Budapest University of Technology and EconomicsFaculty of Civil Engineering - Since 1782

A közelmúltbeli éghajlatváltozás az egyik legsúlyosabb kihívás, amellyel társadalmunk világszerte szembesül. A globális felmelegedés elsődleges oka az üvegházhatású gázok kibocsátása. A szén-dioxid (CO₂) a globális üvegházhatású gázkibocsátás körülbelül 72%-át teszi ki, és a globális felmelegedés fő okozója. A szén-dioxid megkötése és mély geológiai formációkban való tárolására (Carbon capture and storage - CCS) egy olyan megoldást jelent, amely csökkenti a légkörből származó szén-dioxid csökkentésére. Az olyan geológiai problémák, mint a fedőkőzet repedése, törésvonalak újraéledése, süllyedés és indukált szeizmicitás jelentős veszélyt jelentenek a CCS hosszú távú biztonságára. A hagyományos megközelítés ezen kockázatok értékelésére terepi vizsgálatokat, laboratóriumi teszteket és numerikus modellezést foglal magában. Ez a folyamat azonban nehézkes és időigényes, ezért kihívást jelent a valós idejű alkalmazásokban. Ráadásul a CO₂-befecskendezés során egy igen összetett, többféle adatforrásból származó mérnökgeológiai paraméterek adathalmaza gyűlik össze, amelyben a kőzetek fizikai paraméterei mellett geológiai jellemzők is megtalálhatók. Hasznos információk kinyerése ilyen nagy adathalmazból hagyományos statisztikai módszerekkel rendkívül nehéz. A hagyományos módszerekkel nehéz lekövetni az adatok összetettségét és mennyiségét, ezért az adatok nagy része elveszhet vagy nem hasznosul A mesterséges intelligencia (MI) alkalmazása egy olyan újszerű megoldást jelent, amely csökkenti ezt az adatvesztést és segít a meghatározó paraméterek összeállításában. Az MI optimalizálhatja a munkafolyamatokat és feltárhatja az adatokban rejlő mintázatokat, amelyeket hagyományos statisztikai módszerekkel nehéz azonosítani. Az MI és a gépi tanulás technikáit már alkalmazták a mélyben található földtani tárolók jellemzésére, helyszínválasztásra, csapdázási mechanizmusokra, befecskendezés optimalizálására, a CO₂-oldhatóság előrejelzésére. Ugyanakkor nagyon kevés kutatás foglalkozik az MI alkalmazásával a kőzetek és talaj mechanikai viselkedésének meghatározásával a CCS rendszereknél. Ezt a hiányt próbálja pótolni a jelen kutatás, amely azt próbálja feltárni, hogy milyen további vizsgálatokra van szükség az MI-alapú modellek alkalmazásában, a befogadó kőzet és környezete, a szén-dioxid-és kőzet-kölcsönhatás témakörében. Elsősorban a kőzetek mérnökgeológiai viselkedésének értékelésére koncentrál a doktori téma; célja a CCS-tárolás biztonságának növelése és egy megbízhatóbb kőzet környezet előre jelzése.

***

Recent climate change is one of the most severe challenges faced by our society worldwide. The primary reason for global warming is greenhouse gas emissions. Carbon dioxide (CO₂) accounts for approximately 72 % of global greenhouse gas emissions and is the main culprit of global warming. Carbon capture and storage (CCS) has emerged as a viable option to reduce carbon dioxide from the atmosphere. Geological problems such as caprock fracturing, fault activation, subsidence, and induced seismicity pose a significant threat to the long-term safety of CCS. The traditional approach to evaluating these risks involves field investigations, laboratory testing, and numerical modelling. However, the process is cumbersome and time-consuming, therefore brings challenges in real-time applications. Moreover, a large complex multimodal data sets collected during CO₂ injection. Extracting useful information from such a large data set is very difficult with conventional statistical methods. The traditional tools cannot keep up with the complexity and volume; therefore, much of the data goes underutilized. Artificial Intelligence (AI) techniques offer a transformative solution to overcome these limitations. AI can optimize the workflows and uncover the hidden patterns in data, which we are unable to do with traditional methods. AI and machine learning techniques have been applied for reservoir characterization, site screening, trapping mechanisms, injection optimization, prediction of CO₂ solubility. However, very limited research exists on the application of AI to ascertain the mechanical behavior of rocks and soil in CCS. This research gap highlights the need for further studies on the application of AI-driven models to assess post-sequestration geomechanical behavior of geological formations to ensure safe and secure CCS projects.