本发明涉及水文地质、碳减排和深度学习交叉领域，具体涉及一种基于贝叶斯深度学习替代模型对co2地质封存多相流数值模型进行高效不确定性分析的方法。
背景技术：
1、co2地质封存(gcs, geological carbon storage)是一种将co2注入深部含水层中永久封存的技术手段，可有效减少温室气体的排放。co2地质封存过程涉及百十公里级的空间尺度和百十年的时间尺度，所以数值模拟方法成为研究co2注入后在地层中迁移归趋的重要工具，且co2在储层中以难溶于水的超临界(supercritical)气相存在，形成co2-水多相流系统，因此，涉及较大时空尺度的co2地质封存数值模型是一种求解计算量大的多相流模型。准确模拟co2的迁移归趋，需要详细刻画储层的水文地质参数（如渗透率、孔隙度等）。然而，由于介质本身的非均质性以及观测数据缺乏，对储层水文地质参数的刻画通常存在较大的不确定性，会对co2羽流迁移分布的模拟带来较大影响。所以对co2羽流在地下储层中的运移进行不确定性分析是十分必要的，这在研究co2的迁移归趋以及评估封存安全性等方面具有重要意义。
2、但是对碳封存多相流数值模型进行不确定性分析需要大量反复运行求解时间长的数值模型，计算多种可能水文地质参数分布情景下co2迁移和分布的结果，导致巨大的计算负荷。基于替代模型的不确定性分析方法作为一种高效的解决方案，可近似数值模型的输入-输出函数关系，在进行不确定性分析时，可用计算成本很小的替代模型取代数值模型进行运算，从而显著减少不确定性分析的计算负荷。
3、然而，基于替代模型的不确定性分析方法在实际应用中仍然存在着诸多挑战。首先是已有研究通常假定含水层的水文地质参数场（如渗透率场）为高斯分布，但野外许多实际含水层通常包含性质迥异的多种沉积岩相，其水文地质参数呈现显著的非高斯分布特性。这类非高斯分布的含水层，co2在注入后会呈现高度不规则的迁移路径和分布特征，这给建立准确的替代模型造成了巨大挑战。其次，由于训练数据有限，替代模型的计算结果本身也存在不确定性，而已有替代模型方法常常忽略这一不确定性，导致无法量化基于替代模型计算得到的不确定性分析结果的可靠性。
技术实现思路
1、本发明目的在于，克服现有技术存在的技术缺陷，提供一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，该方法首先利用灰色关联分析法确定co2饱和度分布场的最优影响因素集合，并通过构建贝叶斯深度学习替代模型，学习复杂非高斯含水层情景下碳封存多相流数值模型的高维复杂输入-输出映射关系，显著减少不确定性分析的计算负荷，并量化基于替代模型不确定性分析计算结果的置信区间，从而为实际co2地质封存工程的优化设计提供理论基础和技术支撑。
2、本发明采用如下技术方案：一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，包括如下步骤：
3、确定碳封存场址的研究区域，收集场址相关的水文地质数据并利用灰色关联分析确定co2饱和度分布场的最优影响因素集合；所述水文地质数据包括地质钻孔所反映的目标储层埋藏深度、温度、压强、厚度、盐度、岩层参数（岩相比例、渗透率、各向异性比）及孔隙介质参数（孔隙度、毛细管压力、孔隙分布指数）等；所述co2饱和度分布场的影响因素包括所述水文地质数据中的岩层渗透率、各向异性比、孔隙度、毛细管压力、孔隙分布指数等；
4、基于收集的所述场址相关的水文地质数据和co2饱和度分布场的最优影响因素集合，利用水文地质模拟方法生成最优影响因素集合对应的分布数据集；所述水文地质模拟方法包括模拟软件tprogs、gms、visual modflow等，不同的co2饱和度分布场的影响因素通过相应的水文地质模拟软件进行模拟；
5、基于所确定的研究区域和收集的所述场址相关的水文地质数据，利用多相流数值模拟软件构建co2地质封存多相流数值模型，模拟co2注入后的羽流迁移过程和分布；
6、将所述最优影响因素集合对应的分布数据集输入至所述co2地质封存多相流数值模型，计算co2饱和度分布场，得到输入-输出样本集；
7、将所述输入-输出样本集随机划分为训练样本集和测试样本集，利用所述训练样本集和测试样本集，训练贝叶斯深度学习替代模型；所述训练样本集用于优化训练贝叶斯深度学习替代模型，所述测试样本集用于评估贝叶斯深度学习替代模型的预测精度；
8、基于所述测试样本集中的输入样本，利用所述贝叶斯深度学习替代模型计算相应co2饱和度分布场；
9、基于所述贝叶斯深度学习替代模型获得的co2饱和度分布场样本，计算co2饱和度分布不确定性的相应统计指标，评估碳封存场址中co2注入后羽流分布的不确定性，并利用贝叶斯深度学习替代模型可量化预测不确定性的能力，评估均值场计算结果的不确定性和概率密度分布指标计算结果的置信区间。
10、其中，tprogs (transition probability geostatistical software)软件是一套fortran计算机程序，采用转移概率/马尔可夫链方法，可以根据已知地质钻孔数据对地质单元体、岩相等地质参数的空间分布进行地质统计学分析和模拟。
11、gms (groundwater modeling system) 是一个地下水数值模拟的软件平台，可通过地质统计学方法生成所需地质属性数据，并对地下多相流进行流场和溶质运移模拟及污染物的风险评价。
12、visual modflow是一套三维地下水流和溶质运移模拟评价的标准可视化专业软件系统，可使用钻孔测井数据轻松定义复杂的地质模型属性（如渗透率、孔隙度等），在环境保护、水资源利用管理等行业得到了广泛应用。
13、多相流数值模拟软件具体是tough2(transport of unsaturated groundwaterand heat)/eco2n，eco2n模块是tough2模拟器的流体特性模块，专门为咸水含水层中的co2地质封存工程而设计，可以对h2o-nacl-co2混合物的热力学和热物理性质进行全面而准确的描述。
14、优选的，选择非均质渗透率场数据作为参考序列，其他影响因素数据作为子序列，采用所述灰色关联分析法计算co2饱和度分布场各影响因素之间的关联度，剔除关联度小于阈值的co2饱和度分布场影响因素，得到所述co2饱和度分布场的最优影响因素集合。若不存在最优影响因素集合则以非均质渗透率场作为co2饱和度分布场最优影响因素；
15、所述非均质渗透率场是含水层中各处的渗透率值在地质统计意义上随空间坐标变化而变化的渗透率值集合。根据文献调研，研究发现非均质渗透率场是研究co2饱和度分布场必不可少的影响因素指标，因此选择非均质渗透率场数据作为参考序列来研究co2饱和度分布场其他影响因素与非均质渗透率场之间的关联度。
16、优选的，基于所述训练样本集以最优影响因素集合对应的分布数据集为输入，不同时刻co2饱和度场为输出，对贝叶斯深度学习替代模型进行训练；
17、基于所述测试样本集，利用训练样本集训练的贝叶斯深度学习替代模型预测co2饱和度分布场的决定系数( r2)和均方根误差(rmse)精度，判断所述决定系数( r2)和所述均方根误差(rmse)是否满足预设精度要求，若满足则表明贝叶斯深度学习替代模型训练完成，否则继续利用训练样本集优化调整模型参数，直至训练的贝叶斯深度学习替代模型满足预设精度要求。
18、优选的，所述最优影响因素集合对应的分布数据集以图片的形式输入至所述贝叶斯深度学习替代模型，经过一系列的非线性变换层将所述贝叶斯深度学习替代模型网络内提取的最优影响因素集合对应的分布数据集对应的特征面尺寸先逐渐减半以提取高维特征，并依次恢复至原始尺寸，进而也以图片的形式输出多个时刻的co2饱和度分布场。
19、优选的，所述贝叶斯深度学习替代模型网络由多个隐含层组成，网络的关键架构为集成残差密集块(irdb, integrated residual dense block)，每个irdb由3个残差密集块(rdb, residual dense blocks)组成, 每个rdb包含5个内部卷积层，每个卷积层包括批量归一化(bn, batch normalization)，mish非线性激活函数和卷积(conv, convolution)操作。集成残差密集块充分利用了其密集连接和残差学习的特点，可以增加网络内信息流的传播，缓解训练复杂网络的负担，进而提高贝叶斯深度学习替代模型的预测性能。
20、优选的，所述贝叶斯深度学习替代模型网络结构中最后一层使用sigmoid激活函数以确保预测的co2饱和度在0-1之间。
21、优选的，对所述贝叶斯深度学习替代模型利用svgd贝叶斯推理算法进行训练，将待训练的替代模型参数 θ视作不确定参数，基于 ns组不同模型参数 θ得到 ns组不同的替代模型预测结果，从而量化所述贝叶斯深度学习替代模型预测结果的不确定性。
22、优选的，所述决定系数( r2)精度计算公式：
23、；
24、所述均方根误差(rmse)精度的计算公式：
25、 ；
26、式中， n 是样本数，代表碳封存数值模型计算结果，代表贝叶斯深度学习替代模型计算结果，并且代表 n个碳封存数值模型计算结果的平均值，。
27、优选的，所述预设精度要求是基于测试样本集的贝叶斯深度神经网络的决定系数 r2≥α和均方根误差rmse≤β，α、β为预设值。
28、优选的，所述co2饱和度分布不确定性的相应统计指标包括均值、方差和概率密度分布；其中，均值统计指标的计算公式为：
29、；
30、方差统计指标的计算公式为：
31、；
32、式中，代表不确定输入参数，代表输出变量，代表均值，代表方差，是输入参数在参数空间ω的概率取值函数，代表数值模型；
33、概率密度分布可表征指定参数空间内输出变量取值的统计分布规律，其计算方式可通过直接调用python或者c等编程语言中的现有函数而实现。
34、本发明所达到的有益效果：本发明通过灰色关联分析首先确定co2饱和度分布场的最优影响因素集合，然后利用一种贝叶斯深度学习替代模型有效地刻画出co2饱和度分布场的最优影响因素集合与不规则不连续co2羽流分布之间的复杂映射关系，构建的贝叶斯深度学习替代模型里包含集成残差密集块等结构，其具有密集连接和残差学习的特点，能够提高复杂co2饱和度场的预测结果精度。此外，本发明构建的贝叶斯深度学习替代模型通过svgd贝叶斯推理算法训练，还可以量化替代模型预测结果的不确定性，得到的替代模型预测结果可信度高。相比现有技术，本发明能更准确高效地预测复杂非高斯含水层中co2羽流的迁移分布，显著减少不确定性分析的计算负荷，大大提升了此类复杂多相流不确定性分析问题的计算效率，同时也为碳封存工程的优化设计和风险评估提供理论基础和技术支撑。
1.一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，其不确定性分析步骤包括：
2.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，选择非均质渗透率场数据作为参考序列，其他影响因素数据作为子序列，采用所述灰色关联分析法计算co2饱和度分布场各影响因素之间的关联度，剔除关联度小于阈值的co2饱和度分布场影响因素，得到所述co2饱和度分布场的最优影响因素集合。
3.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，基于所述训练样本集以最优影响因素集合对应的分布数据集为输入，不同时刻co2饱和度场为输出，对贝叶斯深度学习替代模型进行训练；
4.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，所述最优影响因素集合对应的分布数据集以图片的形式输入至所述贝叶斯深度学习替代模型，经过一系列的非线性变换层将所述贝叶斯深度学习替代模型网络内提取的最优影响因素集合对应的分布数据集对应的特征面尺寸先逐渐减半以提取高维特征，并依次恢复至原始尺寸，进而也以图片的形式输出多个时刻的co2饱和度分布场。
5.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，所述贝叶斯深度学习替代模型还包括集成残差密集块，所述集成残差密集块由3个残差密集块组成, 每个所述残差密集块包含5个内部卷积层，每个所述卷积层包括批量归一化，mish非线性激活函数和卷积操作。
6.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，所述贝叶斯深度学习替代模型网络结构中最后一层使用sigmoid激活函数以确保预测的co2饱和度在0-1之间。
7.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，对所述贝叶斯深度学习替代模型利用svgd贝叶斯推理算法进行训练，将待训练的替代模型参数θ视作不确定参数，基于ns组不同模型参数θ得到ns组不同的替代模型预测结果，从而量化所述贝叶斯深度学习替代模型预测结果的不确定性。
8.根据权利要求3所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，所述决定系数(r2)精度计算公式：
9.根据权利要求3所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，所述预设精度要求是基于测试样本集的贝叶斯深度神经网络的决定系数r2≥α和均方根误差rmse≤β，α和β为预设值。
10.根据权利要求1所述的一种基于贝叶斯深度学习的碳封存模型不确定性分析方法，其特征在于，所述co2饱和度分布不确定性的相应统计指标包括均值、方差和概率密度分布。
