Tathmini hii ya kina na ya kiuhakiki iliyopangwa inachunguza jinsi hatari ya uanzishaji upya wa hitilafu wakati wa uhifadhi wa kijiolojia wa CO₂ inavyopaswa kutathminiwa kwa uigaji wa kifizikia, uchunguzi wa nyanjani na maabara, ujifunzaji wa mashine na ujifunzaji wa mashine wa kisayansi unaoongozwa na fizikia. Uanzishaji upya wa hitilafu ni kuanza tena kwa mwendo wa kuteleza au kufunguka kwenye hitilafu au ukosefu wa mwendelezo uliokuwapo hapo awali. Ujumbe mkuu wa chanzo ni kwamba shinikizo la kudunga pekee haliamui tetemeko la ardhi la baadaye wala kuvuja kwa CO₂. Shinikizo la vinyweleo, mabadiliko ya mkazo wa jumla wa poroelastiki, halijoto, mtiririko wa awamu nyingi, muunganisho wa hitilafu, sheria ya msuguano, dilatation na mageuzi ya upenyezaji lazima yatathminiwe kwa pamoja. Tathmini inahitimisha kuwa uigaji wa shinikizo na uharibifu wa umbo pamoja na uchakataji wa ishara za seisimiki ndizo nyanja zenye msingi imara zaidi wa ushahidi kwa sasa; ilhali utabiri wa mbele wa kuteleza kwa hitilafu, mpasuko wa dinamiki na seisimikia bado una ushahidi mdogo.

Mojawapo ya michango muhimu ya utafiti ni kutenganisha malengo ambayo mara nyingi huchanganywa chini ya kauli “kutabiri kuteleza kwa hitilafu”. Uchunguzi wa uthabiti tuli, wakati wa kuteleza kwa mara ya kwanza, kuteleza bila seisimiki, maendeleo ya baadaye ya kuteleza, mpasuko wa dinamiki, magnitudo ya tetemeko, kiwango cha seisimikia, ugunduzi wa ishara na matokeo ya uhifadhi wa CO₂ si tatizo moja. Kila lengo linahitaji modeli tofauti ya kifizikia, uchunguzi, kipimo cha hitilafu na kiwango cha uthibitishaji.

Tathmini pia inakadiria uwezo wa physics-informed neural networks (PINN), Fourier neural operator, DeepONet, graph operator, Gaussian process, CNN/RNN surrogate na modeli nyingine za reduced-order. Inakubaliwa kuwa mbinu hizi zinaweza kuharakisha idadi kubwa ya uigaji unaorudiwa, kuchakata data za ufuatiliaji na kusaidia matatizo ya kinyume; hata hivyo, chanzo kinaonya kwa nguvu kuhusu kuhamisha modeli iliyojifunza nje ya eneo lake la mafunzo, kuwakilisha vibaya discontinuities, kutabiri vibaya kizingiti cha hatari licha ya kosa dogo la wastani, na ukosefu wa uthibitishaji kati ya maeneo.

Lengo la kiutendaji linalopendekezwa na waandishi si akili bandia inayoendesha udungaji kwa kujitegemea. Pendekezo ni muundo wa pacha wa kidijitali unaosimamiwa na binadamu na unaoweza kujizuia kutoa uamuzi inapobidi, unaounganisha viigaji vya kifizikia vilivyothibitishwa, data za ufuatiliaji, uchanganuzi wa kutokuwa na uhakika, modeli za surrogate za haraka na kanuni wazi za maamuzi. Mfumo unapaswa kutoa pendekezo la kiutendaji tu pale ubora wa data unapotosha, hali ya kazi iko ndani ya eneo la modeli lililothibitishwa, na kutokuwa na uhakika kunakubalika.

Uhifadhi wa kijiolojia wa kaboni unalenga kudunga CO₂ katika vitengo vya kijiolojia kama akiferi za chumvi zilizo kina au hifadhi za hidrokaboni zilizokwisha, ili ihifadhiwe chini ya ardhi kwa muda mrefu. Kiasi kinachoweza kuhifadhiwa hakitegemei tu ujazo wa vinyweleo vya fomeshini. Kiasi kinachoweza kudungwa hupunguzwa na uwezo wa kupokea wa kisima, shinikizo la hifadhi, uadilifu wa mwamba funiko, uadilifu wa kisima, uthabiti wa hitilafu, mwingiliano wa shinikizo na uwezo wa kufuatilia CO₂ iliyohifadhiwa kwa muda mrefu.

Kigezo kikuu cha kiutendaji cha udungaji ni shinikizo. Udungaji huongeza shinikizo la vinyweleo vya hifadhi, hubadilisha mkazo fanisi unaobebwa na kiunzi cha mwamba na husababisha deformation ya poroelastiki. Ikiwa CO₂ inayodungwa ni baridi kuliko fomeshini, kusinyaa kwa joto kunaweza pia kubadilisha uga wa mkazo. Ikiwa hitilafu imeunganishwa kihidroliki na hifadhi, mabadiliko ya shinikizo yanaweza kufikishwa kwenye uso wa hitilafu. Hata hivyo, ongezeko sawa la shinikizo linaweza kutoa matokeo tofauti katika jiometria tofauti za hitilafu.

Kwa nini uanzishaji upya wa hitilafu katika uhifadhi wa kijiolojia wa CO₂ hauwezi kuelezwa kwa kizingiti kimoja cha shinikizo?

Shinikizo la vinyweleo linaweza kupunguza mkazo fanisi wa kawaida na kurahisisha kuteleza, lakini mwitikio halisi wa hitilafu huamuliwa pamoja na mabadiliko ya mkazo wa jumla wa poroelastiki, athari za joto, mwelekeo wa hitilafu, muunganisho wa kihidroliki, sheria ya msuguano, utofautishaji wa kijiolojia, dilatation na mrejesho wa upenyezaji; kwa hiyo thamani moja ya shinikizo inaweza kuwa kizingiti cha uchunguzi tu chini ya dhana zilizo wazi, si utabiri wa jumla wa eneo.

Mkazo fanisi

Chanzo kinatoa mkazo fanisi wa Biot katika mkataba wa ishara unaochukulia mgandamizo kuwa chanya kama ifuatavyo:

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

Hapa \(\boldsymbol{\sigma}'\) ni tensor ya mkazo fanisi, \(\boldsymbol{\sigma}\) tensor ya mkazo wa jumla, \(p\) shinikizo la vinyweleo, \(\alpha\) mgawo wa Biot na \(\mathbf{I}\) tensor ya umoja. Mkazo wa jumla ukibaki uleule, ongezeko la \(p\) hupunguza mkazo fanisi wa mgandamizo.

Ikiwa kawaida ya umoja ya tambarare ya hitilafu ni \(\mathbf{n}\), mkazo wa kawaida wa jumla na mvutano wa shear katika chanzo ni:

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

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

hufafanuliwa hivyo. Ikiwa shinikizo la kiowevu kwenye uso wa hitilafu ni \(p_f\), mvutano fanisi wa kawaida:

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

huwa hivyo. Chanzo kinasisitiza hasa kwamba shinikizo la hitilafu na shinikizo la matriksi ya hifadhi si lazima yawe sawa; kiini cha hitilafu chenye upenyezaji mdogo au transmissivity ya hitilafu inayobadilika kwa muda inaweza kusababisha shinikizo hizo mbili kutengana.

Sharti la kuteleza la Coulomb

Kwa hitilafu iliyokuwapo awali isiyo na cohesion, sharti tuli la Coulomb ni:

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

Ikiwa cohesion \(c\) inajumuishwa:

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

Chanzo hufafanua Coulomb failure stress kama:

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

CFS chanya huonyesha tu kwamba kigezo tuli kilichochaguliwa kimevukwa; hakiamui mpasuko wa dinamiki utaendelea kilomita ngapi wala utazalisha tetemeko lenye magnitudo gani.

Ukomo wa mlinganyo wa shinikizo kritiki

Katika hali iliyozuiliwa ambapo mikazo ya kawaida na shear ya jumla hubaki thabiti na shinikizo la hitilafu huongezeka kwa usawa, shinikizo kritiki la kuteleza kwa mara ya kwanza linaweza kuandikwa:

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

Mlinganyo huu una thamani kwa uchunguzi wa haraka na ukaguzi wa modeli ya namba. Lakini kwa kuwa udungaji hubadilisha pia mkazo wa jumla, shinikizo si sawia katika nafasi, sifa za hitilafu hubadilika na msuguano unaweza kubadilika kwa muda, si kizingiti cha jumla cha kuteleza kwa eneo lote.

Uhamishaji wa mkazo wa poroelastiki

Usawa wa mekanika wa Quasi-static:

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

hutolewa kwa uhusiano huu. Kwa thermo-poroelasticity ya mstari na isotropiki chanzo hutumia:

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

\(G\) ni shear modulus, \(\lambda\) parameta ya Lamé, \(K\) drained bulk modulus na \(\alpha_T\) mgawo wa upanuzi wa joto wa mstari.

Mlinganyo huu unaonyesha jambo muhimu: udungaji haubadilishi tu shinikizo la kiowevu kwenye uso wa hitilafu; kupanuka au kupoa kwa hifadhi hubadilisha pia uga wa mkazo wa jumla unaozunguka. Kwa hiyo hata hitilafu zilizo mbali na hifadhi zinaweza kuathiriwa na uhamishaji wa mkazo wa poroelastiki.

Usambaaji wa shinikizo

Kwa mazingira yaliyorahisishwa, yenye usawa na awamu moja, hydraulic diffusivity ni:

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

na umbali bainifu wa kuenea kwa shinikizo ni:

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

\(k\) ni upenyezaji, \(\mu\) mnato wa dinamiki, \(S_s\) mgawo wa uhifadhi unaotegemea shinikizo na \(t\) muda.

Uwekaji huu wa mizani husaidia kutathmini haraka kama hitilafu inaweza kukumbana na mabadiliko ya shinikizo katika muda fulani wa uendeshaji. Hata hivyo, mtiririko wa awamu nyingi, fomeshini zisizo sare na mitandao ya hitilafu iliyounganishwa yenye upenyezaji mkubwa inaweza kubadilisha sana tabia hii rahisi.

Mtiririko wa awamu nyingi

Kwa kuwa maji na CO₂ zinaweza kugawanyika kati ya awamu nyingi katika uhifadhi wa CO₂, uhifadhi wa wingi kwa kila kiambato unahitajika. Chanzo kinatoa umbo la jumla kwa kiambato \(\kappa\):

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

Hapa \(\beta\) inawakilisha awamu, \(\phi\) porosity, \(S_\beta\) saturation ya awamu, \(\rho_\beta\) msongamano wa awamu, \(X_\beta^\kappa\) sehemu ya wingi wa kiambato, \(\mathbf{q}_\beta\) mtiririko wa Darcy na \(\mathbf{j}_\beta^\kappa\) mtiririko wa diffusion.

Mtiririko wa Darcy:

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

uko hivyo. Ili kufunga modeli kama hiyo, shinikizo la kapilari, upenyezaji jamaa, usawa wa awamu na mahusiano sahihi ya thermodynamics yanahitajika.

Athari za joto

Ikiwa CO₂ inayodungwa ni baridi kuliko fomeshini, uhamishaji wa joto unaweza kubadilisha si tu sifa za kiowevu bali pia mkazo wa mekanika. Chanzo kinatoa mlinganyo wa nishati uliorahisishwa:

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

Kupoa kunaweza kupunguza mkazo wa mgandamizo mlalo karibu na kisima, kurahisisha ufa wa mvutano au kubadilisha mikazo ya kawaida na shear kwenye hitilafu iliyoinama. Lakini kwa kuwa ishara ya athari ya joto hutegemea mwelekeo wa hitilafu na vizuizi vya mekanika, haiwezi kujumlishwa kwamba “CO₂ baridi kila mara hudhoofisha uthabiti wa hitilafu”.

Msuguano wa rate-and-state

Mohr–Coulomb hufafanua kizingiti cha kuteleza kwa kwanza; peke yake haielezi kama kuteleza kutakuwa thabiti au kutaharakisha. Chanzo kinaeleza msuguano wa rate-and-state kwa:

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

na sheria ya kuzeeka kwa:

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

Hapa \(V\) ni kasi ya kuteleza, \(V_0\) kasi ya rejea, \(\theta\) kigezo cha hali na \(D_c\) umbali bainifu wa kuteleza.

Katika hali tulivu \(a-b<0\) huhusishwa na kudhoofika kwa kasi na inaweza kuruhusu kuteleza kusiko thabiti chini ya hali zinazofaa za rigidity; \(a-b>0\) kwa kawaida huunga mkono kuteleza thabiti.

Urefu bainifu wa nucleation unaandikwa kwa mpangilio katika chanzo kama:

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

Chanzo kinasisitiza kuwa uhusiano huu hutumiwa kwa madhumuni ya scaling; mgawo \(C\) hubadilika kulingana na jiometria, dimension na sheria iliyochaguliwa ya state-evolution. Si sahihi kuhamisha moja kwa moja parameta za maabara kwenda hitilafu ya kiwango cha kilomita kwa mgawo wa ulimwengu wote.

Ikiwa modeli inaonyesha kuteleza kwa hitilafu, je, hiyo inamaanisha tetemeko la ardhi au kuvuja kwa CO₂?

Hapana. Kuteleza kwa quasi-static kunaweza kuonyesha uhamishaji wa jumla wa hitilafu lakini hakuamui ni kiasi gani cha mwendo huo hubadilishwa kuwa mionzi ya seisimiki; vivyo hivyo, kuwashwa kimekanika kwa hitilafu hakuthibitishi kuwa njia ya kudumu yenye upenyezaji ya kuvuja kwa CO₂ imeundwa, kwa sababu matokeo ya kihidroliki huamuliwa pia na kiini cha hitilafu, eneo la uharibifu, dilatation, compaction, shinikizo la kuingia la kapilari na upenyezaji wa awamu nyingi.

Ufunguzi wa hitilafu na upenyezaji

Kwa sahani bora sambamba, mtiririko wa ufa kwa kila upana wa kitengo unatolewa katika chanzo kwa sheria ya kubiki:

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

Kwa upande mwingine, upenyezaji asilia sawia:

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

husawazishwa hivyo. Kwa hiyo transmissivity hutegemea kubu ya ufunguzi, huku upenyezaji ukitegemea mraba wake. Hii ndiyo sababu kuu mabadiliko madogo ya ufunguzi yanaweza kuwa na athari kubwa kwa mtiririko kando ya hitilafu.

Hitilafu halisi si sahani sambamba na laini. Ukwaruzo, eneo la mgusano, uundaji wa njia, gouge, ujazo wa awamu nyingi na maeneo ya uharibifu hubadilisha mtiririko. Kuteleza kunaweza kuongeza upenyezaji kwa dilatation katika maeneo fulani, huku katika hali nyingine compaction ya gouge ikipunguza upenyezaji.

Moment ya seisimiki na magnitudo

Moment ya seisimiki:

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

hufafanuliwa hivyo. \(G\) ni shear modulus, \(A\) eneo la mpasuko na \(D_s\) kuteleza kwa seisimiki.

Wakati \(M_0\) iko katika N·m, magnitudo ya moment:

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

inaweza kuhesabiwa. Hata hivyo, si sahihi kisayansi kuchukulia kuteleza kote kwa jumla kwa hitilafu kunakohesabiwa na modeli ya quasi-static kuwa \(D_s\). Kuteleza thabiti, deformation ya plastiki, kutokea kwa ufa mpya na joto la msuguano vinaweza kutumia nishati.

Kiungo kinachokosekana kati ya kuteleza kwa hitilafu na kuvuja

Dhana kwamba upenyezaji utaongezeka baada ya hitilafu kuteleza si ya moja kwa moja. Kiini cha hitilafu chenye udongo mwingi kinaweza kubaki na upenyezaji mdogo hata baada ya kuteleza; eneo la uharibifu lililopanuka linaweza kutengeneza njia ya mtiririko ya muda au ya kudumu. Zaidi ya hayo, ili CO₂ iingie kwenye hitilafu, si tu muunganisho wa kihidroliki unaohitajika bali pia hali zinazofaa za kuingia kwa kapilari.

Kwa hiyo chanzo kinapendekeza kuunganisha uanzishaji wa kimekanika, transmissivity ya kihidroliki na uhamaji halisi wa CO₂ kwa modeli na uchunguzi tofauti.

Uunganishaji wa mwelekeo mmoja, pande mbili na monolithic

Chanzo pia kina tofauti muhimu ya mizani ya muda. Modeli ya hifadhi inaweza kufanya kazi kwa hatua zinazotoka saa hadi miezi, wakati mpasuko wa dinamiki unaweza kuhitaji resolution ya millisekunde au chini ya sekunde. Kwa hiyo inaweza kuwa na msingi zaidi kuunganisha modeli ya muda mrefu ya uhifadhi quasi-static na modeli ya ndani ya mpasuko wa dinamiki pale tu inapokaribia hitilafu kritiki.

Familia kuu za modeli za namba

Mtazamo wa chanzo hautangazi programu au familia yoyote ya modeli kuwa “mshindi”. Uchaguzi wa modeli unapaswa kuamuliwa na lengo la utabiri. Kwa mfano, katika usimamizi wa shinikizo la kikanda, modeli ya hifadhi ya awamu nyingi inaweza kuwa hitaji kuu, huku katika tabia ya baada ya kuteleza ya hitilafu ya eneo, discontinuity wazi na sheria inayofaa ya msuguano vinaweza kuwa muhimu zaidi.

Hierarkia ya ushahidi wa nyanjani

Ujifunzaji wa mashine umekomaa zaidi katika kazi zipi, na una mipaka katika zipi?

Ushahidi uliokomaa zaidi wa ujifunzaji wa mashine uko katika kazi za ufuatiliaji kama ugunduzi wa matukio ya seisimiki, phase picking, uchakataji wa waveform na usaidizi wa katalogi; simulator surrogate na data assimilation zinafaa katika maeneo ya usanifu yanayodhibitiwa, lakini ushahidi wa kutabiri kuteleza kwa hitilafu au seisimikia ya baadaye kwa njia ya mbele katika eneo jipya la uhifadhi wa CO₂ bado ni mdogo.

Kwanza kazi, kisha algoriti

Chanzo kinatenganisha angalau kazi tano tofauti za ML: ugunduzi wa tukio/phase picking, uainishaji wa waveform, regression au inverse estimation ya vigezo vya kifizikia, utabiri wa mbele wa hitilafu/seisimikia na simulator surrogate modeling.

Modeli ya ugunduzi wa tukio hupata ishara katika rekodi ya continuous seismic. Phase picker huamua nyakati za kuwasili kwa P na S. Classifier inaweza kugawanya waveform kuwa kelele, mlipuko au aina ya kuteleza. Hakuna mojawapo ya hizi inayotabiri kiotomatiki hitilafu itapasuka lini baadaye.

Mgawanyo wa data wa leakage-safe

Kuchanganya madirisha ya waveform bila mpangilio kunaweza kusababisha sehemu zinazofanana sana za tukio lilelile la kifizikia kuingia katika seti za mafunzo na majaribio. Chanzo kinapendekeza kwa uthibitishaji thabiti kutenganisha kwa mpangilio tukio kamili, sampuli/jaribio, kizuizi cha muda, mtandao wa kisima/sensa na hatimaye eneo tofauti kabisa.

Kwa nini accuracy ni ya kupotosha katika matukio adimu?

Kuteleza kwa hitilafu yenye umuhimu wa kiutendaji ni nadra sana ikilinganishwa na uendeshaji wa kawaida. Classifier inayosema kila mara “hakuna tukio” inaweza kutoa accuracy kubwa lakini isitoe thamani yoyote ya usimamizi wa hatari. Kwa hiyo muundo wa precision–recall, kiwango cha false alarm, calibration ya uwezekano na matokeo kwa kila darasa vina maana zaidi.

Chanzo pia kinapendekeza uwezekano wa utabiri ukalibishwe kwa reliability diagram, Brier score au log-loss. Gharama za kiutendaji pia zinapaswa kufafanuliwa pamoja na waendeshaji na wasimamizi kulingana na matokeo halisi ya onyo la uongo na tukio lililokosekana, si kwa ajili tu ya kuboresha alama ya algoriti.

Kwa nini “utabiri wa tetemeko” wa maabara hauhamishwi moja kwa moja kwenda nyanjani?

Katika majaribio ya msuguano yanayodhibitiwa, imeonyeshwa kuwa sifa za continuous acoustic zinaweza kubeba taarifa kuhusu hali ya hitilafu na muda uliobaki hadi failure katika mzunguko unaorudiwa wa jaribio. Hata hivyo, mifumo ya maabara ina jiometria iliyodhibitiwa, sensa nyingi na idadi ndogo ya failure mode. Hitilafu halisi ni heterogeneous, hazijaangaliwa kikamilifu na hupakiwa katika mizani tofauti.

Majaribio haya yanaonyesha kuwa taarifa ya physical state ipo; si ushahidi kwamba muda wa tetemeko umetabiriwa kwa mafanikio katika eneo jipya la uhifadhi wa CO₂.

Ujifunzaji wa mashine unaoongozwa na fizikia ni nini?

Chanzo hakitumii lebo “physics-informed” kama jina la mbinu moja. Kinagawanya madaraja matatu makuu:

• Physics-constrained learner: modeli kama PINN zinazoongeza residual za differential equation au interface kwenye loss.
• Learned operator: modeli kama Fourier neural operator, DeepONet au graph operator zinazojifunza ramani kutoka uga wa ingizo hadi uga wa suluhisho.
• Simulator emulator / reduced-order model: hukadiria output iliyochaguliwa ya full-order simulator maalumu katika domain ya parameta iliyofafanuliwa.

Kuweka shinikizo au Coulomb stress kama ingizo la neural network ni physics-guided feature engineering; si kitu sawa na PINN.

Kazi ya loss ya PINN

PINN hukadiria hali ya kifizikia kwa \(\hat{y}(\mathbf{x},t;\boldsymbol{\theta})\) na hupunguza pamoja residual za data na fizikia:

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

Uzito \(w_i\) hutumika kusawazisha vipengele tofauti vya loss. Ikiwa mizani ya namba ya mlinganyo mmoja ni kubwa sana kuliko mwingine, mafunzo yanaweza kutokuwa na uwiano wa kifizikia; kwa hiyo nondimensionalization na uzito unaobadilika vinaweza kuhitajika.

Ingawa PINN wakati mwingine huelezwa kama “mesh-free”, chanzo kinasema hiyo ni kauli isiyokamilika. Mtandao bado unahitaji pointi za collocation, mipaka, mwanzo na uchunguzi. Gharama ya hesabu huhama kutoka suluhisho la mesh hadi optimization; hasa katika matatizo ya 3B yenye heterogeneity na discontinuity za hitilafu, hakuna hakikisho kwamba itakuwa ya haraka au thabiti zaidi kuliko mbinu ya kawaida ya finite element.

Neural operator na modeli za surrogate

Neural operator zinaweza kujifunza mabadiliko kutoka kazi kama uga wa upenyezaji, masharti ya mipaka na udhibiti wa visima kwenda nyuga za shinikizo/deformation. Baada ya mafunzo, uwezo wa kutathmini haraka senario nyingi ni wa thamani kwa utabiri wa ensemble na uchanganuzi wa kutokuwa na uhakika.

Hata hivyo, hitilafu inaweza kuongezeka ghafla katika jiometria ya hitilafu, contrast ya upenyezaji au hali za uendeshaji ambazo hazikuwepo katika mafunzo. Kwa hiyo hitilafu ya global L2 pekee haitoshi. Vipimo vinavyolenga uamuzi kama shinikizo la juu kabisa, muda wa kufikia kizingiti cha hatari, traction ya hitilafu, eneo la kuteleza na leakage rate lazima pia vithibitishwe tofauti.

Katika tatizo la kinyume, fizikia pekee haitengenezi taarifa

Kwa PINN au Bayesian inversion, upenyezaji, transmissivity ya hitilafu au parameta ya msuguano inaweza kukadiriwa. Lakini mchanganyiko tofauti wa parameta unaweza kutoa uchunguzi uleule wa shinikizo au deformation. Kutumia governing equations hakutengenezi taarifa ambayo haipo katika uchunguzi.

Kwa hiyo identifiability, posterior correlation na model discrepancy vinapaswa kuripotiwa wazi. Kwa kuwa shinikizo, deformation, halijoto, picha za plume na data za seisimiki huzuia michakato tofauti, data assimilation ya aina nyingi ni ya thamani zaidi kuliko aina moja ya data.

Modeli ya kiutendaji ya hatari ya hitilafu inapaswa kufikia kiwango gani cha uthibitishaji?

Uaminifu wa kiutendaji unahitaji zaidi ya kuonyesha kuwa msimbo unafanya kazi; chanzo kinajenga ngazi ya uthibitishaji kama uthibitishaji wa msimbo → canonical benchmark → uthibitishaji wa maabara → jaribio huru la nyanjani la retrospektivu → challenge kati ya maeneo → utabiri wa mbele, na kwa uamuzi muhimu zaidi kwa usalama au ulio huru zaidi kinahitaji ushahidi wa ngazi za juu zaidi.

Ngazi ya uthibitishaji

Calibration si uthibitishaji. Modeli iliyolinganishwa na data za zamani za shinikizo inaweza kuzalisha vizuri data hizo za zamani lakini si lazima itabiri kwa usahihi hatua ya baadaye ya udungaji.

Hatari ya uwezekano

Chanzo kinaeleza kipimo cha hatari kwa ujumla kama:

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

Hapa \(\mathbf{m}\) inawakilisha parameta za modeli zisizo na uhakika na senario za kimuundo, \(\mathbf{u}\) udhibiti wa kiutendaji, \(\mathbf{d}\) uchunguzi na \(g\) kiasi cha utendaji kama shinikizo, kuteleza, magnitudo au kuvuja.

Mbinu hii ni tajiri zaidi kuliko namba moja ya “shinikizo salama”. Mkazo, msuguano wa hitilafu na muunganisho vikiwa visivyo na uhakika, kizingiti cha failure pia huwa usambazaji. Dirisha la shinikizo la kiutendaji linapaswa kusimamiwa kwa uwezekano kulingana na hilo.

Kutokuwa na uhakika kwa modeli kunajumuisha tabaka zipi?

Chanzo kinatenganisha kutokuwa na uhakika angalau katika tabaka hizi: kutokuwa na uhakika wa ingizo/parameta, kutokuwa na uhakika wa senario ya kijiolojia-kimuundo, kosa la kipimo, kosa la namba, model-form discrepancy na surrogate approximation error.

Kwa mfano, neural-network posterior nyembamba si lazima imaanishe kuwa modeli inawakilisha vizuri geolojia halisi. Ikiwa training ensemble haijumuishi jiometria zinazowezekana za hitilafu, surrogate inaweza kuwa “na uhakika” sana ndani ya ulimwengu wake usio sahihi.

Pacha wa kidijitali chini ya usimamizi wa binadamu

Katika ufafanuzi strict wa chanzo, pacha wa kidijitali si dashboard pekee wala modeli moja iliyokalibishwa. State model inayosasishwa kila mara, observation operator, udhibiti wa ubora wa data, data assimilation, forecast, uenezaji wa kutokuwa na uhakika, kanuni za uamuzi na audit trail lazima viwe pamoja.

Ikiwa data ni mbaya au hali iko nje ya valid domain, inapendekezwa mfumo usitoe “utabiri wenye uhakika zaidi” bali abstain. Katika hali hiyo udungaji usiongezwe, kikomo cha kihafidhina kihifadhiwe, full-order model iendeshwe tena na ukaguzi huru wa binadamu ufanywe.

Kwa nini udhibiti wa kujitegemea haupendekezwi?

Chanzo kinajadili reinforcement learning na optimization ya haraka kama zana zinazowezekana za baadaye, lakini kinasisitiza kuwa mifano mingi iliyochapishwa iko katika kiwango cha uigaji. Sera iliyojifunza inaweza kutumia dosari za simulator au kushindwa katika geolojia ambayo haipo katika modeli.

Lengo la muda wa karibu ni automation chini ya usimamizi wa binadamu: ujifunzaji wa mashine unaweza kupunguza wingi wa data, surrogate model kuharakisha senario, optimization kupendekeza mipango ya uendeshaji inayowezekana; mamlaka ya mwisho inapaswa kubaki kwa wafanyakazi wenye sifa wanaofanya kazi kwa taratibu zilizothibitishwa.

Ramani ya njia ya utafiti

Mbinu na Matokeo ya Utafiti

Mbinu ya tathmini

Maandishi ya kitaaluma yalikusanywa kwa njia ya iteratibu kutoka Scopus, Web of Science, Google Scholar, ScienceDirect, OnePetro, hifadhidata za wachapishaji na ufuatiliaji wa marejeo kwenda mbele/nyuma. Sasisho la mwisho la maandiko lilifanywa tarehe 10 Agosti 2026.

Utafutaji uliunganisha makundi ya mada kama “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” na “neural operator”.

Uchunguzi ulifanywa kwa hatua tatu: kufaa kwa kichwa/muhtasari; kuondoa nakala rudufu na maudhui yasiyo ya kiufundi; kisha tathmini ya maandishi kamili kwa kuzingatia jiometria, governing equations, dhana constitutive, sharti la mpaka, chanzo cha data, lengo la utabiri na ushahidi wa uthibitishaji.

Vyanzo vilikodishwa katika mazingira manne ya ushahidi: uhifadhi wa moja kwa moja wa CO₂; maabara inayodhibitiwa; analoji ya udungaji wa non-CO₂; benchmark ya sintetiki/namba.

Viwango vya uthibitishaji viligawanywa kuwa uthibitishaji wa msimbo, uthibitishaji wa maabara, tathmini ya retrospektivu ya eneo, tathmini kati ya maeneo na utabiri wa mbele.

Kwa kuwa utafutaji wa awali haukufanywa chini ya itifaki iliyosajiliwa, idadi ya rekodi za kwanza zilizopatikana, rekodi baada ya kuondoa nakala rudufu, tathmini za maandishi kamili na idadi ya yaliyoondolewa hazikuhifadhiwa. Waandishi hawakukadiria namba hizo baadaye na hivyo hawakutengeneza “false precision”. Muhtasari wa mwisho una marejeo 98.

Ukomavu wa mbinu ulitathminiwaje?

Badala ya kutoa “alama ya ukomavu” ya jumla kwa algoriti, tathmini hutumia vigezo vitano kulingana na kazi maalumu ya utabiri: uhalisia wa moja kwa moja wa ushahidi, kiwango cha uthibitishaji, marudio huru, calibration ya kipimo/kutokuwa na uhakika inayofaa lengo, na uwezo wa kuzalishwa tena au jaribio la kiutendaji.

Ushahidi wa moja kwa moja wa uhifadhi wa CO₂ una uzito mkubwa zaidi katika tathmini ya utayari wa kiutendaji kuliko benchmark ya sintetiki, maabara, analoji ya tetemeko la asili au geothermali.

Ushahidi mdogo mara nyingi unamaanisha msaada wa sintetiki/maabara au eneo moja la retrospektivu; kiwango cha kinachoendelea/kati kinamaanisha maonyesho yanayorudiwa ya kudhibitiwa au ya retrospektivu ya nyanjani; kiwango cha kilichokomaa kwa kiasi kinamaanisha tafiti/maeneo huru, kutokuwa na uhakika kwa kiasi na ushahidi wa mbele au wa kiutendaji.

Ni nini kinachoweza kutabiriwa kwa uaminifu wa kiasi leo?

Kulingana na chanzo, katika mifumo iliyotambuliwa vya kutosha, mahesabu ya reservoir pressure na deformation yana ushahidi wenye nguvu zaidi wa nyanjani. Katika modeli hizi kuna ulinganisho wa moja kwa moja na uchunguzi, observation operator na vipimo vya hitilafu vilivyofafanuliwa.

Ugunduzi wa matukio ya seisimiki na phase picking pia vina uthibitishaji wa nje wenye nguvu katika seti kubwa za data za seisimikia ya asili; lakini wakati wa kuhamisha kwenye eneo la CO₂, jiometria ya sensa, kelele na detection threshold vinapaswa kuthibitishwa upya.

Wakati wa kuteleza kwa kwanza una kutokuwa na uhakika zaidi kwa sababu ni nyeti sana kwa mkazo wa awali na msuguano. Mageuzi ya kuteleza yanahitaji parameta constitutive ambazo hupimwa mara chache katika kiwango cha eneo. Magnitudo ya juu hutegemea taarifa kuhusu muunganisho wa hitilafu na rupture arrest ambayo data ya shinikizo pekee haiwezi kutoa.

Kwa nini uchangamano wa modeli haupunguzi kutokuwa na uhakika kiotomatiki?

Kuongeza fizikia zaidi kunaweza kupunguza baadhi ya bias za kimuundo; lakini pia huongeza parameta mpya na kutokuwa na uhakika mpya. Poorly constrained THMC model inaweza kutoa kutokuwa na uhakika wa utabiri mpana zaidi kuliko HM model rahisi.

Vilevile, neural network yenye kina zaidi haiwezi kufidia event catalog isiyolingana, in-situ stress isiyojulikana au jiometria ya hitilafu isiyowakilishwa. Chanzo kinapendekeza kuiga michakato inayohitajika kweli kwa uamuzi badala ya kuongeza uchangamano wa algoriti.

Mtiririko wa kazi jumuishi unaopendekezwa

1. Orodha ya hitilafu na mkazo wa awali huundwa na modeli mbadala za kimuundo huhifadhiwa kama ensemble.
2. Hitilafu kritiki na margin za shinikizo hubainishwa kwa uchunguzi wa analytiki.
3. Modeli ya kikanda ya hifadhi ya awamu nyingi huhesabu mwingiliano wa shinikizo na tabia ya CO₂ plume.
4. Senario muhimu kwa hatari huunganishwa na modeli ya geomekanika; dhana mbalimbali za constitutive na mipaka hujaribiwa.
5. Vipimo vya maabara huzuia parameta za msuguano, dilatation na upenyezaji.
6. Mtandao wa ufuatiliaji hubuniwa ili kupunguza kutokuwa na uhakika kunakoamua uamuzi.
7. Wakati wa udungaji, shinikizo, deformation na uchunguzi wa seisimiki husasisha ensemble.
8. Ujifunzaji wa mashine hutumika katika ugunduzi wa matukio na kupunguza data; modeli za surrogate hutumika katika utabiri wa ensemble.
9. Mabadiliko ya uendeshaji yanayopendekezwa hukaguliwa tena kwa full-order model kabla ya kutekelezwa.
10. Uchunguzi usiotarajiwa huchochea uchanganuzi wa model discrepancy na, inapohitajika, uendeshaji wa kihafidhina zaidi.

Hitimisho linaloungwa mkono na utafiti

Uanzishaji upya wa hitilafu katika uhifadhi wa kijiolojia wa CO₂ ni tatizo la maamuzi lenye fizikia nyingi, data nyingi na kutokuwa na uhakika. Daraja moja la modeli au “AI score” moja haliwezi kutatua malengo yote kwa uaminifu.

Kwa shinikizo na deformation za site-scale, continuum reservoir geomechanics kwa sasa ina msingi wenye nguvu zaidi wa ushahidi. Kwa matatizo yanayohitaji kinematiki wazi ya hitilafu au ukuaji wa ufa, mbinu kama interface, discontinuum, DFN, XFEM na phase-field zinaweza kuongeza thamani.

Ujifunzaji wa mashine ni muhimu katika analytics ya ufuatiliaji, simulator surrogate na data assimilation. Mbinu za Physics-informed ni muhimu hasa kwa tathmini nyingi zinazojirudia, inverse problem au limited-domain surrogate.

Utayari wa kiutendaji unapaswa kutegemea uthibitishaji huru, calibration ya kutokuwa na uhakika, majaribio kati ya maeneo, utendaji wa mbele na kanuni wazi za fallback/human-governance, si upya wa algoriti.

Hitimisho lisiloungwa mkono na utafiti

Tathmini haionyeshi kwamba neural network maalumu imetabiri kwa uaminifu mapema matetemeko ya ardhini yajayo yatakayosababishwa na udungaji wa CO₂.

Haithibitishi kwamba PINN au neural operator kwa ujumla ni sahihi zaidi au ya haraka kuliko classic FEM/FVM solvers. Matokeo hutegemea ukubwa wa tatizo, gharama ya mafunzo, jiometria, discontinuity na idadi ya matumizi.

Kuteleza kwa hitilafu si kuvuja kwa CO₂ kiotomatiki. Kuongezeka kwa shinikizo si tetemeko kiotomatiki. Ugunduzi wa microseismicity pia si utabiri wa mpasuko mkubwa wa baadaye.

Usanifu wa pacha wa kidijitali unaopendekezwa haujaonyeshwa katika miradi ya sasa ya kibiashara ya uhifadhi wa CO₂ kama prospectively validated autonomous-control system. Chanzo kinauwasilisha kama ramani ya njia ya utafiti na utawala.

Vikwazo vikuu vya tathmini

Mchakato wa utafutaji haukuanza kwa itifaki iliyosajiliwa ya PRISMA na idadi ya rekodi za hatua za awali haikuhifadhiwa. Kwa hiyo utafiti si ramani ya ushahidi ya kimfumo wala meta-analysis.

Kwa kuwa maandiko yanajumuisha geolojia tofauti, mizani ya udungaji, mitandao ya ufuatiliaji, malengo ya modeli na vipimo vya utendaji, kuunganisha matokeo ya namba chini ya pooled “accuracy” moja hakufai kisayansi.

Utabiri wa mbele wa nyanjani ni mchache. Matokeo mengi ya ML yanatokana na data za tetemeko la asili, maabara au uigaji wa sintetiki. Kwa hiyo utendaji wa algoriti na kiwango cha ushahidi wa kiutendaji katika uhifadhi wa CO₂ si kitu kimoja.

Maelezo ya Chanzo na Mbinu

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

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

Mwandishi anayewajibika: Kwamena Opoku Duartey.

Taasisi: 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.

Jarida: Advances in Carbon Neutrality.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Advances in Carbon Neutrality, 2026, Juzuu 1, Toleo 1, Makala 1.

DOI: 10.3390/acn1010001.

Tarehe ya kuchapishwa: 20 Septemba 2026.

Kupokelewa / marekebisho / kukubaliwa: 12 Agosti 2026 / 7 Septemba 2026 / 15 Septemba 2026.

Aina ya chanzo: Review; tathmini ya kina ya kiuhakiki iliyopangwa na ramani ya njia ya utafiti.

Hali ya mapitio ya wenzao: Ni makala ya jarida iliyopitia mchakato wa mapitio ya wenzao, huku tarehe za marekebisho na kukubaliwa zikiripotiwa wazi.

Leseni: Creative Commons Attribution (CC BY). Kwa kuwa PDF ya chanzo haitaji kando namba ya toleo la leseni, namba hiyo haijakisiwa.

Vyanzo vya data vya tathmini: Scopus, Web of Science, Google Scholar, ScienceDirect, OnePetro, hifadhidata za wachapishaji na ufuatiliaji wa marejeo kwenda mbele/nyuma.

Sasisho la mwisho la utafutaji: 10 Agosti 2026.

Korpus ya mwisho ya chanzo: Marejeo 98.

Hali ya PRISMA: Waandishi hawadai corpus inayofuata PRISMA. Idadi ya rekodi za awali, rekodi baada ya kuondoa nakala rudufu na maandishi kamili yaliyoondolewa haikuhifadhiwa.

Aina ya usanisi: Usanisi wa ubora uliopangwa kwa msingi wa mekanizimu na kiwango cha ushahidi; kutokana na malengo na vipimo vya non-commensurate, hakuna pooled performance statistic wala meta-analytic effect size iliyohesabiwa.

Madaraja ya ushahidi: Uhifadhi wa moja kwa moja wa CO₂; maabara inayodhibitiwa; analoji ya udungaji wa non-CO₂; benchmark ya sintetiki/namba.

Viwango vya uthibitishaji: Uthibitishaji wa msimbo; uthibitishaji wa maabara; tathmini ya retrospektivu ya eneo; tathmini kati ya maeneo; utabiri wa mbele.

Maeneo makuu ya fizikia: Mtiririko wa awamu nyingi, poroelasticity, thermomechanics, msuguano wa hitilafu, upenyezaji wa hitilafu, mpasuko wa dinamiki na mrejesho wa THMC.

Mbinu kuu za namba: Analytical/semi-analytical methods, FEM, finite-volume/integrated finite-difference, explicit finite-difference, DEM, DFN hybrids, XFEM/embedded discontinuities na phase-field fracture.

Mbinu kuu za ujifunzaji wa mashine: CNN, transformer, tree ensemble, support vector machine, generalized linear model, Gaussian process, recurrent model, PINN, Fourier neural operator, DeepONet, graph operator, CNN/RNN surrogate na reduced-order model.

Mifano mikuu ya maeneo: In Salah, Illinois Basin Decatur, Otway, Sleipner, Snøhvit na Ketzin; Basel na mifano mingine ya udungaji ilizingatiwa kama ushahidi wa analoji.

Hitimisho kuu: Uigaji wa shinikizo na deformation pamoja na seismic signal processing vina msingi wenye nguvu zaidi wa ushahidi uliopo; utabiri wa mbele wa kuteleza kwa hitilafu na seisimikia una ushahidi mdogo.

Mbinu ya pacha wa kidijitali: State model + observation operator + QC + data assimilation + forecast + uncertainty + decision rules + audit trail + human oversight. Nje ya validated-domain, inapendekezwa mfumo uonyeshe tabia ya abstain/fallback.

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Maadili: Institutional Review Board na informed consent hazitumiki; utafiti haujumuishi jaribio jipya la binadamu/wanyama.

Upatikanaji wa data: Hakuna data mpya iliyotengenezwa au kuchanganuliwa. Taarifa iliyosanifiwa inatokana na maandiko yaliyotajwa. Imeelezwa kuwa matoleo yanayoharirika ya michoro asili ya usanisi ya waandishi yanaweza kupatikana kutoka kwa mwandishi anayewajibika kwa ombi la msingi.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi.

Tamko la matumizi ya akili bandia: Vipengele vya ChatGPT image generation/editing vilitumika tu kwa uboreshaji wa kuona, upangaji, usomaji na uthabiti wa kuona wa michoro iliyotengenezwa awali na waandishi. Chanzo kinasema wazi kwamba AI haikutumiwa kutengeneza data za majaribio au namba, kutafuta maandiko, kuchagua ushahidi, kufanya uchanganuzi wa kisayansi au kutoa hitimisho la kiufundi.

Michango ya waandishi: Uundaji wa dhana: Godsway Akpabli; mbinu: Godsway Akpabli na William Apau Marfo; programu: Godsway Akpabli; uchanganuzi rasmi na utafiti: Godsway Akpabli na William Apau Marfo; rasilimali: Hamid Rahnema; rasimu ya kwanza: Godsway Akpabli na William Apau Marfo; mapitio/uhariri: Hamid Rahnema, Kelvin Hayford, Kwamena Opoku Duartey na Joseph Osei-Nsankyire; uchoraji: Godsway Akpabli; usimamizi na usimamizi wa mradi: Hamid Rahnema.

Vikwazo vikuu vya kimbinu: Kutokuwepo kwa itifaki iliyosajiliwa ya tathmini ya kimfumo; kutohifadhiwa kwa idadi ya uchunguzi wa awali; heterogeneity ya maandiko kwa geolojia, lengo na kipimo; uchache wa utabiri wa mbele wa nyanjani; uhamishaji wa baadhi ya ushahidi wa ML kutoka tetemeko la asili/maabara/maeneo ya sintetiki; ukosefu wa data za in-situ stress, muunganisho wa hitilafu na msuguano/upenyezaji chini ya hali za CO₂; model discrepancy na monitoring detection limits kupunguza utabiri wa kiutendaji.

Maelezo ya matumizi ya picha: Ingawa picha za chanzo zina leseni ya CC BY, nakala ya pikseli si lazima kwa Verianla. Mahusiano ya kisayansi ya Figure 1, Figure 4, Figure 8, Figure 9, Figure 10 na Figure 11 yanaweza kujengwa upya kama michoro huru ya kiufundi yenye maana sawa. Picha bandia za raster zinazoweza kutoa hisia ya data halisi kama seismogram ya eneo au contour ya namba hazipaswi kuundwa.

Verianla Live: Kwa mlolongo wa udungaji → reservoir state → fault response → monitoring → action, Live Process inafaa; kwa familia za modeli na ukomavu, Live Compare; kwa ngazi ya uthibitishaji na pacha wa kidijitali chini ya usimamizi wa binadamu, source-derived Live Figure inafaa.