal həmçinin fizika-məlumatlı sinir şəbəkələrinin (PINN), Fourier neural operator, DeepONet, graph operator, Gaussian process, CNN/RNN surrogate və digər azaldılmış tərtibli modellərin potensialını qiymətləndirir. Bu üsulların çoxsaylı təkrarlanan simulyasiyaları sürətləndirə, monitorinq məlumatlarını emal edə və tərs məsələlərə kömək edə biləcəyi qəbul olunur; lakin mənbə öyrənilmiş modelin təlim sahəsindən kənara çıxarılması, fasilələrin yanlış təmsil olunması, aşağı orta xətaya baxmayaraq risk həddinin yanlış proqnozlaşdırılması və sahələrarası doğrulamanın çatışmazlığı barədə ciddi xəbərdarlıqlar edir.

Müəlliflərin təklif etdiyi əməliyyat hədəfi inyeksiyanı avtonom şəkildə idarə edən süni intellekt deyil. Təklif; doğrulanmış fiziki simulyatorları, monitorinq məlumatlarını, qeyri-müəyyənlik analizini, sürətli surrogate modelləri və açıq qərar qaydalarını birləşdirən insan nəzarətli və lazım gəldikdə qərar verməkdən çəkinə bilən rəqəmsal əkiz quruluşudur. Sistem yalnız məlumat keyfiyyəti yetərli, iş vəziyyəti doğrulanmış model sahəsinin daxilində və qeyri-müəyyənlik qəbul edilə bilən səviyyədə olduqda əməliyyat tövsiyəsi yaratmalıdır.

Geoloji karbon saxlanması CO₂-nin dərin duzlu akiferlər və ya tükənmiş karbohidrogen rezervuarları kimi geoloji vahidlərə inyeksiya edilərək uzun müddət yer altında saxlanmasını nəzərdə tutur. Saxlana bilən həcm yalnız formasiyanın məsamə həcminə bağlı deyil. İnyeksiya edilə bilən miqdar quyunun qəbul qabiliyyəti, rezervuar təzyiqi, örtük süxurun bütövlüyü, quyu bütövlüyü, fay sabitliyi, təzyiq qarşılıqlı təsiri və saxlanmış CO₂-nin uzunmüddətli izlənə bilməsi ilə məhdudlaşdırılır.

İnyeksiyanın mərkəzi əməliyyat dəyişəni təzyiqdir. İnyeksiya rezervuardakı məsamə təzyiqini artırır, süxur skeletinin daşıdığı effektiv gərginliyi dəyişdirir və poroelastik deformasiyaya səbəb olur. İnyeksiya edilən CO₂ formasiyadan daha soyuqdursa, termal büzülmə gərginlik sahəsini əlavə olaraq dəyişə bilər. Fay rezervuarla hidravlik əlaqəli olduqda təzyiq dəyişməsi fay səthinə ötürülə bilər. Lakin eyni təzyiq artımı müxtəlif fay həndəsələrində fərqli nəticələr yaradır.

Geoloji CO₂ saxlanmasında fayın yenidən aktivləşməsi niyə tək bir təzyiq həddi ilə izah edilə bilməz?

Məsamə təzyiqi effektiv normal gərginliyi azaldaraq sürüşməni asanlaşdıra bilər, lakin real fay cavabı poroelastik ümumi gərginlik dəyişmələri, termal təsirlər, fayın istiqaməti, hidravlik əlaqəlilik, sürtünmə qanunu, heterogenlik, dilatasiya və keçiricilik geri əlaqələri ilə birlikdə müəyyən olunur; buna görə tək bir təzyiq dəyəri yalnız açıq fərziyyələr altında skrininq həddi ola bilər, ümumi sahə proqnozu deyil.

Effektiv gərginlik

Mənbə sıxılmanın müsbət qəbul edildiyi işarə konvensiyasında Biot effektiv gərginliyini aşağıdakı kimi verir:

\[ \boldsymbol{\sigma}'=\boldsymbol{\sigma}-\alpha p\mathbf{I} \]

Burada \(\boldsymbol{\sigma}'\) effektiv gərginlik tenzoru, \(\boldsymbol{\sigma}\) ümumi gərginlik tenzoru, \(p\) məsamə təzyiqi, \(\alpha\) Biot əmsalı və \(\mathbf{I}\) vahid tenzordur. Eyni ümumi gərginlik saxlanarsa, \(p\)-nin yüksəlməsi effektiv sıxıcı gərginliyi azaldır.

Fay müstəvisinin vahid normalı \(\mathbf{n}\) olarsa, ümumi normal gərginlik və kəsici dartı mənbədə:

\[ \sigma_n=\mathbf{n}\cdot\boldsymbol{\sigma}\mathbf{n} \]

\[ \boldsymbol{\tau}=\boldsymbol{\sigma}\mathbf{n}-\sigma_n\mathbf{n}, \qquad \tau=\lVert\boldsymbol{\tau}\rVert \]

kimi təyin edilir. Fay səthindəki maye təzyiqi \(p_f\) olarsa, effektiv normal dartı:

\[ \sigma_n'=\sigma_n-p_f \]

olur. Mənbədə xüsusilə vurğulanır ki, fay təzyiqi ilə rezervuar matrisinin təzyiqi mütləq eyni olmaya bilər; aşağı keçiricilikli fay nüvəsi və ya zamanla dəyişən fay transmissivliyi iki təzyiqin ayrılmasına səbəb ola bilər.

Coulomb sürüşmə şərti

Koheziyasız əvvəlcədən mövcud fay üçün statik Coulomb şərti:

\[ \tau\geq\mu\sigma_n' \]

şəklindədir. Koheziya \(c\) daxil edildikdə:

\[ \tau\geq c+\mu\sigma_n' \]

olur. Mənbə Coulomb uğursuzluq gərginliyini:

\[ \mathrm{CFS}=\tau-c-\mu\sigma_n' \]

kimi təyin edir. Müsbət CFS yalnız seçilmiş statik meyarın aşıldığını göstərir; dinamik qırılmanın neçə kilometr irəliləyəcəyini və ya hansı maqnitudada zəlzələ yaradacağını müəyyən etmir.

Kritik təzyiq tənliyinin məhdudiyyəti

Ümumi normal və kəsici gərginliklərin sabit qaldığı və fay təzyiqinin bərabər şəkildə artdığı məhdud halda ilk sürüşmə üçün kritik təzyiq:

\[ p_{\mathrm{crit}} = \sigma_n-\frac{\tau-c}{\mu} \]

kimi yazıla bilər. Bu bərabərlik sürətli skrininq və ədədi model yoxlaması üçün dəyərlidir. Lakin inyeksiya ümumi gərginliyi də dəyişdirdiyinə, təzyiq məkanda homogen olmadığına, fay xassələri dəyişkən olduğuna və sürtünmə zamanla təkamül edə bildiyinə görə bütün sahə üçün universal sürüşmə həddi deyil.

Poroelastik gərginlik ötürülməsi

Quasi-static mexaniki tarazlıq:

\[ \nabla\cdot\boldsymbol{\sigma}-\rho_b\mathbf{g}=0 \]

əlaqəsi ilə verilir. Xətti izotrop termo-poroelastiklik üçün mənbə:

\[ \boldsymbol{\sigma} = 2G\boldsymbol{\varepsilon} + \lambda\,\mathrm{tr}(\boldsymbol{\varepsilon})\mathbf{I} + \alpha p\mathbf{I} + 3K\alpha_T(T-T_0)\mathbf{I} \]

ifadəsindən istifadə edir. \(G\) kəsilmə modulu, \(\lambda\) Lamé parametri, \(K\) drenlənmiş bulk modulu və \(\alpha_T\) xətti termal genişlənmə əmsalıdır.

Bu tənlik mühüm bir məqamı göstərir: inyeksiya yalnız fay səthindəki maye təzyiqini dəyişdirmir; rezervuarın genişlənməsi və ya soyuması ətrafdakı ümumi gərginlik sahəsini də dəyişir. Buna görə rezervuardan uzaqda yerləşən faylar belə poroelastik gərginlik ötürülməsindən təsirlənə bilər.

Təzyiq diffuziyası

Sadələşdirilmiş homogen birfazalı mühit üçün hidravlik diffuzivlik:

\[ D_h=\frac{k}{\mu S_s} \]

və xarakterik təzyiq yayılma məsafəsi:

\[ L_d\sim\sqrt{D_ht} \]

kimi verilir. \(k\) keçiricilik, \(\mu\) dinamik özlülük, \(S_s\) təzyiq əsaslı saxlama əmsalı və \(t\) zamandır.

Bu miqyaslama müəyyən əməliyyat müddətində fayın təzyiq dəyişikliyinə məruz qala bilib-bilməyəcəyini sürətlə qiymətləndirməyə kömək edir. Lakin çoxfazalı axın, heterogen formasiya və yüksək keçiricilikli əlaqəli fay şəbəkələri bu sadə davranışı ciddi şəkildə dəyişə bilər.

Çoxfazalı axın

CO₂ saxlanmasında su və CO₂ bir neçə faza arasında bölünə bildiyinə görə komponent üzrə kütlə qorunması tələb olunur. Mənbə \(\kappa\) komponenti üçün ümumi formu:

\[ \frac{\partial}{\partial t} \left[ \sum_\beta \phi S_\beta\rho_\beta X_\beta^\kappa \right] + \nabla\cdot \left[ \sum_\beta \left( \rho_\beta X_\beta^\kappa\mathbf{q}_\beta + \mathbf{j}_\beta^\kappa \right) \right] = q^\kappa \]

kimi verir. Burada \(\beta\) fazı, \(\phi\) məsaməliliyi, \(S_\beta\) faz doyma dərəcəsini, \(\rho_\beta\) faz sıxlığını, \(X_\beta^\kappa\) komponentin kütlə payını, \(\mathbf{q}_\beta\) Darcy axınını və \(\mathbf{j}_\beta^\kappa\) diffuziv axını təmsil edir.

Darcy axını:

\[ \mathbf{q}_\beta = -\frac{\mathbf{k}k_{r\beta}}{\mu_\beta} \left( \nabla p_\beta-\rho_\beta\mathbf{g} \right) \]

şəklindədir. Belə bir modelin bağlanması üçün kapilyar təzyiq, nisbi keçiricilik, faz tarazlığı və uyğun termodinamik əlaqələr tələb olunur.

Termal təsirlər

İnyeksiya edilən CO₂ formasiyadan daha soyuq olduqda istilik ötürülməsi yalnız maye xassələrini deyil, mexaniki gərginliyi də dəyişə bilər. Mənbə sadələşdirilmiş enerji tənliyini:

\[ \frac{\partial U}{\partial t} + \nabla\cdot \left( \sum_\beta h_\beta\rho_\beta\mathbf{q}_\beta - \lambda_T\nabla T \right) = Q_T \]

şəklində verir. Soyuma quyu ətrafında üfüqi sıxıcı gərginliyi azalda, dartılma çatını asanlaşdıra və ya maili fay üzərində normal və kəsici gərginlikləri dəyişə bilər. Lakin termal təsirin işarəsi fayın istiqamətindən və mexaniki məhdudiyyətlərdən asılı olduğuna görə “soyuq CO₂ fayları həmişə destabilizasiya edir” şəklində ümumiləşdirmə aparmaq olmaz.

Rate-and-state sürtünməsi

Mohr–Coulomb ilk sürüşmə həddini müəyyən edir; sürüşmənin stabil, yoxsa sürətlənən olacağını təkbaşına izah etmir. Mənbə rate-and-state sürtünməsini:

\[ \mu = \mu_0 + a\ln\left(\frac{V}{V_0}\right) + b\ln\left(\frac{\theta V_0}{D_c}\right) \]

və yaşlanma qanununu:

\[ \frac{d\theta}{dt} = 1-\frac{V\theta}{D_c} \]

ilə ifadə edir. Burada \(V\) sürüşmə sürəti, \(V_0\) istinad sürəti, \(\theta\) vəziyyət dəyişəni və \(D_c\) xarakterik sürüşmə məsafəsidir.

Stasionar vəziyyətdə \(a-b<0\) sürət-zəifləməsi ilə əlaqəlidir və uyğun sərtlik şərtlərində qeyri-sabit sürüşməyə imkan verə bilər; \(a-b>0\) isə ümumiyyətlə stabil sürüşməni dəstəkləyir.

Xarakterik nüvələnmə uzunluğu mənbədə sxematik olaraq:

\[ L_c = C\frac{GD_c}{(b-a)\sigma_n'} \]

şəklində yazılır. Mənbə bu əlaqənin miqyaslama məqsədi ilə istifadə edildiyini; \(C\) əmsalının həndəsə, ölçü və seçilmiş state-evolution qanununa görə dəyişdiyini xüsusi vurğulayır. Laboratoriya parametrlərini kilometr miqyaslı faya universal əmsalla birbaşa köçürmək düzgün deyil.

Model fay sürüşməsini göstərirsə, bu zəlzələ və ya CO₂ sızması deməkdirmi?

Xeyr. Quasi-static sürüşmə fayın ümumi yerdəyişməsini göstərə bilər, lakin bu hərəkətin nə qədərinin seysmik radiasiyaya çevrildiyini müəyyən etmir; eyni şəkildə fayın mexaniki olaraq aktivləşməsi CO₂ üçün daimi keçirici sızma yolunun yarandığını sübut etmir, çünki hidravlik nəticə fay nüvəsi, zədələnmə zonası, dilatasiya, kompaksiya, kapilyar giriş təzyiqi və çoxfazalı keçiricilik tərəfindən ayrıca müəyyən edilir.

Fay açıqlığı və keçiricilik

İdeal paralel lövhələr üçün vahid en üzrə çat axını mənbədə kub qanunu ilə:

\[ q_f = -\frac{b^3}{12\mu}\nabla_{\parallel}p \]

kimi verilir. Buna qarşılıq ekvivalent daxili keçiricilik:

\[ k_f=\frac{b^2}{12} \]

ilə miqyaslanır. Beləliklə transmissivlik açıqlığın kubundan, keçiricilik isə kvadratından asılıdır. Açıqlıqda kiçik dəyişikliklərin fay boyunca axına güclü təsir göstərə bilməsinin əsas səbəbi budur.

Real faylar isə paralel hamar lövhələr deyil. Nahamar səth, təmas sahəsi, kanalizasiya, gouge, çoxfazalı doluluq və zədələnmə zonaları axını dəyişdirir. Sürüşmə bəzi sahələrdə dilatasiya ilə keçiriciliyi artırdığı halda, başqa şəraitdə gouge kompaksiyası keçiriciliyi azalda bilər.

Seysmik moment və maqnitud

Seysmik moment:

\[ M_0 = G\int_A D_s\,dA \approx GA\overline{D_s} \]

şəklində təyin edilir. \(G\) kəsilmə modulu, \(A\) qırılma sahəsi və \(D_s\) seysmik sürüşmədir.

\(M_0\) N·m vahidində olduqda moment maqnitudası:

\[ M_w = \frac{2}{3} \left( \log_{10}M_0-9.1 \right) \]

kimi hesablana bilər. Lakin quasi-static modelin hesabladığı bütün ümumi fay sürüşməsini \(D_s\) kimi qəbul etmək elmi cəhətdən düzgün deyil. Stabil sürüşmə, plastik deformasiya, yeni qırıq yaranması və sürtünmə istiliyi enerji sərf edə bilər.

Fay sürüşməsi ilə sızma arasındakı çatışmayan əlaqə

Fay sürüşdükdən sonra keçiriciliyin artacağı fərziyyəsi avtomatik deyil. Gillə zəngin fay nüvəsi sürüşmədən sonra belə aşağı keçiricilikli qala bilər; dilatasiya olunmuş zədələnmə zonası isə müvəqqəti və ya daimi axın yolu yarada bilər. Bundan başqa, CO₂-nin faya daxil ola bilməsi üçün yalnız hidravlik əlaqə deyil, uyğun kapilyar giriş şərtləri də tələb olunur.

Buna görə mənbə mexaniki aktivləşməni, hidravlik transmissivliyi və real CO₂ miqrasiyasını ayrıca modellər və müşahidələrlə əlaqələndirməyi təklif edir.

Bir istiqamətli, iki istiqamətli və monolitik əlaqələndirmə

Mənbədə mühüm zaman miqyası fərqi də vardır. Rezervuar modeli saatlardan aylara qədər uzanan addımlarla işləyə bildiyi halda, dinamik qırılma millisaniyə və ya saniyədən aşağı çözünürlük tələb edə bilər. Buna görə uzunmüddətli quasi-static saxlama modelini yalnız kritik faya yaxınlaşdıqda lokal dinamik qırılma modelinə bağlamaq daha əsaslandırılmış ola bilər.

Əsas ədədi model ailələri

Mənbənin yanaşması heç bir proqram və ya model ailəsini “qalib” elan etmir. Model seçimi proqnoz hədəfi ilə müəyyən edilməlidir. Məsələn, regional təzyiq idarəçiliyində çoxfazalı rezervuar modeli əsas tələb ola bilər, lokal fayın sürüşmədən sonrakı davranışında isə açıq fasilə və uyğun sürtünmə qanunu daha kritik ola bilər.

Sahə sübutlarının iyerarxiyası

Maşın öyrənməsi hansı tapşırıqlarda daha yetkin, hansılarda məhduddur?

Maşın öyrənməsi üçün ən yetkin sübut seysmik hadisə aşkarlanması, faz picking, waveform emalı və kataloq dəstəyi kimi monitorinq tapşırıqlarındadır; simulator surrogate və məlumat assimilyasiyası nəzarətli dizayn sahələrində faydalıdır, lakin gələcək fay sürüşməsini və ya seysmikliyi yeni CO₂ saxlama sahəsində prospektiv şəkildə proqnozlaşdırmağa dair sübut hələ məhduddur.

Əvvəl tapşırıq, sonra alqoritm

Mənbə ən azı beş fərqli ML tapşırığını ayırır: hadisə aşkarlanması/faz picking, waveform təsnifatı, fiziki dəyişənlərin reqressiyası və ya tərs qiymətləndirilməsi, prospektiv fay/seysmiklik proqnozu və simulator surrogate modelləşdirilməsi.

Hadisə aşkarlama modeli continuous seismic qeyddə siqnal tapır. Phase picker P və S gəliş vaxtlarını müəyyən edir. Classifier waveform-u səs-küy, partlayış və ya sürüşmə tipinə ayıra bilər. Bunların heç biri avtomatik olaraq gələcəkdə fayın nə vaxt qırılacağını proqnozlaşdırmır.

Leakage-safe məlumat bölünməsi

Waveform pəncərələrini təsadüfi qarışdırmaq eyni fiziki hadisənin bir-birinə çox bənzəyən hissələrinin həm təlim, həm də test dəstinə düşməsinə səbəb ola bilər. Mənbə güclü doğrulama üçün ardıcıllıqla tam hadisə, nümunə/eksperiment, zaman bloku, quyu/sensor şəbəkəsi və sonda tamamilə fərqli sahə üzrə ayrılmanı təklif edir.

Nadir hadisələrdə accuracy niyə yanıltıcıdır?

Əməliyyat baxımından mühüm fay sürüşmələri normal iş rejiminə nisbətən çox nadirdir. Həmişə “hadisə yoxdur” deyən təsnifatçı yüksək accuracy göstərə bilər, lakin risk idarəçiliyi üçün heç bir dəyər yaratmaya bilər. Buna görə precision–recall quruluşu, false alarm dərəcəsi, ehtimallı kalibrləmə və sinif-əsaslı nəticələr daha mənalıdır.

Mənbə həmçinin proqnoz ehtimallarının reliability diagram, Brier skoru və ya log-loss ilə kalibrlənməsini təklif edir. Əməliyyat xərcləri də yalnız alqoritmik skoru optimallaşdırmaq üçün deyil, yanlış siqnal ilə buraxılmış hadisənin real nəticələrinə görə operator və tənzimləyicilərlə birlikdə müəyyən edilməlidir.

Laboratoriya “zəlzələ proqnozu” niyə birbaşa sahəyə köçürülə bilməz?

Nəzarətli sürtünmə eksperimentlərində continuous acoustic xüsusiyyətlərin fay vəziyyəti və təkrarlanan eksperiment dövründə uğursuzluğa qalan vaxt barədə məlumat daşıya bildiyi göstərilmişdir. Lakin laboratoriya sistemləri nəzarətli həndəsə, sıx sensor şəbəkəsi və məhdud sayda failure mode ehtiva edir. Real faylar heterogen, natamam müşahidə olunan və müxtəlif miqyaslarda yüklənən quruluşlardır.

Bu eksperimentlər fiziki state məlumatının mövcud olduğunu göstərir; yeni CO₂ saxlama sahəsində zəlzələ vaxtının uğurla proqnozlaşdırıldığının sübutu deyil.

Fizika-məlumatlı maşın öyrənməsi nədir?

Mənbə “physics-informed” etiketini tək bir üsulun adı kimi istifadə etmir. Üç əsas sinfi ayırır:

• Physics-constrained learner: PINN kimi, diferensial tənlik və ya interfeys residual-larını itkiyə əlavə edən modellər.
• Learned operator: Fourier neural operator, DeepONet və ya graph operator kimi, giriş sahəsindən həll sahəsinə xəritələməni öyrənən modellər.
• Simulator emulator / reduced-order model: Müəyyən full-order simulyatorun seçilmiş çıxışını müəyyən edilmiş parametr sahəsində yaxınlaşdırır.

Təzyiqi və ya Coulomb gərginliyini neural network girişinə çevirmək physics-guided feature engineering-dir; PINN ilə eyni şey deyil.

PINN itki funksiyası

PINN fiziki vəziyyəti \(\hat{y}(\mathbf{x},t;\boldsymbol{\theta})\) ilə yaxınlaşdırır və məlumatla fizika residual-larını birlikdə minimuma endirir:

\[ L= w_dL_{\mathrm{data}} + w_mL_{\mathrm{momentum}} + w_fL_{\mathrm{mass}} + w_TL_{\mathrm{energy}} + w_bL_{\mathrm{BC/IC}} \]

\(w_i\) çəkiləri müxtəlif loss komponentlərini tarazlaşdırmağa xidmət edir. Bir tənliyin ədədi miqyası digərindən çox böyükdürsə, təlim fiziki baxımdan tarazsız ola bilər; buna görə nondimensionalization və adaptiv çəkiləndirmə lazım gələ bilər.

PINN-lər bəzən “mesh-free” kimi təsvir edilsə də, mənbə bunun natamam ifadə olduğunu bildirir. Şəbəkə yenə də collocation, sərhəd, başlanğıc və müşahidə nöqtələrinə ehtiyac duyur. Hesablama xərci mesh həllindən optimallaşdırmaya keçir; xüsusilə 3B heterogen və fasiləli fay problemlərində klassik sonlu element üsulundan daha sürətli və ya daha dayanıqlı olacağına zəmanət yoxdur.

Neural operator və surrogate modelləri

Neural operator-lar keçiricilik sahəsi, sərhəd şərtləri və quyu idarəetmələri kimi funksiyalardan təzyiq/deformasiya sahələrinə çevrilməni öyrənə bilər. Təlim tamamlandıqdan sonra çoxsaylı ssenariləri sürətlə qiymətləndirmək qabiliyyəti ensemble proqnoz və qeyri-müəyyənlik analizi üçün dəyərlidir.

Lakin təlimdə olmayan fay həndəsəsi, keçiricilik kontrastı və ya əməliyyat şərtlərində xəta kəskin arta bilər. Buna görə yalnız qlobal L2 xətası kifayət deyil. Maksimum təzyiq, risk həddinə çatma vaxtı, fay dartısı, sürüşmə sahəsi və leakage rate kimi qərar-hədəfli metriklər ayrıca doğrulanmalıdır.

Tərs məsələdə fizika təkbaşına informasiya yaratmır

PINN və ya Bayesian inversion ilə keçiricilik, fay transmissivliyi və ya sürtünmə parametri qiymətləndirilə bilər. Lakin müxtəlif parametr kombinasiyaları eyni təzyiq və ya deformasiya müşahidəsini yarada bilər. Governing equations istifadə etmək müşahidədə olmayan məlumatı yaratmır.

Buna görə identifiability, posterior correlation və model discrepancy açıq şəkildə bildirilməlidir. Təzyiq, deformasiya, temperatur, plume görüntüləmə və seysmik məlumatlar fərqli prosesləri məhdudlaşdırdığı üçün çoxməlumatlı assimilyasiya tək məlumat növündən daha dəyərlidir.

Əməliyyat fay-risk modeli hansı doğrulama səviyyəsinə çatmalıdır?

Əməliyyat etibarlılığı kodun işlədiyini göstərməkdən daha çoxunu tələb edir; mənbə doğrulama pilləsini kod doğrulaması → kanonik benchmark → laboratoriya doğrulaması → müstəqil retrospektiv sahə testi → sahələrarası challenge → prospektiv proqnoz kimi qurur və təhlükəsizlik baxımından daha kritik və ya daha avtonom qərar üçün pillənin daha yuxarı mərhələlərində sübut tələb edir.

Doğrulama pilləsi

Kalibrləmə doğrulama deyil. Keçmiş təzyiq məlumatına uyğunlaşdırılmış model həmin keçmiş məlumatı yaxşı yenidən yarada bilər, lakin gələcək inyeksiya mərhələsində düzgün proqnoz verməyə məcbur deyil.

Ehtimallı risk

Mənbə risk metrikasını ümumi şəkildə:

\[ P\left[g(\mathbf{m},\mathbf{u})>g_{\mathrm{lim}}\mid\mathbf{d}\right] \]

ilə ifadə edir. Burada \(\mathbf{m}\) qeyri-müəyyən model parametrləri və struktur ssenarilərini, \(\mathbf{u}\) əməliyyat idarəetmələrini, \(\mathbf{d}\) müşahidələri və \(g\) təzyiq, sürüşmə, maqnitud və ya sızma kimi performans kəmiyyətini təmsil edir.

Bu yanaşma tək bir “təhlükəsiz təzyiq” sayından daha zəngindir. Gərginlik, fay sürtünməsi və əlaqəlilik qeyri-müəyyən olduqda failure həddi də paylanma şəklindədir. Əməliyyat təzyiq pəncərəsi buna uyğun ehtimallı şəkildə idarə olunmalıdır.

Model qeyri-müəyyənliyi hansı qatlarından ibarətdir?

Mənbə qeyri-müəyyənliyi ən azı bu qatlarda ayırır: giriş/parametr qeyri-müəyyənliyi, geoloji-struktur ssenari qeyri-müəyyənliyi, ölçmə xətası, ədədi xəta, model forması discrepancy-si və surrogate approximation error.

Məsələn, dar neural-network posterior-u modelin real geologiyanı yaxşı təmsil etdiyi anlamına gəlməyə bilər. Təlim ensemble-ı mümkün fay həndəsələrini ehtiva etmirsə, surrogate öz yanlış dünyası daxilində çox “əmin” ola bilər.

İnsan nəzarətli rəqəmsal əkiz

Mənbənin strict tərifində rəqəmsal əkiz yalnız dashboard və ya tək kalibrlənmiş model deyil. Davamlı yenilənən state model, observation operator, məlumat keyfiyyətinə nəzarət, məlumat assimilyasiyası, proqnoz, qeyri-müəyyənliyin yayılması, qərar qaydaları və audit trail birlikdə mövcud olmalıdır.

Məlumat zəifdirsə və ya vəziyyət valid domain xaricindədirsə, sistemin “daha əmin proqnoz” yaratması deyil, abstain etməsi təklif olunur. Bu halda inyeksiya artırılmamalı, konservativ limit saxlanmalı, full-order model yenidən işə salınmalı və müstəqil insan yoxlaması aparılmalıdır.

Avtonom idarəetmə niyə təklif edilmir?

Mənbədə reinforcement learning və sürətli optimallaşdırma mümkün gələcək alətlər kimi nəzərdən keçirilir, lakin dərc olunmuş nümunələrin çoxunun simulyasiya səviyyəsində olduğu vurğulanır. Öyrənilmiş siyasət simulyator qüsurlarından istifadə edə və ya modeldə olmayan geologiyada uğursuz ola bilər.

Yaxın dövrün hədəfi insan nəzarətli avtomatlaşdırmadır: maşın öyrənməsi məlumat həcmini azalda, surrogate model ssenariləri sürətləndirə, optimallaşdırma namizəd əməliyyat planları təklif edə bilər; son səlahiyyət doğrulanmış prosedurlarla işləyən ixtisaslı personalda olmalıdır.

Tədqiqat yol xəritəsi

Tədqiqatın Metodu və Nəticələri

İcmal üsulu

Ədəbiyyat Scopus, Web of Science, Google Scholar, ScienceDirect, OnePetro, nəşriyyatçı məlumat bazaları və irəli/geri istinad zəncirləmə yolu ilə iterativ şəkildə toplanmışdır. Son ədəbiyyat yenilənməsi 10 Avqust 2026 tarixində aparılmışdır.

Axtarışlar “CO₂ storage”, “geologic carbon sequestration”, “CCS”, “fault reactivation”, “induced seismicity”, “poro-elasticity”, “fault slip”, “caprock integrity”, “THM”, “THMC”, “finite element”, “discrete element”, “machine learning”, “physics-informed”, “surrogate” və “neural operator” kimi mövzu bloklarını birləşdirmişdir.

Skrininq üç mərhələdə aparılmışdır: başlıq/xülasə uyğunluğu; duplikat və texniki olmayan məzmunun çıxarılması; daha sonra həndəsə, governing equations, konstitutiv fərziyyə, sərhəd şərti, məlumat mənbəyi, proqnoz hədəfi və doğrulama sübutu baxımından tam mətn qiymətləndirilməsi.

Mənbələr dörd sübut mühitində kodlaşdırılmışdır: birbaşa CO₂ saxlanması; nəzarətli laboratoriya; non-CO₂ inyeksiya analoqu; sintetik/ədədi benchmark.

Doğrulama səviyyələri isə kod doğrulaması, laboratoriya doğrulaması, retrospektiv sahə qiymətləndirilməsi, sahələrarası qiymətləndirmə və prospektiv proqnoz kimi ayrılmışdır.

İlk axtarışlar qeydiyyata alınmış protokol çərçivəsində aparılmadığı üçün ilkin tapılmış qeydlərin, duplikasiyadan sonrakı qeydlərin, tam mətn qiymətləndirmələrinin və xaric edilmələrin sayları saxlanmamışdır. Müəlliflər sonradan bu sayları təxmin edib “false precision” yaratmamışlar. Yekun sintez 98 istinadı əhatə edir.

Metod yetkinliyi necə qiymətləndirildi?

İcmal alqoritmə ümumi “yetkinlik balı” vermək əvəzinə konkret proqnoz tapşırığına görə beş meyardan istifadə edir: sübutun birbaşa olması, doğrulama səviyyəsi, müstəqil təkrar, hədəfə uyğun metrik/qeyri-müəyyənlik kalibrlənməsi və təkrar istehsal oluna bilmə və ya əməliyyat testi.

Birbaşa CO₂ saxlama sübutu əməliyyat hazırlığının qiymətləndirilməsində sintetik benchmark, laboratoriya, təbii zəlzələ və ya geotermal analogiyadan daha yüksək çəkiyə malikdir.

Məhdud sübut əsasən sintetik/laboratoriya və ya tək retrospektiv sahə dəstəyini; inkişaf edən/orta səviyyə təkrarlanan nəzarətli və ya retrospektiv sahə nümayişlərini; nisbətən yetkin səviyyə isə müstəqil tədqiqatlar/sahələr, kəmiyyətcə qeyri-müəyyənlik və prospektiv və ya əməliyyat sübutunu ifadə edir.

Bu gün nələri nisbətən etibarlı proqnozlaşdırmaq mümkündür?

Mənbəyə görə kifayət qədər xarakterizə olunmuş sistemlərdə reservoir pressure və deformasiya hesablamaları ən güclü sahə sübutuna malikdir. Bu modellərdə birbaşa müşahidə müqayisələri, observation operator-lar və müəyyən edilmiş xəta ölçüləri mövcuddur.

Seysmik hadisə aşkarlanması və phase picking geniş təbii seysmiklik məlumat dəstlərində güclü xarici doğrulama göstərir; lakin CO₂ sahəsinə köçürülərkən sensor həndəsəsi, səs-küy və detection threshold yenidən doğrulanmalıdır.

İlk sürüşmənin vaxtı daha qeyri-müəyyəndir, çünki başlanğıc gərginliyinə və sürtünməyə çox həssasdır. Sürüşmə təkamülü sahə miqyasında nadir hallarda ölçülən konstitutiv parametrlər tələb edir. Maksimum maqnitud isə fay əlaqəliliyi və rupture arrest haqqında təzyiq məlumatının təkbaşına verə bilmədiyi informasiyadan asılıdır.

Model mürəkkəbliyi niyə avtomatik olaraq qeyri-müəyyənliyi azaltmır?

Daha çox fizika əlavə etmək bəzi struktur bias-ları azalda bilər; lakin yeni parametrlər və yeni qeyri-müəyyənliklər də əlavə edir. Poorly constrained THMC model daha sadə HM modelindən daha geniş proqnoz qeyri-müəyyənliyi yarada bilər.

Eyni şəkildə daha dərin neural network uyğunsuz event catalog, naməlum in-situ stress və ya təmsil edilməyən fay həndəsəsini kompensasiya edə bilməz. Mənbə alqoritmik mürəkkəblik əvəzinə qərar baxımından həqiqətən zəruri proseslərin modelləşdirilməsini təklif edir.

Təklif olunan inteqrasiya olunmuş iş axını

1. Fay və ilkin gərginlik inventarı yaradılır və alternativ struktur modelləri ensemble şəklində saxlanılır.
2. Analitik skrininqlə kritik faylar və təzyiq marjaları müəyyən edilir.
3. Regional çoxfazalı rezervuar modeli təzyiq qarşılıqlı təsirini və CO₂ plume davranışını hesablayır.
4. Risk baxımından mühüm ssenarilər geomekanik modelə bağlanır; müxtəlif konstitutiv və sərhəd fərziyyələri sınaqdan keçirilir.
5. Laboratoriya ölçmələri sürtünmə, dilatasiya və keçiricilik parametrlərini məhdudlaşdırır.
6. Monitorinq şəbəkəsi qərarı müəyyən edən qeyri-müəyyənlikləri azaltmaq üçün layihələndirilir.
7. İnyeksiya zamanı təzyiq, deformasiya və seysmik müşahidələr ensemble-ı yeniləyir.
8. Maşın öyrənməsi hadisə aşkarlanması və məlumatların azaldılmasında; surrogate modellər ensemble proqnozlarında istifadə edilir.
9. Təklif olunan əməliyyat dəyişiklikləri tətbiq edilməzdən əvvəl full-order modellə yenidən yoxlanılır.
10. Gözlənilməz müşahidələr model discrepancy analizini və lazım gəldikdə daha konservativ əməliyyatı işə salır.

Tədqiqatın dəstəklədiyi nəticə

Geoloji CO₂ saxlanmasında fayın yenidən aktivləşməsi çoxlu fizika, çoxlu məlumat və qeyri-müəyyənlik ehtiva edən qərar problemidir. Tək bir model sinfi və ya tək bir “AI skoru” bütün hədəfləri etibarlı şəkildə həll etmir.

Site-scale təzyiq və deformasiya üçün continuum reservoir geomechanics bu gün ən güclü sübut bazasına malikdir. Açıq fay kinematikası və ya qırıq böyüməsi tələb edən problemlər üçün interface, discontinuum, DFN, XFEM və phase-field kimi üsullar əlavə dəyər verə bilər.

Maşın öyrənməsi monitorinq analitikası, simulator surrogate və məlumat assimilyasiyasında faydalıdır. Physics-informed üsullar xüsusilə çoxsaylı təkrarlanan qiymətləndirmə, inverse problem və ya limited-domain surrogate üçün dəyərlidir.

Əməliyyat hazırlığı alqoritmin yeniliyinə deyil, müstəqil doğrulamaya, qeyri-müəyyənlik kalibrlənməsinə, sahələrarası testə, prospektiv performansa və açıq fallback/human-governance qaydalarına bağlanmalıdır.

Tədqiqatın dəstəkləmədiyi nəticə

İcmal müəyyən bir neural network-ün CO₂ inyeksiyasından yaranacaq gələcək zəlzələləri etibarlı şəkildə əvvəlcədən proqnozlaşdırdığını göstərmir.

PINN və ya neural operator-un klassik FEM/FVM həlledicilərindən ümumilikdə daha dəqiq və ya daha sürətli olduğunu sübut etmir. Nəticə problem ölçüsü, təlim xərci, həndəsə, fasiləlilik və istifadə sayından asılıdır.

Fay sürüşməsi avtomatik CO₂ sızması deyil. Təzyiq artımı avtomatik zəlzələ deyil. Mikroseysmiklik aşkarlanması da gələcək böyük qırılmanın proqnozu deyil.

Təklif olunan rəqəmsal əkiz arxitekturası hazırkı kommersiya CO₂ saxlama layihələrində prospectively validated autonomous-control sistemi kimi göstərilməmişdir. Mənbə bunu tədqiqat və idarəçilik yol xəritəsi kimi təqdim edir.

Əsas icmal məhdudiyyətləri

Axtarış prosesi qeydiyyata alınmış PRISMA protokolu ilə başlamamış və erkən mərhələ qeyd sayları saxlanmamışdır. Buna görə tədqiqat sistematik sübut xəritəsi və ya meta-analiz deyil.

Ədəbiyyat fərqli geologiyalar, inyeksiya miqyasları, monitorinq şəbəkələri, model hədəfləri və performans metrikalarını ehtiva etdiyinə görə ədədi nəticələrin tək bir pooled “accuracy” altında birləşdirilməsi elmi baxımdan uyğun deyil.

Prospektiv sahə proqnozu azdır. Bir çox ML nəticəsi təbii zəlzələ, laboratoriya və ya sintetik simulyasiya məlumatından gəlir. Buna görə alqoritmik performans ilə CO₂ saxlanmasındakı əməliyyat sübut səviyyəsi eyni şey deyil.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Multiphysics, Machine Learning, and Physics Informed Approaches to Fault Reactivation During Geological CO2 Storage: A Critical Review and Research Roadmap.

Müəlliflər: Godsway Akpabli; Hamid Rahnema; William Apau Marfo; Kelvin Hayford; Kwamena Opoku Duartey; Joseph Osei-Nsankyire.

Məsul müəllif: Kwamena Opoku Duartey.

Qurumlar: Department of Petroleum and Natural Gas Engineering, New Mexico Institute of Mining and Technology, Socorro, New Mexico, USA; Petroleum Research and Recovery Center, New Mexico Institute of Mining and Technology, Socorro, New Mexico, USA.

Jurnal: Advances in Carbon Neutrality.

Nəşriyyatçı: MDPI.

Biblioqrafik qeyd: Advances in Carbon Neutrality, 2026, Cild 1, Say 1, Məqalə 1.

DOI: 10.3390/acn1010001.

Nəşr tarixi: 20 Sentyabr 2026.

Qəbul / reviziya / təsdiq: 12 Avqust 2026 / 7 Sentyabr 2026 / 15 Sentyabr 2026.

Mənbə növü: Review; strukturlaşdırılmış tənqidi icmal və tədqiqat yol xəritəsi.

Resenziya vəziyyəti: Resenziyalı nəşr prosesindən keçmiş, reviziya və qəbul tarixləri açıq şəkildə bildirilmiş jurnal məqaləsidir.

Lisenziya: Creative Commons Attribution (CC BY). Mənbə PDF lisenziya versiyasının nömrəsini ayrıca göstərmədiyinə görə versiya nömrəsi təxmin edilməmişdir.

İcmal məlumat mənbələri: Scopus, Web of Science, Google Scholar, ScienceDirect, OnePetro, nəşriyyatçı məlumat bazaları və irəli/geri istinad zəncirləmə.

Son axtarış yenilənməsi: 10 Avqust 2026.

Yekun mənbə korpusu: 98 istinad.

PRISMA vəziyyəti: Müəlliflər PRISMA-uyğun corpus iddiasında bulunmurlar. Başlanğıc qeydlər, duplikasiyadan sonrakı qeydlər və xaric edilmiş tam mətnlərin sayları saxlanmamışdır.

Sintez növü: Keyfiyyət, mexanizm və sübut-səviyyəsi əsaslı strukturlaşdırılmış sintez; non-commensurate hədəf və metriklər səbəbindən pooled performans statistikası və ya meta-analitik effekt ölçüsü hesablanmamışdır.

Sübut sinifləri: Birbaşa CO₂ saxlanması; nəzarətli laboratoriya; non-CO₂ inyeksiya analoqu; sintetik/ədədi benchmark.

Doğrulama səviyyələri: Kod doğrulaması; laboratoriya doğrulaması; retrospektiv sahə qiymətləndirilməsi; sahələrarası qiymətləndirmə; prospektiv proqnoz.

Əsas fizika sahələri: Çoxfazalı axın, poroelastiklik, termomexanika, fay sürtünməsi, fay keçiriciliyi, dinamik qırılma və THMC geri əlaqələri.

Əsas ədədi yanaşmalar: Analitik/yarı-analitik üsullar, FEM, finite-volume/integrated finite-difference, explicit finite-difference, DEM, DFN hibridləri, XFEM/embedded discontinuities və phase-field fracture.

Əsas maşın öyrənməsi yanaşmaları: CNN, transformer, tree ensemble, support vector machine, generalized linear model, Gaussian process, recurrent model, PINN, Fourier neural operator, DeepONet, graph operator, CNN/RNN surrogate və reduced-order model.

Mərkəzi sahə nümunələri: In Salah, Illinois Basin Decatur, Otway, Sleipner, Snøhvit və Ketzin; Basel və digər inyeksiya nümunələri analoji sübut kimi nəzərdən keçirilmişdir.

Əsas nəticə: Təzyiq və deformasiya modelləşdirilməsi ilə seismic signal processing ən güclü mövcud sübut bazasına malikdir; prospektiv fay sürüşməsi və seysmiklik proqnozu məhdud sübut səviyyəsindədir.

Rəqəmsal əkiz yanaşması: State model + observation operator + QC + data assimilation + forecast + uncertainty + decision rules + audit trail + human oversight. Validated-domain xaricində sistemin abstain/fallback davranışı göstərməsi təklif olunur.

Maliyyələşmə: Tədqiqat xarici maliyyələşmə almamışdır.

Etika: Institutional Review Board və informed consent tətbiq edilə bilməz; tədqiqat yeni insan/heyvan eksperimenti ehtiva etmir.

Məlumat əlçatanlığı: Yeni məlumat yaradılmamış və ya təhlil edilməmişdir. Sintez edilmiş məlumat istinad verilmiş ədəbiyyatdan gəlir. Müəlliflərin orijinal sintez şəkillərinin redaktə edilə bilən versiyalarının əsaslandırılmış sorğu ilə məsul müəllifdən əldə edilə biləcəyi bildirilir.

Maraq toqquşması: Müəlliflər maraq toqquşması bildirməmişlər.

Süni intellekt istifadəsi bəyanatı: ChatGPT image generation/editing funksiyalarından yalnız müəlliflər tərəfindən orijinal hazırlanmış sxemlərin vizual təkmilləşdirilməsi, hizalanması, oxunaqlılığı və vizual ardıcıllığı üçün istifadə edilmişdir. Mənbə AI-nin eksperimental və ya ədədi məlumat yaratmaq, ədəbiyyat axtarmaq, sübut seçmək, elmi analiz aparmaq və ya texniki nəticə yaratmaq üçün istifadə edilmədiyini açıq şəkildə bildirir.

Müəllif töhfələri: Konseptuallaşdırma: Godsway Akpabli; metod: Godsway Akpabli və William Apau Marfo; proqram təminatı: Godsway Akpabli; formal analiz və tədqiqat: Godsway Akpabli və William Apau Marfo; resurslar: Hamid Rahnema; ilk qaralama: Godsway Akpabli və William Apau Marfo; baxış/redaktə: Hamid Rahnema, Kelvin Hayford, Kwamena Opoku Duartey və Joseph Osei-Nsankyire; vizuallaşdırma: Godsway Akpabli; nəzarət və layihə idarəçiliyi: Hamid Rahnema.

Əsas metodoloji məhdudiyyətlər: Qeydiyyata alınmış sistematik icmal protokolunun olmaması; ilkin skrininq saylarının saxlanmaması; ədəbiyyatın geologiya, hədəf və metrik baxımından heterogenliyi; prospektiv sahə proqnozlarının azlığı; bəzi ML sübutlarının təbii zəlzələ/laboratoriya/sintetik sahələrdən köçürülməsi; in-situ stress, fay əlaqəliliyi və CO₂ şəraitində sürtünmə/keçiricilik məlumatlarının çatışmazlığı; model discrepancy və monitorinq detection limitlərinin əməliyyat proqnozlarını məhdudlaşdırması.

Vizual istifadə qeydi: Mənbə şəkilləri CC BY lisenziyalı olsa da Verianla üçün piksel surəti tələb olunmur. Figure 1, Figure 4, Figure 8, Figure 9, Figure 10 və Figure 11-in elmi əlaqələri müstəqil, semantik cəhətdən ekvivalent texniki sxemlər kimi yenidən qurula bilər. Sahə seysmoqramı və ya ədədi kontur kimi real məlumat təəssüratı yaradan uydurma raster vizuallar yaradılmamalıdır.

Verianla Live: İnyeksiya → reservoir state → fault response → monitoring → action zənciri üçün Live Process; model ailələri və yetkinlik üçün Live Compare; doğrulama pilləsi və insan nəzarətli rəqəmsal əkiz üçün source-derived Live Figure uyğundur.