Value of information analysis in the context of leakage detection in CO2 storage
Karbonfangst og -lagring er en lovende strategi for å redusere utslipp av CO2 til atmosfæren og i disse tider forberedes et fullskala prosjekt i Norge. CO2 vil bli injesert i dype geologiske formasjoner, og blant stedene som studeres for lagring er Smeaheia som ligger i Nordsjøen. En av hovedrisikoe...
Gespeichert in:
1. Verfasser: | |
---|---|
Format: | Dissertation |
Sprache: | eng |
Online-Zugang: | Volltext bestellen |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Zusammenfassung: | Karbonfangst og -lagring er en lovende strategi for å redusere utslipp av CO2 til atmosfæren og i disse tider forberedes et fullskala prosjekt i Norge. CO2 vil bli injesert i dype geologiske formasjoner, og blant stedene som studeres for lagring er Smeaheia som ligger i Nordsjøen. En av hovedrisikoene forbundet med CO2-lagring er lekkasje, og det er viktig å lage monitoreringsprogram som addresserer dette og andre risikoer. Monitorering er kostbart, så det er viktig å lage slike programmer på en smart måte som optimerer forholdet mellom verdi og kostnad. I et slikt arbeid bør en estimere verdien til et monitoreringsprogram. Dette kan gjøres ved å definere en beslutningssituasjon og så se på økningen i situasjonens verdi dersom en samler data før en tar beslutningen. Denne studien handler om å estimere verdien av informasjon for seismiske undersøkelser i forbindelse med CO2-lagring. Et rammeverk utvikles for å finne ut ved hvilket tidspunkt en seismisk undersøkelse har størst verdi i forbindelse med å detektere CO2-lekkasje. Beslutningen som studeres er om en skal fortsette eller avbryte lagringen av CO2. I rammeverket brukes Monte Carlo simulering sammen med statistiske regresjonsteknikker for å beregne verdien av informasjon. Rammeverket illustreres gjennom et konstruert eksempelstudie knyttet til Smeaheia. Reservoarsimuleringer gjøres ved bruk av Matlab Reservoir Simulation Toolbox, og fra simulerte CO2-metninger konstrueres seismiske data. Deretter brukes regresjonsmodeller for å beregne verdier gitt data, som så brukes for å estimere verdien av informasjon. To regresjonteknikker testes i studien, k-nærmeste naboer (KNN) og konvolusjonelle nevrale nettverk (CNN). Beregnede verdier av informasjon var konsistent lavere ved å bruke KNN sammenlignet med CNN. Det er mulig at estimatene fra en eller begge metodene ikke er forventningsrette. Videre, ved å gjøre bootstrapping, så kunne vi se at KNN produserer stabile estimater, mens CNN produserer estimater med høy varians. Den høye variansen kan skyldes den begrensede størrelsen på datasettet. I eksempelstudien fikk vi ikke til å oppgi et eksakt tidspunkt for når verdien av en seismisk undersøkelse vil være størst, men vi fikk til å oppgi et redusert tidsintervall hvor det er sannsynlig at den største verdien ligger. |
---|