Bu yapılandırılmış eleştirel derleme, jeolojik CO₂ depolaması sırasında fay yeniden aktivasyonu riskinin fiziksel modelleme, saha ve laboratuvar gözlemleri, makine öğrenmesi ve fizik-bilgili bilimsel makine öğrenmesiyle nasıl değerlendirilmesi gerektiğini inceliyor. Fay yeniden aktivasyonu, daha önce var olan bir fay veya süreksizlik üzerinde yeniden kayma ya da açılma hareketinin başlamasıdır. Kaynağın temel mesajı, enjeksiyon basıncının tek başına gelecekteki depremi veya CO₂ kaçağını belirlemediğidir. Gözenek basıncı, poroelastik toplam gerilme değişimi, sıcaklık, çok fazlı akış, fay bağlantısallığı, sürtünme yasası, dilatasyon ve geçirgenlik evrimi birlikte değerlendirilmelidir. Derleme, basınç ve deformasyon modellemesi ile sismik sinyal işlemenin bugün en güçlü kanıt tabanına sahip alanlar olduğunu; prospektif fay kayması, dinamik kırılma ve sismisite tahmininin ise halen sınırlı kanıta dayandığını sonucuna varmaktadır.
Çalışmanın kritik katkılarından biri “fay kaymasını tahmin etme” ifadesi altında sıklıkla birbirine karıştırılan hedefleri ayırmasıdır. Statik stabilite taraması, ilk kaymanın zamanı, asismik kayma, kaymanın sonraki evrimi, dinamik kırılma, deprem büyüklüğü, sismisite oranı, sinyal tespiti ve CO₂ tutulum sonucu aynı problem değildir. Her hedef farklı fiziksel model, gözlem, hata metriği ve doğrulama düzeyi gerektirir.
Derleme ayrıca fizik-bilgili sinir ağları (PINN), Fourier neural operator, DeepONet, graph operator, Gaussian process, CNN/RNN surrogate ve diğer indirgenmiş mertebeli modellerin potansiyelini değerlendirir. Bu yöntemlerin yüksek sayıda tekrarlı simülasyonu hızlandırabileceği, izleme verilerini işleyebileceği ve ters problemlere yardım edebileceği kabul edilmektedir; ancak kaynak, öğrenilmiş modelin eğitim alanı dışına taşınması, süreksizliklerin yanlış temsil edilmesi, düşük ortalama hataya rağmen risk eşiğinin yanlış tahmin edilmesi ve saha-arası doğrulama eksikliği konusunda güçlü uyarılar yapmaktadır.
Yazarların önerdiği operasyonel hedef, enjeksiyonu özerk biçimde yöneten bir yapay zekâ değildir. Öneri; doğrulanmış fiziksel simülatörleri, izleme verilerini, belirsizlik analizini, hızlı surrogate modelleri ve açık karar kurallarını birleştiren insan denetimli ve gerektiğinde karar vermekten kaçınabilen bir dijital ikiz yapısıdır. Sistem ancak veri kalitesi yeterli, çalışma durumu doğrulanmış model alanı içinde ve belirsizlik kabul edilebilir olduğunda operasyonel öneri üretmelidir.
Jeolojik karbon depolaması, CO₂'nin derin tuzlu akiferler veya tükenmiş hidrokarbon rezervuarları gibi jeolojik birimlere enjekte edilerek uzun süre yer altında tutulmasını amaçlar. Depolanabilecek hacim yalnız formasyonun gözenek hacmine bağlı değildir. Enjekte edilebilir miktar; kuyunun kabul kapasitesi, rezervuar basıncı, örtü kaya bütünlüğü, kuyu bütünlüğü, fay stabilitesi, basınç etkileşimi ve depolanan CO₂'nin uzun dönem izlenebilirliği tarafından sınırlandırılır.
Enjeksiyonun merkezî operasyonel değişkeni basınçtır. Enjeksiyon rezervuar gözenek basıncını yükseltir, kaya iskeletinin taşıdığı efektif gerilmeyi değiştirir ve poroelastik deformasyona neden olur. Enjekte edilen CO₂ formasyondan daha soğuksa termal büzülme gerilme alanını ayrıca değiştirebilir. Fayın rezervuarla hidrolik olarak bağlantılı olması durumunda basınç değişimi fay yüzeyine taşınabilir. Ancak aynı basınç artışı farklı fay geometrilerinde farklı sonuçlar üretir.
Jeolojik CO₂ depolamasında fay yeniden aktivasyonu neden tek bir basınç eşiğiyle açıklanamaz?
Gözenek basıncı efektif normal gerilmeyi azaltarak kaymayı kolaylaştırabilir, ancak gerçek fay cevabı poroelastik toplam gerilme değişimleri, termal etkiler, fay yönelimi, hidrolik bağlantısallık, sürtünme yasası, heterojenlik, dilatasyon ve geçirgenlik geri beslemeleriyle birlikte belirlenir; bu nedenle tek bir basınç değeri ancak açık varsayımlar altında bir tarama eşiği olabilir, genel saha tahmini değildir.
Efektif gerilme
Kaynak sıkışmanın pozitif kabul edildiği işaret konvansiyonunda Biot efektif gerilmesini şu biçimde verir:
\[ \boldsymbol{\sigma}'=\boldsymbol{\sigma}-\alpha p\mathbf{I} \]
Burada \(\boldsymbol{\sigma}'\) efektif gerilme tensörü, \(\boldsymbol{\sigma}\) toplam gerilme tensörü, \(p\) gözenek basıncı, \(\alpha\) Biot katsayısı ve \(\mathbf{I}\) birim tensördür. Aynı toplam gerilme korunursa \(p\)'nin yükselmesi efektif sıkıştırıcı gerilmeyi azaltır.
Bir fay düzleminin birim normali \(\mathbf{n}\) ise toplam normal gerilme ve kayma çekmesi kaynakta:
\[ \sigma_n=\mathbf{n}\cdot\boldsymbol{\sigma}\mathbf{n} \]
\[ \boldsymbol{\tau}=\boldsymbol{\sigma}\mathbf{n}-\sigma_n\mathbf{n}, \qquad \tau=\lVert\boldsymbol{\tau}\rVert \]
olarak tanımlanır. Fay yüzeyindeki akışkan basıncı \(p_f\) ise efektif normal çekme:
\[ \sigma_n'=\sigma_n-p_f \]
olur. Fay basıncı ile rezervuar matrisi basıncının zorunlu olarak eşit olmadığı kaynakta özellikle belirtilmektedir; düşük geçirgenlikli fay çekirdeği veya zamanla değişen fay transmisibilitesi iki basıncın ayrışmasına yol açabilir.
Coulomb kayma koşulu
Kohezyonsuz önceden var olan fay için statik Coulomb koşulu:
\[ \tau\geq\mu\sigma_n' \]
şeklindedir. Kohezyon \(c\) dâhil edildiğinde:
\[ \tau\geq c+\mu\sigma_n' \]
olur. Kaynak Coulomb yenilme gerilmesini:
\[ \mathrm{CFS}=\tau-c-\mu\sigma_n' \]
olarak tanımlar. Pozitif CFS yalnız seçilen statik kriterin aşıldığını gösterir; dinamik kırılmanın kaç kilometre ilerleyeceğini veya hangi büyüklükte deprem üreteceğini belirlemez.
Kritik basınç denkleminin sınırı
Toplam normal ve kayma gerilmelerinin sabit kaldığı ve fay basıncının düzgün biçimde arttığı kısıtlı durumda ilk kayma için kritik basınç:
\[ p_{\mathrm{crit}} = \sigma_n-\frac{\tau-c}{\mu} \]
olarak yazılabilir. Bu eşitlik hızlı tarama ve sayısal model kontrolü için değerlidir. Ancak enjeksiyon toplam gerilmeyi de değiştirdiği, basınç uzayda homojen olmadığı, fay özellikleri değişken olduğu ve sürtünme zamanla evrilebildiği için saha genelinde evrensel bir kayma eşiği değildir.
Poroelastik gerilme aktarımı
Quasi-static mekanik denge:
\[ \nabla\cdot\boldsymbol{\sigma}-\rho_b\mathbf{g}=0 \]
ilişkisiyle verilir. Doğrusal izotropik termo-poroelastisite için kaynak:
\[ \boldsymbol{\sigma} = 2G\boldsymbol{\varepsilon} + \lambda\,\mathrm{tr}(\boldsymbol{\varepsilon})\mathbf{I} + \alpha p\mathbf{I} + 3K\alpha_T(T-T_0)\mathbf{I} \]
ifadesini kullanır. \(G\) kayma modülü, \(\lambda\) Lamé parametresi, \(K\) drene bulk modülü ve \(\alpha_T\) doğrusal termal genleşme katsayısıdır.
Bu denklem önemli bir noktayı gösterir: enjeksiyon yalnız fay yüzeyindeki akışkan basıncını değiştirmez; rezervuarın genişlemesi veya soğuması çevredeki toplam gerilme alanını da değiştirir. Bu nedenle rezervuardan uzakta bulunan faylar bile poroelastik gerilme aktarımından etkilenebilir.
Basınç difüzyonu
Basitleştirilmiş homojen tek fazlı ortam için hidrolik difüzivite:
\[ D_h=\frac{k}{\mu S_s} \]
ve karakteristik basınç yayılma uzaklığı:
\[ L_d\sim\sqrt{D_ht} \]
olarak verilir. \(k\) geçirgenlik, \(\mu\) dinamik viskozite, \(S_s\) basınç-temelli depolama katsayısı ve \(t\) zamandır.
Bu ölçekleme, belirli bir işletme süresinde bir fayın basınç değişimine maruz kalıp kalamayacağını hızlı biçimde değerlendirmeye yarar. Fakat çok fazlı akış, heterojen formasyon ve yüksek geçirgenlikli bağlantılı fay ağları bu basit davranışı ciddi biçimde değiştirebilir.
Çok fazlı akış
CO₂ depolamasında su ve CO₂ birden fazla faz arasında bölünebildiği için bileşen bazında kütle korunumu gerekir. Kaynak bileşen \(\kappa\) için genel biçimi:
\[ \frac{\partial}{\partial t} \left[ \sum_\beta \phi S_\beta\rho_\beta X_\beta^\kappa \right] + \nabla\cdot \left[ \sum_\beta \left( \rho_\beta X_\beta^\kappa\mathbf{q}_\beta + \mathbf{j}_\beta^\kappa \right) \right] = q^\kappa \]
olarak verir. Burada \(\beta\) fazı, \(\phi\) poroziteyi, \(S_\beta\) faz doygunluğunu, \(\rho_\beta\) faz yoğunluğunu, \(X_\beta^\kappa\) bileşen kütle kesrini, \(\mathbf{q}_\beta\) Darcy akısını ve \(\mathbf{j}_\beta^\kappa\) difüzif akıyı temsil eder.
Darcy akısı:
\[ \mathbf{q}_\beta = -\frac{\mathbf{k}k_{r\beta}}{\mu_\beta} \left( \nabla p_\beta-\rho_\beta\mathbf{g} \right) \]
şeklindedir. Böyle bir modelin kapanması için kapiler basınç, bağıl geçirgenlik, faz dengesi ve uygun termodinamik ilişkiler gerekir.
Termal etkiler
Enjekte edilen CO₂'nin formasyondan daha soğuk olması durumunda ısı transferi yalnız akışkan özelliklerini değil, mekanik gerilmeyi de değiştirebilir. Kaynak basitleştirilmiş enerji denklemini:
\[ \frac{\partial U}{\partial t} + \nabla\cdot \left( \sum_\beta h_\beta\rho_\beta\mathbf{q}_\beta - \lambda_T\nabla T \right) = Q_T \]
biçiminde verir. Soğuma kuyu çevresinde yatay sıkıştırıcı gerilmeyi azaltabilir, çekme kırığını kolaylaştırabilir veya eğimli fay üzerindeki normal ve kayma gerilmelerini değiştirebilir. Fakat termal etkinin işareti fay yönelimi ve mekanik kısıtlara bağlı olduğundan “soğuk CO₂ fayları her zaman destabilize eder” şeklinde genelleme yapılamaz.
Rate-and-state sürtünme
Mohr–Coulomb ilk kayma eşiğini tanımlar; kaymanın stabil mi hızlanan mı olacağını tek başına açıklamaz. Kaynak rate-and-state sürtünmeyi:
\[ \mu = \mu_0 + a\ln\left(\frac{V}{V_0}\right) + b\ln\left(\frac{\theta V_0}{D_c}\right) \]
ve yaşlanma yasasını:
\[ \frac{d\theta}{dt} = 1-\frac{V\theta}{D_c} \]
ile ifade eder. Burada \(V\) kayma hızı, \(V_0\) referans hız, \(\theta\) durum değişkeni ve \(D_c\) karakteristik kayma mesafesidir.
Kararlı durumda \(a-b<0\) hız-zayıflamasıyla ilişkilidir ve uygun rijitlik koşullarında kararsız kaymaya izin verebilir; \(a-b>0\) ise genellikle stabil kaymayı destekler.
Karakteristik nükleasyon uzunluğu kaynakta şematik olarak:
\[ L_c = C\frac{GD_c}{(b-a)\sigma_n'} \]
şeklinde yazılır. Kaynak bu ilişkinin ölçekleme amacıyla kullanıldığını; \(C\) katsayısının geometriye, boyuta ve seçilen state-evolution yasasına göre değiştiğini özellikle belirtmektedir. Laboratuvar parametrelerinin kilometre ölçeğindeki faya evrensel katsayıyla doğrudan taşınması doğru değildir.
Bir model fay kaymasını gösterirse bu deprem veya CO₂ kaçağı anlamına gelir mi?
Hayır. Quasi-static kayma toplam fay yer değiştirmesini gösterebilir fakat bu hareketin ne kadarının sismik radyasyona dönüştüğünü belirlemez; aynı şekilde fayın mekanik olarak aktive olması CO₂ için kalıcı geçirgen bir kaçak yolu oluştuğunu kanıtlamaz, çünkü hidrolik sonuç fay çekirdeği, hasar zonu, dilatasyon, kompaksiyon, kapiler giriş basıncı ve çok fazlı geçirgenlik tarafından ayrıca belirlenir.
Fay açıklığı ve geçirgenlik
İdeal paralel plakalar için birim genişlikte kırık akışı kaynakta kübik yasa ile:
\[ q_f = -\frac{b^3}{12\mu}\nabla_{\parallel}p \]
olarak verilir. Buna karşılık eşdeğer içsel geçirgenlik:
\[ k_f=\frac{b^2}{12} \]
ile ölçeklenir. Böylece transmisivite açıklığın küpüne, geçirgenlik ise karesine bağlıdır. Küçük açıklık değişimlerinin fay boyunca akış üzerinde güçlü etki yaratabilmesinin temel nedeni budur.
Gerçek faylar ise paralel pürüzsüz plakalar değildir. Pürüzlülük, temas alanı, kanalizasyon, gouge, çok fazlı doluluk ve hasar zonları akışı değiştirir. Kayma bazı bölgelerde dilatasyonla geçirgenliği artırırken başka koşullarda gouge kompaksiyonu geçirgenliği azaltabilir.
Sismik moment ve büyüklük
Sismik moment:
\[ M_0 = G\int_A D_s\,dA \approx GA\overline{D_s} \]
şeklinde tanımlanır. \(G\) kayma modülü, \(A\) kırılma alanı ve \(D_s\) sismik kaymadır.
\(M_0\) N·m cinsindeyken moment büyüklüğü:
\[ M_w = \frac{2}{3} \left( \log_{10}M_0-9.1 \right) \]
olarak hesaplanabilir. Ancak quasi-static modelin hesapladığı toplam fay kaymasının tamamını \(D_s\) kabul etmek bilimsel olarak geçerli değildir. Stabil kayma, plastik deformasyon, yeni kırık oluşumu ve sürtünme ısısı enerji tüketebilir.
Fay kayması ile kaçak arasındaki eksik bağlantı
Bir fayın kayması sonrası geçirgenliğin artacağı varsayımı otomatik değildir. Kilce zengin bir fay çekirdeği kaymadan sonra dahi düşük geçirgen olabilir; dilate olan hasar zonu ise geçici veya kalıcı akış yolu oluşturabilir. Ayrıca CO₂'nin bir faya girebilmesi için yalnız hidrolik bağlantı değil, uygun kapiler giriş koşulları gerekir.
Bu nedenle kaynak mekanik aktivasyonu, hidrolik transmisibiliteyi ve gerçek CO₂ migrasyonunu ayrı modeller ve gözlemlerle bağlamayı önerir.
Bir yönlü, iki yönlü ve monolitik eşleme
| Mimari | Bilgi akışı | Güçlü yön | Temel sınır |
|---|---|---|---|
| Bir yönlü ardışık | Akış/ısı → mekanik | Daha düşük hesaplama maliyeti; küçük deformasyonlarda etkili | Mekanik deformasyon akış özelliklerini geri güncellemez |
| İki yönlü staggered | Akış/ısı ↔ mekanik; iterasyon | Gözeneklilik, geçirgenlik ve açıklık geri beslemesini temsil edebilir | Zaman adımı, transfer operatörü ve yakınsama toleransına duyarlıdır |
| Monolitik | Akış, ısı, mekanik ve gerekirse fay durumu tek sistemde | Güçlü eşleşmelerde splitting hatasını azaltır | Yüksek bellek ve nonlinear çözüm maliyeti; iyi geoloji/veri olmadan otomatik olarak daha doğru değildir |
Kaynakta önemli bir zaman ölçeği ayrımı da vardır. Rezervuar modeli saatlerden aylara uzanan adımlarla çalışabilirken dinamik kırılma milisaniye veya saniyenin altındaki çözünürlük gerektirebilir. Bu nedenle uzun dönem quasi-static depolama modelini, yalnız kritik faya yaklaşıldığında yerel dinamik kırılma modeline bağlamak daha savunulabilir olabilir.
Başlıca sayısal model aileleri
| Model ailesi | Temel avantaj | Temel sınırlılık | En güçlü kullanım |
|---|---|---|---|
| Analitik / yarı analitik | Şeffaf ölçekleme ve hızlı tarama | Basit geometri ve konstitutif varsayımlar | Basınç/gerilme sınırları ve slip-tendency taraması |
| Sonlu eleman | Karmaşık geometri, temas ve nonlinear mekanik | Çok fazlı akış ek uygulama gerektirebilir; fay yakınında mesh duyarlılığı | Saha ölçekli gerilme/deformasyon ve arayüz mekaniği |
| Sonlu hacim / entegre sonlu fark | Yerel kütle korunumu ve olgun çok fazlı rezervuar akışı | Karmaşık fay mekaniği çoğu kez harici eşlenir | Bölgesel plume ve basınç evrimi |
| Explicit sonlu fark | Büyük deformasyon ve nonlinear mekanik | Stabilite sınırlı zaman adımı ve geometri kısıtları | Quasi-static saha mekaniği ve seçili dinamik problemler |
| DEM / blok-parçacık | Açılma, kayma, dönme ve kırık oluşumunun açık temsili | Yüksek maliyet ve eşsiz olmayan mikroparametre kalibrasyonu | Eklemli kaya, laboratuvar kırılması ve tanımlı fay ağları |
| DFN-hibrit | Bağlantısallık ve basınç kanalizasyonu | Saha kırık ağına ilişkin seyrek kısıtlar | Kırıklı rezervuar ve fay kesişimi duyarlılığı |
| XFEM / embedded interface | Mesh'i faya uydurmadan süreksizlik temsili | Temas, koşullandırma ve çok fazlı akış zorlukları | Büyük fay setleri ve kırık büyümesi |
| Phase field | Kırık nükleasyonu, dallanması ve birleşmesi | İnce mesh, regularization ve sürtünmeli temas sınırlılıkları | Çekme veya karma mod kırık süreç çalışmaları |
Kaynağın yaklaşımı herhangi bir yazılım veya model ailesini “kazanan” ilan etmez. Model seçimi tahmin hedefi tarafından belirlenmelidir. Örneğin bölgesel basınç yönetiminde çok fazlı rezervuar modeli baskın gereksinim olabilirken, lokal bir fayın kayma sonrası davranışında açık süreksizlik ve uygun sürtünme yasası daha kritik olabilir.
Saha kanıtlarının hiyerarşisi
| Vaka | Kanıt sınıfı | Güçlü olduğu alan | Yorum sınırı |
|---|---|---|---|
| In Salah, Cezayir | Doğrudan CO₂ depolama | Basınç–deformasyon eşlemesi, InSAR, yapısal model güncelleme | Sismik ağ geometrisi ve olay konum doğruluğu sınırlı |
| Illinois Basin Decatur, ABD | Doğrudan CO₂ depolama | Hidromekanik yükleme, basement mikrosismisitesi, stres aktarımı | Fay dağılımı, geçirgenlik ve katalog tamlığı belirsiz |
| Otway, Avustralya | Doğrudan kontrollü CO₂ depolama | İzleme, küçük fay aktivasyonu ve model güncelleme | Evrensel sismisite ölçekleme vakası değildir |
| Sleipner | Bağlamsal CO₂ depolama | Uzun dönem plume ve conformance izleme | Dinamik fay kırılmasını doğrulamaz |
| Snøhvit | Bağlamsal CO₂ depolama | Basınç limiti, injectivity ve bölmelendirme | Prospektif deprem tahmini değildir |
| Ketzin | Bağlamsal CO₂ depolama | Çoklu izleme, history matching ve model güncelleme | Rupture forecast benchmark'ı değildir |
| Basel 2006 | Non-CO₂ enjeksiyon analoğu | Traffic-light, kritiğe yakın faylar ve enjeksiyon kaynaklı sismisite | CO₂ çok fazlı depolamasıyla doğrudan eşitlenemez |
Makine öğrenmesi hangi görevlerde daha olgun, hangi görevlerde sınırlıdır?
Makine öğrenmesinin en olgun kanıtı sismik olay tespiti, faz picking, waveform işleme ve katalog desteği gibi izleme görevlerindedir; simulator surrogate ve veri asimilasyonu kontrollü tasarım alanlarında yararlıdır, fakat gelecekteki fay kayması veya sismisiteyi yeni bir CO₂ depolama sahasında prospektif olarak tahmin etme kanıtı halen sınırlıdır.
Önce görev, sonra algoritma
Kaynak en az beş farklı ML görevini ayırmaktadır: olay tespiti/faz picking, waveform sınıflandırma, fiziksel değişkenlerin regresyon veya ters tahmini, prospektif fay/sismisite tahmini ve simulator surrogate modelleme.
Bir olay tespit modeli continuous seismic kayıtta sinyal bulur. Bir phase picker P ve S geliş zamanlarını belirler. Bir classifier bir waveform'u gürültü, patlatma veya kayma türüne ayırabilir. Bunların hiçbiri otomatik olarak gelecekte bir fayın ne zaman kırılacağını tahmin etmez.
Leakage-safe veri bölme
Waveform pencerelerini rastgele karıştırmak, aynı fiziksel olayın birbirine çok benzeyen parçalarının hem eğitim hem test setine düşmesine neden olabilir. Kaynak güçlü doğrulama için sırayla tam olay, numune/deney, zaman bloğu, kuyu/sensör ağı ve sonunda tamamen farklı saha ayrımını önerir.
| Görev | Ayrılması gereken fiziksel birim | Tercih edilen metrikler | Sık hata |
|---|---|---|---|
| Olay tespiti | Sürekli zaman bloğu ve olay | Precision, recall, false alarm/zaman, magnitude veya SNR'ye göre detection probability | Aynı olayın pencerelerini train ve testte kullanmak |
| Phase picking | Olay / istasyon / saha | Pick error dağılımı, kaçırılan pick, outlier | Yalnız yüksek-SNR seçili olaylarda test |
| Waveform classification | Olay / numune / deney | Sınıf precision/recall, calibration, confusion matrix | Belirsiz etiket ve çoğaltılmış izlerin sızıntısı |
| Kaynak konumu | Olay ve array geometrisi | 3B hata hacmi ve uncertainty-region coverage | Tek “tercih edilen” hiposantra uzaklığı raporlamak |
| Slip / no-slip sınıflandırma | Deney, zaman bloğu, saha | PR-AUC, Brier skoru, sabit false-alarm oranında recall | Nadir sınıfı genel accuracy içinde gizlemek |
| Sismisite oran tahmini | Gelecek zaman penceresi ve uzaysal hücre | Log-score, information gain, count deviance, calibration | Temporal leakage veya sıfıra yakın sayımlarda MAPE |
| Simulator surrogate | Jeolojik gerçekleşim ve senaryo | Alan hatası, kütle dengesi, risk-eşiği hatası, uncertainty coverage | Random cell split ve eğitim tasarımının dışına ekstrapolasyon |
Nadir olaylarda accuracy neden yanıltıcıdır?
Operasyonel olarak önemli fay kaymaları normal işletmeye göre çok seyrektir. Her zaman “olay yok” diyen bir sınıflandırıcı yüksek accuracy verebilir fakat hiçbir risk yönetimi değeri sunmayabilir. Bu nedenle precision–recall yapısı, false alarm oranı, probabilistik kalibrasyon ve sınıf-bazlı sonuçlar daha anlamlıdır.
Kaynak ayrıca tahmin olasılıklarının reliability diagram, Brier skoru veya log-loss ile kalibre edilmesini önerir. Operasyonel maliyetler de yalnız algoritmik skoru optimize etmek için değil, yanlış alarm ile kaçırılmış olayın gerçek sonuçlarına göre operatör ve düzenleyicilerle tanımlanmalıdır.
Laboratuvar “deprem tahmini” neden doğrudan sahaya taşınamaz?
Kontrollü sürtünme deneylerinde continuous acoustic özelliklerin fay durumunu ve tekrarlayan deney çevrimindeki başarısızlığa kalan zamanı taşıyabildiği gösterilmiştir. Ancak laboratuvar sistemleri kontrollü geometri, yoğun sensör ve sınırlı sayıda failure mode içerir. Gerçek faylar heterojen, eksik gözlenen ve farklı ölçeklerde yüklenen yapılardır.
Bu deneyler fiziksel state bilgisi bulunduğunu gösterir; yeni bir CO₂ depolama sahasında depremin zamanının başarıyla tahmin edildiğinin kanıtı değildir.
Fizik-bilgili makine öğrenmesi nedir?
Kaynak “physics-informed” etiketini tek bir yöntem adı olarak kullanmaz. Üç ana sınıfı ayırır:
- Physics-constrained learner: PINN gibi, diferansiyel denklem veya arayüz residual'larını kayba ekleyen modeller.
- Learned operator: Fourier neural operator, DeepONet veya graph operator gibi, girdi alanından çözüm alanına eşleme öğrenen modeller.
- Simulator emulator / reduced-order model: Belirli full-order simülatörün seçili çıktısını tanımlı parametre alanında yaklaşıklar.
Basıncı veya Coulomb stresini bir neural network girdisi yapmak physics-guided feature engineering'dir; PINN ile aynı şey değildir.
PINN kayıp fonksiyonu
Bir PINN fiziksel durumu \(\hat{y}(\mathbf{x},t;\boldsymbol{\theta})\) ile yaklaşıklar ve veri ile fizik residual'larını birlikte minimize eder:
\[ L= w_dL_{\mathrm{data}} + w_mL_{\mathrm{momentum}} + w_fL_{\mathrm{mass}} + w_TL_{\mathrm{energy}} + w_bL_{\mathrm{BC/IC}} \]
\(w_i\) ağırlıkları farklı loss bileşenlerini dengelemeye yarar. Bir denklemin sayısal ölçeği diğerinden çok büyükse eğitim fiziksel olarak dengesiz hale gelebilir; bu nedenle nondimensionalization ve adaptif ağırlıklandırma gerekebilir.
PINN'ler bazen “mesh-free” olarak tanımlansa da kaynak bunun eksik bir ifade olduğunu belirtir. Ağ hâlâ collocation, sınır, başlangıç ve gözlem noktalarına ihtiyaç duyar. Hesap maliyeti mesh çözümünden optimizasyona taşınır; özellikle 3B heterojen ve süreksiz fay problemlerinde klasik sonlu eleman yönteminden daha hızlı veya daha sağlam olacağı garanti değildir.
Neural operator ve surrogate modeller
Neural operator'ler geçirgenlik alanı, sınır koşulları ve kuyu kontrolleri gibi fonksiyonlardan basınç/deformasyon alanlarına dönüşümü öğrenebilir. Eğitim tamamlandıktan sonra çok sayıda senaryoyu hızlı değerlendirebilmeleri ensemble tahmin ve belirsizlik analizi için değerlidir.
Ancak eğitimde bulunmayan fay geometrisi, geçirgenlik kontrastı veya işletme koşullarında hata keskin biçimde artabilir. Bu nedenle yalnız global L2 hata yeterli değildir. Maksimum basınç, risk eşiğine ulaşma zamanı, fay çekmesi, kayma alanı ve leakage rate gibi karar-hedefli metrikler ayrıca doğrulanmalıdır.
Ters problemde fizik tek başına bilgi yaratmaz
PINN veya Bayesian inversion ile geçirgenlik, fay transmisibilitesi veya sürtünme parametresi tahmin edilebilir. Fakat farklı parametre kombinasyonları aynı basınç veya deformasyon gözlemini üretebilir. Governing equations kullanmak gözlemde bulunmayan bilgiyi yaratmaz.
Bu nedenle identifiability, posterior correlation ve model discrepancy açıkça raporlanmalıdır. Basınç, deformasyon, sıcaklık, plume görüntüleme ve sismik veri farklı süreçleri kısıtladığı için çoklu veri asimilasyonu tek veri türünden daha değerlidir.
Operasyonel bir fay-risk modeli hangi doğrulama düzeyine ulaşmalıdır?
Operasyonel güvenilirlik kodun çalıştığını göstermekten daha fazlasını gerektirir; kaynak, doğrulama merdivenini kod doğrulaması → kanonik benchmark → laboratuvar doğrulaması → bağımsız retrospektif saha testi → saha-arası challenge → prospektif tahmin olarak kurar ve güvenlik açısından daha kritik veya daha otonom bir karar için merdivenin daha üst basamaklarında kanıt ister.
Doğrulama merdiveni
| Seviye | Kanıt türü | Ne sınanır? |
|---|---|---|
| 1 | Kod doğrulaması | Denklemlerin sayısal olarak doğru çözülmesi |
| 2 | Kanonik benchmark | Referans çözüme karşı mesh, zaman adımı ve solver davranışı |
| 3 | Laboratuvar doğrulaması | Fay sürtünmesi, ilk kayma, dilatasyon, geçirgenlik ve akustik tepki |
| 4 | Retrospektif saha testi | Model geliştirmede kullanılmamış bağımsız saha gözlemleri |
| 5 | Saha-arası challenge | Başka geolojik ortama transfer |
| 6 | Prospektif tahmin | Gözlemler ortaya çıkmadan önce yayımlanmış/taahhüt edilmiş tahmin |
Kalibrasyon doğrulama değildir. Geçmiş basınç verisine ayarlanmış model aynı geçmiş veriyi iyi yeniden üretebilir fakat gelecek enjeksiyon aşamasında doğru tahmin yapmak zorunda değildir.
Probabilistik risk
Kaynak risk metriğini genel biçimde:
\[ P\left[g(\mathbf{m},\mathbf{u})>g_{\mathrm{lim}}\mid\mathbf{d}\right] \]
ile ifade eder. Burada \(\mathbf{m}\) belirsiz model parametreleri ve yapısal senaryoları, \(\mathbf{u}\) operasyon kontrollerini, \(\mathbf{d}\) gözlemleri ve \(g\) basınç, kayma, büyüklük veya kaçak gibi performans niceliğini temsil eder.
Bu yaklaşım tek bir “güvenli basınç” sayısından daha zengindir. Gerilme, fay sürtünmesi ve bağlantısallık belirsiz olduğunda failure eşiği de dağılım halindedir. Operasyonel basınç penceresi buna göre olasılıksal biçimde yönetilmelidir.
Model belirsizliği hangi katmanlardan oluşur?
Kaynak belirsizliği en az şu katmanlarda ayırır: giriş/parametre belirsizliği, jeolojik-yapısal senaryo belirsizliği, ölçüm hatası, sayısal hata, model biçimi discrepancy'si ve surrogate approximation error.
Örneğin dar bir neural-network posterior'u modelin gerçek jeolojiyi iyi temsil ettiği anlamına gelmeyebilir. Eğitim ensemble'ı olası fay geometrilerini içermiyorsa surrogate kendi yanlış dünyası içinde çok “emin” olabilir.
İnsan denetimli dijital ikiz
Kaynağın strict tanımında dijital ikiz yalnız dashboard veya tek kalibre edilmiş model değildir. Sürekli güncellenen state model, observation operator, veri kalite kontrolü, veri asimilasyonu, tahmin, belirsizlik yayılımı, karar kuralları ve audit trail birlikte bulunmalıdır.
| Aşama | İçerik |
|---|---|
| 1. Girdiler | Enjeksiyon, basınç, sıcaklık, InSAR/deformasyon, sismik ve fiber-optik gözlemler |
| 2. Kalite ve güncelleme | Sensör kalitesi, katalog tamlığı, state estimation ve parameter update |
| 3. Tahmin | Basınç, deformasyon, slip likelihood ve gerektiğinde containment sonucu |
| 4. Geçerlilik kapısı | Verinin yeterli olup olmadığı ve durumun doğrulanmış model/training domain'i içinde kalıp kalmadığı |
| 5. İnsan kararı | Qualified operator tarafından rate reduction, well redistribution, brine production, ek izleme veya shut-in değerlendirmesi |
Veri kötü ise veya durum valid domain dışında ise sistemin “daha emin tahmin” üretmesi değil, abstain etmesi önerilir. Bu durumda enjeksiyon artırılmamalı, muhafazakâr limit korunmalı, full-order model yeniden çalıştırılmalı ve bağımsız insan incelemesi yapılmalıdır.
Otonom kontrol neden önerilmiyor?
Kaynakta reinforcement learning ve hızlı optimizasyon olası gelecek araçları olarak ele alınır, fakat yayımlanmış örneklerin çoğunun simülasyon düzeyinde olduğu vurgulanır. Öğrenilmiş politika simülatör kusurlarını sömürebilir veya modelde bulunmayan jeolojide başarısız olabilir.
Yakın dönem hedefi insan-denetimli otomasyondur: makine öğrenmesi veri hacmini azaltabilir, surrogate model senaryoları hızlandırabilir, optimizasyon aday işletme planları önerebilir; son yetki doğrulanmış prosedürlerle çalışan yetkin personele ait olmalıdır.
Araştırma yol haritası
| Öncelik | Yakın dönem çıktı | Operasyon öncesi gerekli kanıt |
|---|---|---|
| Gerilme ve fay karakterizasyonu | Ensemble 3B yapısal/gerilme modelleri | Kuyu, sismik ve deformasyon gözlemleriyle uzlaştırma |
| CO₂ koşullarında fay sürtünmesi | Paylaşılan rate-state, dilatasyon ve geçirgenlik veri setleri | Bağımsız laboratuvarlar ve farklı kaya/gouge türleri |
| THMC fay-akış eşlemesi | Kalibre reaksiyon–özellik ilişkileri | Uzun süreli mekanik ve akış doğrulaması |
| Açık benchmark'lar | Doğrulanmış sentetik ve laboratuvar vakaları | Kamuya açık girdiler, çıktılar, metrikler ve referans çözümler |
| Saha-arası ML doğrulaması | Ortak event ve forecast görevleri | Held-out sahalar, kalibre olasılıklar ve detection limitleri |
| Fay-aware PINN/operator | Arayüz/süreksizlik temsil edebilen mimariler | Conservation, threshold ve outside-domain testleri |
| Surrogate belirsizliği | Hata-aware probabilistik emulator | Full-order ve saha verisine karşı coverage testi |
| Dijital ikiz yönetişimi | Denetlenebilir model/veri/kontrol mimarisi | İnsan denetimli, fallback kurallı prospektif pilot |
Çalışmanın Yöntemi ve Bulguları
Derleme yöntemi
Literatür Scopus, Web of Science, Google Scholar, ScienceDirect, OnePetro, yayıncı veri tabanları ve ileri/geri atıf zincirleme yoluyla iteratif biçimde toplanmıştır. Son literatür güncellemesi 10 Ağustos 2026 tarihinde yapılmıştır.
Aramalar “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” ve “neural operator” gibi konu bloklarını birleştirmiştir.
Tarama üç aşamada yürütülmüştür: başlık/özet uygunluğu; duplikasyon ve teknik olmayan içeriklerin çıkarılması; ardından geometri, governing equations, konstitutif varsayım, sınır koşulu, veri kaynağı, tahmin hedefi ve doğrulama kanıtı açısından tam metin değerlendirmesi.
Kaynaklar dört kanıt ortamında kodlanmıştır: doğrudan CO₂ depolama; kontrollü laboratuvar; non-CO₂ enjeksiyon analoğu; sentetik/sayısal benchmark.
Doğrulama düzeyleri ise kod doğrulaması, laboratuvar doğrulaması, retrospektif saha değerlendirmesi, saha-arası değerlendirme ve prospektif tahmin olarak ayrılmıştır.
İlk aramalar kayıtlı bir protokol kapsamında yürütülmediği için ilk bulunan kayıt, duplikasyon sonrası kayıt, tam metin değerlendirme ve dışlama sayıları korunmamıştır. Yazarlar bu sayıları sonradan tahmin ederek “false precision” üretmemiştir. Nihai sentez 98 atıf içermektedir.
Yöntem olgunluğu nasıl değerlendirildi?
Derleme bir algoritmaya genel “olgunluk puanı” vermek yerine belirli tahmin görevine göre beş kriter kullanır: kanıtın doğrudanlığı, doğrulama seviyesi, bağımsız tekrar, hedefe uygun metrik/belirsizlik kalibrasyonu ve yeniden üretilebilirlik veya operasyonel test.
Doğrudan CO₂ depolama kanıtı, operasyonel hazır olma değerlendirmesinde sentetik benchmark, laboratuvar, doğal deprem veya jeotermal analojiden daha yüksek ağırlığa sahiptir.
Sınırlı kanıt çoğunlukla sentetik/laboratuvar veya tek retrospektif saha desteğini; gelişmekte/orta düzey tekrarlı kontrollü ya da retrospektif saha gösterimlerini; nispeten olgun düzey ise bağımsız çalışmalar/sahalar, nicel belirsizlik ve prospektif veya operasyonel kanıtı ifade eder.
Bugün görece güvenilir olarak ne tahmin edilebiliyor?
Kaynağa göre yeterince karakterize edilmiş sistemlerde reservoir pressure ve deformasyon hesapları en güçlü saha kanıtına sahiptir. Bu modellerde doğrudan gözlem karşılaştırmaları, observation operator'lar ve tanımlı hata ölçüleri bulunmaktadır.
Sismik olay tespiti ve phase picking de geniş doğal sismisite veri setlerinde güçlü dış doğrulama göstermektedir; fakat CO₂ sahasına aktarımda sensör geometrisi, gürültü ve detection threshold yeniden doğrulanmalıdır.
İlk kayma zamanı daha belirsizdir çünkü başlangıç gerilmesi ve sürtünmeye çok duyarlıdır. Kayma evrimi saha ölçeğinde nadiren ölçülen konstitutif parametreler gerektirir. Maksimum büyüklük ise fay bağlantısallığı ve rupture arrest hakkında basınç verisinin tek başına veremediği bilgiye bağlıdır.
Model karmaşıklığı neden otomatik olarak belirsizliği azaltmaz?
Daha fazla fizik eklemek bazı yapısal bias'ları azaltabilir; fakat yeni parametreler ve yeni belirsizlikler de ekler. Poorly constrained THMC model, daha basit HM modelinden daha geniş tahmin belirsizliği üretebilir.
Benzer biçimde daha derin neural network, tutarsız event catalog, bilinmeyen in-situ stress veya temsil edilmeyen fay geometrisini telafi edemez. Kaynak algoritmik karmaşıklık yerine karar açısından gerçekten gerekli süreçleri modellemeyi önermektedir.
Önerilen bütünleşik çalışma akışı
- Fay ve başlangıç gerilme envanteri oluşturulur ve alternatif yapısal modeller ensemble halinde korunur.
- Analitik tarama ile kritik faylar ve basınç marjları belirlenir.
- Bölgesel çok fazlı rezervuar modeli basınç etkileşimini ve CO₂ plume davranışını hesaplar.
- Risk açısından önemli senaryolar geomekanik modele bağlanır; farklı konstitutif ve sınır varsayımları denenir.
- Laboratuvar ölçümleri sürtünme, dilatasyon ve geçirgenlik parametrelerini kısıtlar.
- İzleme ağı, kararı belirleyen belirsizlikleri azaltacak biçimde tasarlanır.
- Enjeksiyon sırasında basınç, deformasyon ve sismik gözlemler ensemble'ı günceller.
- Makine öğrenmesi olay tespiti ve veri azaltmada; surrogate modeller ensemble tahminlerinde kullanılır.
- Önerilen işletme değişiklikleri uygulanmadan önce full-order modelle yeniden kontrol edilir.
- Beklenmeyen gözlemler model discrepancy analizini ve gerektiğinde daha muhafazakâr operasyonu tetikler.
Çalışmanın desteklediği sonuç
Jeolojik CO₂ depolamasında fay yeniden aktivasyonu çoklu fizik, çoklu veri ve belirsizlik içeren bir karar problemidir. Tek bir model sınıfı veya tek bir “AI skoru” bütün hedefleri güvenilir biçimde çözmez.
Site-scale basınç ve deformasyon için continuum reservoir geomechanics bugün en güçlü kanıt tabanına sahiptir. Açık fay kinematiği veya kırık büyümesi gereken problemler için interface, discontinuum, DFN, XFEM ve phase-field gibi yöntemler ek değer sağlayabilir.
Makine öğrenmesi izleme analitiği, simulator surrogate ve veri asimilasyonunda yararlıdır. Physics-informed yöntemler özellikle çok sayıda tekrarlı değerlendirme, inverse problem veya sınırlı-domain surrogate için değerlidir.
Operasyonel hazır olma algoritmanın yeniliğine değil; bağımsız doğrulamaya, belirsizlik kalibrasyonuna, saha-arası teste, prospektif performansa ve açık fallback/human-governance kurallarına bağlanmalıdır.
Çalışmanın desteklemediği sonuç
Derleme belirli bir neural network'ün CO₂ enjeksiyonundan kaynaklanacak gelecekteki depremleri güvenilir biçimde önceden tahmin ettiğini göstermemektedir.
PINN veya neural operator'ün klasik FEM/FVM çözücülerden genel olarak daha doğru veya daha hızlı olduğunu kanıtlamamaktadır. Sonuç problem boyutu, eğitim maliyeti, geometri, süreksizlik ve kullanım sayısına bağlıdır.
Fay kayması otomatik CO₂ kaçağı değildir. Basınç artışı otomatik deprem değildir. Mikrosismisite tespiti de gelecekteki büyük kırılmanın tahmini değildir.
Önerilen dijital ikiz mimarisi hâlihazırdaki ticari CO₂ depolama projelerinde prospectively validated autonomous-control sistemi olarak gösterilmemiştir. Kaynak bunu araştırma ve yönetişim yol haritası olarak sunmaktadır.
Temel derleme sınırlılıkları
Arama süreci kayıtlı PRISMA protokolüyle başlamamış ve erken aşama kayıt sayıları korunmamıştır. Bu nedenle çalışma sistematik kanıt haritası veya meta-analiz değildir.
Literatür farklı jeolojiler, enjeksiyon ölçekleri, izleme ağları, model hedefleri ve performans metrikleri içerdiği için sayısal sonuçların tek bir pooled “accuracy” altında birleştirilmesi bilimsel olarak uygun değildir.
Prospektif saha tahmini azdır. Birçok ML sonucu doğal deprem, laboratuvar veya sentetik simülasyon verisinden gelir. Bu nedenle algoritmik performans ile CO₂ depolamasındaki operasyonel kanıt seviyesi aynı şey değildir.
Kaynak ve Yöntem Notu
Özgün çalışma: Multiphysics, Machine Learning, and Physics Informed Approaches to Fault Reactivation During Geological CO2 Storage: A Critical Review and Research Roadmap.
Yazarlar: Godsway Akpabli; Hamid Rahnema; William Apau Marfo; Kelvin Hayford; Kwamena Opoku Duartey; Joseph Osei-Nsankyire.
Sorumlu yazar: Kwamena Opoku Duartey.
Kurumlar: 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.
Dergi: Advances in Carbon Neutrality.
Yayıncı: MDPI.
Bibliyografik kayıt: Advances in Carbon Neutrality, 2026, Cilt 1, Sayı 1, Makale 1.
DOI: 10.3390/acn1010001.
Yayın tarihi: 20 Eylül 2026.
Alınma / revizyon / kabul: 12 Ağustos 2026 / 7 Eylül 2026 / 15 Eylül 2026.
Kaynak türü: Review; yapılandırılmış eleştirel derleme ve araştırma yol haritası.
Hakemlik durumu: Hakemli yayın sürecinden geçen, revizyon ve kabul tarihleri açıkça raporlanmış dergi makalesidir.
Lisans: Creative Commons Attribution (CC BY). Kaynak PDF lisans sürüm numarasını ayrıca belirtmediğinden sürüm numarası tahmin edilmemiştir.
Derleme veri kaynakları: Scopus, Web of Science, Google Scholar, ScienceDirect, OnePetro, yayıncı veri tabanları ve ileri/geri atıf zincirleme.
Son arama güncellemesi: 10 Ağustos 2026.
Nihai kaynak korpusu: 98 atıf.
PRISMA durumu: Yazarlar PRISMA uyumlu bir corpus iddiasında bulunmamaktadır. Başlangıç kayıt, duplikasyon sonrası kayıt ve dışlanan tam metin sayıları korunmamıştır.
Sentez türü: Nitel, mekanizma ve kanıt-düzeyi temelli yapılandırılmış sentez; non-commensurate hedef ve metrikler nedeniyle pooled performans istatistiği veya meta-analitik etki büyüklüğü hesaplanmamıştır.
Kanıt sınıfları: Doğrudan CO₂ depolama; kontrollü laboratuvar; non-CO₂ enjeksiyon analoğu; sentetik/sayısal benchmark.
Doğrulama seviyeleri: Kod doğrulaması; laboratuvar doğrulaması; retrospektif saha değerlendirmesi; saha-arası değerlendirme; prospektif tahmin.
Ana fizik alanları: Çok fazlı akış, poroelastisite, termomekanik, fay sürtünmesi, fay geçirgenliği, dinamik kırılma ve THMC geri beslemeleri.
Ana sayısal yaklaşımlar: Analitik/yarı analitik yöntemler, FEM, finite-volume/integrated finite-difference, explicit finite-difference, DEM, DFN hibritleri, XFEM/embedded discontinuities ve phase-field fracture.
Ana makine öğrenmesi yaklaşımları: CNN, transformer, tree ensemble, support vector machine, generalized linear model, Gaussian process, recurrent model, PINN, Fourier neural operator, DeepONet, graph operator, CNN/RNN surrogate ve reduced-order model.
Merkezî saha örnekleri: In Salah, Illinois Basin Decatur, Otway, Sleipner, Snøhvit ve Ketzin; Basel ve diğer enjeksiyon örnekleri analojik kanıt olarak ele alınmıştır.
Ana sonuç: Basınç ve deformasyon modellemesi ile seismic signal processing en güçlü mevcut kanıt tabanına sahiptir; prospektif fay kayması ve sismisite tahmini sınırlı kanıt düzeyindedir.
Dijital ikiz yaklaşımı: State model + observation operator + QC + data assimilation + forecast + uncertainty + decision rules + audit trail + human oversight. Validated-domain dışında sistemin abstain/fallback davranışı göstermesi önerilmektedir.
Finansman: Araştırma harici finansman almamıştır.
Etik: Institutional Review Board ve informed consent uygulanabilir değildir; çalışma yeni insan/hayvan deneyi içermemektedir.
Veri erişilebilirliği: Yeni veri oluşturulmamış veya analiz edilmemiştir. Sentezlenen bilgi atıf verilen literatürden gelmektedir. Yazarların özgün sentez şekillerinin düzenlenebilir sürümlerinin makul talep üzerine sorumlu yazardan alınabileceği belirtilmiştir.
Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.
Yapay zekâ kullanım bildirimi: ChatGPT image generation/editing işlevleri yalnız yazarlar tarafından özgün hazırlanmış şemaların görsel rafinesi, hizalanması, okunabilirliği ve görsel tutarlılığı için kullanılmıştır. Kaynak, AI'nin deneysel veya sayısal veri üretmek, literatür aramak, kanıt seçmek, bilimsel analiz yapmak veya teknik sonuç üretmek için kullanılmadığını açıkça belirtmektedir.
Yazar katkıları: Kavramsallaştırma: Godsway Akpabli; yöntem: Godsway Akpabli ve William Apau Marfo; yazılım: Godsway Akpabli; formal analiz ve araştırma: Godsway Akpabli ve William Apau Marfo; kaynaklar: Hamid Rahnema; ilk taslak: Godsway Akpabli ve William Apau Marfo; gözden geçirme/düzenleme: Hamid Rahnema, Kelvin Hayford, Kwamena Opoku Duartey ve Joseph Osei-Nsankyire; görselleştirme: Godsway Akpabli; denetim ve proje yönetimi: Hamid Rahnema.
Temel yöntemsel sınırlılıklar: Kayıtlı sistematik derleme protokolünün bulunmaması; ilk tarama sayılarının korunmamış olması; literatürün geoloji, hedef ve metrik açısından heterojenliği; prospektif saha tahmini sayısının azlığı; bazı ML kanıtlarının doğal deprem/laboratuvar/sentetik alanlardan aktarılması; in-situ stress, fay bağlantısallığı ve CO₂ koşullarındaki sürtünme/geçirgenlik verilerinin yetersizliği; model discrepancy ve izleme detection limitlerinin operasyonel tahminleri sınırlaması.
Görsel kullanım notu: Kaynak şekilleri CC BY lisanslı olsa da Verianla için piksel kopyası gerekli değildir. Figure 1, Figure 4, Figure 8, Figure 9, Figure 10 ve Figure 11'in bilimsel ilişkileri bağımsız, semantik olarak eşdeğer teknik şemalar halinde yeniden kurulabilir. Saha sismogramı veya sayısal kontur gibi gerçek veri izlenimi yaratan uydurma raster görseller oluşturulmamalıdır.
Verianla Live: Enjeksiyon → reservoir state → fault response → monitoring → action zinciri için Live Process; model aileleri ve olgunluk için Live Compare; doğrulama merdiveni ve insan-denetimli dijital ikiz için source-derived Live Figure uygundur.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir