Modellazione del flusso di CO2 nei pozzi di iniezione per progetti di stoccaggio

Abstract Carbon Capture and Storage (CCS) is one of the technology to mitigate the climate change, since greenhouse gases play a significant role in changes of the climate. CCS operations rely on the injection wells as the primary conduit for delivering CO2 into underground storage formations, where it will be safely trapped in underground formations for geological timescales. The performance and integrity of these wells directly depend on robust injection strategies that account for the appropriate management of the pressure and temperature in the wellbore. Therefore, monitoring the well is a key factor to ensure the reliability and safety of the entire CCS project, as excessive pressure may cause phase transition of the fluid and damage equipment or reduce injectivity. Effective monitoring of the CO2 injection is essential for operational safety, regulatory compliance, and storage verification. However, traditional monitoring approaches face significant challenges, including harsh downhole environments that would compromise gauge reliability and limitations in conventional simulation tools. This thesis investigates on the application of the usage of Machine Learning in order to enhance the Monitoring of the CCS projects, by focusing on having accurate prediction of flowing bottom hole pressure using surface measurements. In this work an evaluation of industry standard tools for multiphase simulation tools like Prosper ™ (Petroleum Expert) and OLGA™ (slb) has been done that demonstrates their respective limitations for CO2 applications, particularly when it comes to capturing transient behavior and phase transitions of the fluid. Through analysis of the real time data, the study establishes that physics-based simulation can provide valuable training data gather from OLGA simulations for machine learning models when they have been properly calibrated against field measurements. A comprehensive machine learning methodology has been developed, involving robust data preprocessing using Median Absolute Deviation (MAD) techniques and feature engineering to capture physical phenomena. and a comparison analysis of other algorithms. Among the tested algorithms, Random Forest demonstrated the highest predictive accuracy, surpassing Support Vector Regression, Linear Regression, and Gradient Boosting. Moreover, the implementation of an ensemble approach, integrating multiple algorithms, provided further improvements in the model’s predictive performance. The research extends beyond theoretical performance to address practical implementation challenges, documenting a successful real-time virtual sensing system. A lengthy operational evaluation confirmed its consistent and reliable performance. The methodology and results offer a framework for implementation at other CCS operations, with recommendations for data requirements, model selection, operational integration, and continuous improvement processes. The thesis concludes by identifying promising future directions, such as bottom hole pressure prediction, anomaly detection for well integrity monitoring, and integration with reservoir-scale models. This work advances CCS monitoring technology by establishing machine learning-based virtual sensing as a valuable complement to physical instrumentation, improving system redundancy and operational visibility. Keywords: Carbon Capture and Storage, Machine Learning, Virtual Sensing, Support Vector Regression, Random Forest, CO2 Monitoring, Ensemble Models

Abstract La cattura e lo stoccaggio del carbonio (CCS) è una delle tecnologie per mitigare i cambiamenti climatici, poiché i gas serra svolgono un ruolo significativo nelle variazioni climatiche. Le operazioni CCS si basano sui pozzi di iniezione come principale canale per l'immissione di CO2 in formazioni di stoccaggio sotterranee, dove verrà intrappolata in modo sicuro per periodi geologici. Le prestazioni e l'integrità di questi pozzi dipendono direttamente da strategie di iniezione robuste che tengano conto della corretta gestione della pressione e della temperatura nel pozzo. Pertanto, il monitoraggio del pozzo è un fattore chiave per garantire l'affidabilità e la sicurezza dell'intero progetto CCS, poiché una pressione eccessiva può causare transizioni di fase del fluido e danneggiare le apparecchiature o ridurre l'iniettività. Un monitoraggio efficace dell'iniezione di CO2 è essenziale per la sicurezza operativa, la conformità normativa e la verifica dello stoccaggio. Tuttavia, gli approcci di monitoraggio tradizionali presentano sfide significative, tra cui gli ambienti ostili in profondità che comprometterebbero l'affidabilità dei misuratori e le limitazioni degli strumenti di simulazione convenzionali. Questa tesi indaga sull'applicazione dell'apprendimento automatico (Machine Learning) per migliorare il monitoraggio dei progetti CCS, concentrandosi sulla previsione accurata della pressione di fondo pozzo utilizzando misurazioni di superficie. In questo lavoro è stata effettuata una valutazione degli strumenti standard del settore per la simulazione multifase, come Prosper™ (Petroleum Expert) e OLGA™ (slb), che ne dimostra i rispettivi limiti per le applicazioni con CO2, in particolare per quanto riguarda la cattura del comportamento transitorio e delle transizioni di fase del fluido. Attraverso l'analisi dei dati in tempo reale, lo studio dimostra che la simulazione basata sulla fisica può fornire dati di addestramento preziosi, ottenuti da simulazioni OLGA, per i modelli di apprendimento automatico, a condizione che siano stati opportunamente calibrati rispetto alle misurazioni sul campo. È stata sviluppata una metodologia completa di apprendimento automatico, che prevede una robusta preelaborazione dei dati utilizzando tecniche di deviazione assoluta mediana (MAD) e l'ingegneria delle caratteristiche per catturare i fenomeni fisici, e un'analisi comparativa di altri algoritmi. Tra gli algoritmi testati, Random Forest ha dimostrato la massima accuratezza predittiva, superando Support Vector Regression, Linear Regression e Gradient Boosting. Inoltre, l'implementazione di un approccio ensemble, che integra più algoritmi, ha fornito ulteriori miglioramenti nelle prestazioni predittive del modello. La ricerca va oltre le prestazioni teoriche per affrontare le sfide pratiche di implementazione, documentando un sistema di rilevamento virtuale in tempo reale di successo. Una lunga valutazione operativa ha confermato le sue prestazioni costanti e affidabili. La metodologia e i risultati offrono un quadro di riferimento per l'implementazione in altre operazioni CCS, con raccomandazioni per i requisiti dei dati, la selezione del modello, l'integrazione operativa e i processi di miglioramento continuo. La tesi si conclude individuando promettenti direzioni future, come la previsione della pressione di fondo pozzo, il rilevamento di anomalie per il monitoraggio dell'integrità del pozzo e l'integrazione con modelli su scala di giacimento. Questo lavoro fa progredire la tecnologia di monitoraggio CCS, stabilendo il rilevamento virtuale basato sull'apprendimento automatico come un valido complemento alla strumentazione fisica, migliorando la ridondanza del sistema e la visibilità operativa. Parole chiave: Cattura e stoccaggio del carbonio, apprendimento automatico, rilevamento virtuale, regressione vettoriale di supporto, foresta casuale, monitoraggio della CO2, modelli ensemble