多模态自回归Transformer代理模型：为地质碳封存中的变操作建模与不确定性量化提供新方案
在应对全球气候变化的诸多技术路径中，地质碳封存（Geological Carbon Storage, GCS）被视为一项关键的减排手段。然而，如何高效、安全地将二氧化碳注入地下并长期封存，仍是极具挑战的工程问题。斯坦福大学研究团队近期发布的一项研究，提出了一种基于多模态自回归Transformer的代理模型，旨在为复杂地质条件下的碳封存操作提供更精准的预测与不确定性量化工具。相关论文已提交至arXiv（编号：2608.02629）。
应对复杂地质与动态操作的双重挑战
实际碳封存工程中，注入井的射孔策略和注入速率往往需要动态调整，以优化封存效率并控制地层压力。同时，地下地质结构（如断层、多层含水层）存在显著不确定性，这给传统数值模拟带来了巨大计算负担。传统高保真模拟器（如GEOS）虽然精确，但单次模拟耗时巨大，难以支撑实时决策与大规模不确定性分析。
多模态Transformer代理模型的核心设计
研究团队开发的代理模型，采用多模态自回归Transformer架构，能够同时处理三类异质输入：
- 三维地质模型：刻画断层、含水层等空间结构；
- 标量参数：描述相对渗透率函数等岩石物理性质；
- 控制变量：包括各注入井的分阶段射孔时长与注入速率。
这些输入通过各自的编码器提取特征，并在Transformer编码器中通过自注意力机制进行融合。随后，时间解码器通过编码器-解码器交叉注意力，自回归地生成未来时间步的预测结果。这种设计使得模型能够捕捉操作策略与地质响应之间的时序依赖关系。
训练与性能：兼顾精度与关键动态行为
研究基于一个修改后的SEAM CO2地质模型，该模型包含断层系统与三层叠置含水层，两口注入井自下而上分段射孔。团队利用4000次GEOS流动模拟生成训练数据，预测内容包括监测点处的饱和度与压力、总注入CO2质量、可动CO2质量以及饱和度足迹（saturation footprints）。
在随机采样的地质模型与控制变量组成的测试集上，模型表现亮眼：
- 中位饱和度平均绝对误差（MAE）为0.028；
- 其他目标量的中位相对误差在**0.2%至5%**之间。
更值得关注的是，模型能够准确捕捉从速率控制到井底压力控制的转换行为，这是碳封存操作中的一个关键动态特征。
不确定性量化的实际应用
为验证其实用价值，研究团队将代理模型嵌入层次马尔可夫链蒙特卡洛（MCMC）数据同化流程，针对一个合成真实模型，在三种不同操作策略下进行不确定性反演。结果表明，该方法能显著降低关键元参数（尤其是断层渗透率）的不确定性，且后验预测的饱和度足迹、总注入CO2质量与可动CO2质量均与真实模型结果高度一致。
意义与展望
这项研究展示了Transformer架构在科学计算中的巨大潜力。通过将深度学习与物理模拟相结合，代理模型不仅大幅降低了计算成本，还保留了处理复杂地质与操作条件的能力。未来，这类模型有望应用于实时监测、方案优化以及碳封存项目的风险管理中，为大规模CCS（碳捕集与封存）部署提供技术支撑。不过，研究目前基于合成模型，实际工程应用仍需进一步验证，但这一方向无疑为碳封存领域的人工智能应用开辟了新的路径。
