탄소 포집, 활용 및 저장(Carbon Capture, Utilization and Storage, 약칭 CCUS)은 탄소 중립을 실현하는 핵심 기술이다. CO₂를 통해 석유 및 가스 회수율을 향상시키고 지질 저장을 통해 에너지 생산 증대와 CO₂ 배출 감소라는 이중 효과를 실현한다. 그러나 CCUS 기술은 대규모 적용 시 엔지니어링 설계 및 위험 평가 등 기술적 도전에 직면해 있다. 전통적인 해결 방법은 경험식, 실험 검증 및 물리적 모델에 의존하며, 복잡한 시스템을 처리할 때 계산 효율성이 낮고 모델 정확도가 부족하며 다차원 결합 문제 처리가 어렵다. 머신러닝(Machine Learning, 약칭 ML)은 강력한 데이터 기반 분석 능력과 적응형 최적화 특성을 바탕으로 고정밀 예측 모델을 학습시키고 운영 매개변수를 최적화하며 저장소 유체 거동 예측, 누출 위험 평가 등을 수행하여 복잡한 시스템의 실시간 모니터링과 지능형 의사결정을 실현해 CCUS 기술의 안전성과 경제성을 향상시킨다. 본 연구는 CO₂에 의한 석유 및 가스 회수율 향상과 지질 저장 분야에서의 ML 적용을 체계적으로 정리하였다. CO₂를 이용한 석유 및 가스 회수율 향상 분야에서는 유동 메커니즘 모델링, 우물망 설계 최적화, 생산 예측 및 평가, 다목적 최적화, 최소 혼상 압력 예측, 가스 흡착 곡선 예측, CO₂-CH₄ 확산 평가 등을 포함하며; CO₂ 지질 저장 분야에서는 저장소 선택, CO₂ 용해 및 확산 메커니즘 연구, 지질 저장 효과 예측, 위험 평가 등을 포함한다. ML은 예측 정확도 향상, 운영 매개변수 최적화, 계산 효율성 향상 등에서 뚜렷한 이점을 보여주었으며, 저장소 선택, 가스 흡착 예측, 저장 효과 예측 등 핵심 분야에서 중요한 진전을 이루었으나 복잡한 지질 환경에 대한 적응성, 모델 일반성, 동적 데이터 처리 능력, 물리적 해석력 등은 여전히 개선이 필요하다.

머신러닝;지능형 알고리즘;CCUS(탄소 포집, 활용 및 저장);석유 및 가스 회수율 향상;지질 저장