Captura, utilização e armazenamento de carbono (Carbon Capture, Utilization and Storage, abreviado CCUS) é uma tecnologia chave para alcançar a neutralidade de carbono. Através do uso de CO₂ para aumentar a recuperação de petróleo e gás e armazenamento geológico, obtém-se o duplo benefício de aumento da produção de energia e redução das emissões de CO₂. No entanto, a tecnologia CCUS enfrenta desafios técnicos no design de engenharia e avaliação de riscos na aplicação em larga escala. Métodos tradicionais dependem de fórmulas empíricas, validação experimental e modelos físicos, que ao lidar com sistemas complexos apresentam baixa eficiência computacional, precisão insuficiente do modelo e dificuldade para tratar problemas de acoplamentos multidimensionais. O aprendizado de máquina (Machine Learning, abreviado ML), com sua poderosa capacidade de análise orientada a dados e características de otimização adaptativa, pode treinar modelos preditivos de alta precisão, otimizar parâmetros operacionais, prever o comportamento dos fluidos nos reservatórios, avaliar riscos de vazamento, etc., realizando monitoramento em tempo real e tomada de decisões inteligentes para sistemas complexos, aumentando a segurança e a economicidade da tecnologia CCUS. O estudo sistematiza as aplicações do ML no aumento da recuperação de petróleo e gás com CO₂ e no armazenamento geológico. Na recuperação com CO₂, cobre a modelagem dos mecanismos de fluxo, otimização do design da rede de poços, previsão e avaliação da produção, otimização multiobjetivo, previsão da pressão mínima miscível, previsão das curvas de adsorção de gás, avaliação da difusão CO₂-CH₄, etc.; no armazenamento geológico de CO₂, inclui seleção de reservatórios, estudo dos mecanismos de dissolução e difusão do CO₂, previsão da eficácia do armazenamento geológico, avaliação de riscos, etc. O ML demonstra vantagens significativas em aumentar a precisão das previsões, otimizar parâmetros operacionais e melhorar a eficiência computacional, alcançando progressos importantes em áreas chave como seleção de reservatórios, previsão de adsorção de gás e previsão da eficácia do armazenamento, mas ainda há melhorias a serem feitas na adaptabilidade a cenários geológicos complexos, generalização de modelos, tratamento dinâmico de dados e interpretabilidade física.

aprendizado de máquina;algoritmos inteligentes;CCUS (captura, utilização e armazenamento de carbono);melhoria da recuperação de petróleo e gás;armazenamento geológico