炭素回収・利用・貯留（Carbon Capture, Utilization and Storage、略称CCUS）はカーボンニュートラルを実現するための重要技術である。CO₂を用いて石油・ガスの回収率を向上させ、地質貯留によりエネルギー増産とCO₂排出削減という二重の効果を実現する。しかし、CCUS技術は大規模な適用において工学設計やリスク評価などの技術的課題に直面している。従来の解決方法は経験式、実験検証、物理モデルに依存しており、複雑なシステムの処理において計算効率が低く、モデル精度が不十分であり、多次元の相互作用問題の処理が困難である。機械学習（Machine Learning、略称ML）は強力なデータ駆動型解析能力と適応的最適化特性により、高精度予測モデルを訓練し、操作パラメーターの最適化、貯留層内流体挙動の予測、漏洩リスクの評価などを実現し、複雑なシステムのリアルタイム監視と知的意思決定を可能にしてCCUS技術の安全性と経済性を向上させる。本研究はCO₂を用いた石油・ガス回収率向上と地質貯留におけるMLの応用を体系的に整理した。CO₂による石油・ガス回収率向上分野では、浸透流メカニズムのモデリング、井戸網設計の最適化、生産予測・評価、多目的最適化、最小混相圧の予測、気体吸着曲線の予測、CO₂-CH₄拡散の評価などを含み、地質貯留分野では貯留層選択、CO₂の溶解・拡散機構研究、地質貯留効果予測、リスク評価などが含まれる。MLは予測精度の向上、操作パラメーターの最適化、計算効率の向上に顕著な優位性を示し、貯留層選択、ガス吸着予測、貯留効果予測など重要な分野で重要な進展を遂げているが、複雑な地質シナリオにおける適応性、モデルの汎用性、動的データ処理能力、物理的解釈性にはまだ改善の余地がある。

機械学習;インテリジェントアルゴリズム;CCUS（炭素回収・利用・貯留）;石油・ガス回収率向上;地質貯留