La captura i emmagatzematge de carboni (CCS) s'ha convertit en una peça clau per assolir els objectius de neutralitat climàtica. Tanmateix, un dels grans reptes tècnics és predir com respondrà la superfície terrestre davant la injecció de CO₂ al subsòl. Les deformacions superficials poden comprometre la integritat dels jaciments i generar riscos operatius. Tradicionalment, aquestes prediccions requereixen simulacions numèriques extremadament costoses, amb models geomecànics de gran escala que demanden hores de càlcul i no sempre generalitzen bé a nous escenaris. Aquí és on sorgeix CarbonNet: un enfocament innovador basat en visió artificial que analitza imatges de la geometria del subsòl per estimar el desplaçament de la superfície. En lloc de resoldre equacions complexes, CarbonNet entrena models de deep learning directament sobre representacions visuals de les capes subterrànies, aconseguint prediccions ràpides i precises. Aquest article explora la tecnologia darrere de CarbonNet, compara diferents arquitectures (CNN, ResNet, ResNetUNet, LSTM i Transformer) i analitza com aquesta solució es pot integrar en projectes reals de CCS, de la mà de serveis tecnològics com els que ofereix Q2BSTUDIO.
El problema central és de naturalesa predictiva: donat un conjunt d'imatges que representen la geometria del subsòl (porositat, permeabilitat, estructures geològiques), necessitem anticipar el camp de desplaçament a la superfície. Això és essencial per monitorar la integritat de l'emmagatzematge i evitar fuites. Les solucions tradicionals empren mètodes d'elements finits o diferències finites, que són precisos però computacionalment prohibitius quan cal explorar múltiples escenaris d'injecció. CarbonNet proposa una alternativa radical: convertir el problema en un d'aprenentatge automàtic supervisat, on les imatges d'entrada són les propietats del subsòl i la sortida és una imatge del desplaçament superficial. Per a això, es va generar un dataset sintètic mitjançant simulacions geomecàniques, creant parells entrada-sortida que van permetre entrenar xarxes convolucionals i recurrències.
En l'escenari de mecànica estàtica, on la deformació no varia en el temps, es van avaluar tres arquitectures: CNN clàssica, ResNet i ResNetUNet. Els resultats van mostrar que ResNetUNet supera les altres gràcies a la seva capacitat per preservar detalls espacials fins mitjançant connexions de salt (skip connections), combinant característiques d'alt i baix nivell. Això és crucial perquè les deformacions superficials solen presentar patrons localitzats que una xarxa completament convolucional pot perdre. Per al cas transitori, on la injecció es produeix al llarg del temps i la deformació evoluciona, es van emprar LSTM i Transformer. Sorprenentment, LSTM va oferir un rendiment comparable al Transformer, una troballa rellevant perquè suggereix que per a seqüències geomecàniques relativament curtes, la memòria a llarg termini de les LSTM és suficient, sense necessitat de la complexitat atencional del Transformer. CarbonNet demostra així que la visió artificial pot reduir dràsticament el cost computacional sense sacrificar precisió.
La implementació de CarbonNet no és només un avenç acadèmic; té implicacions empresarials directes. Les empreses d'energia i tecnologia que operen en CCS necessiten eines àgils per a la presa de decisions. Aquí és on un soci tecnològic com Q2BSTUDIO pot marcar la diferència. Amb experiència en desenvolupament d'aplicacions a mida, intel·ligència artificial, ciberseguretat, cloud computing (AWS/Azure) i business intelligence (Power BI), Q2BSTUDIO ofereix les capacitats necessàries per industrialitzar CarbonNet. Per exemple, un projecte CCS podria requerir una plataforma al núvol que desplegui models de visió artificial de forma escalable, amb autenticació segura i panells de BI per visualitzar prediccions en temps real. A més, la integració d'agents IA (assistents intel·ligents) permetria als enginyers consultar escenaris hipotètics mitjançant llenguatge natural, accelerant l'anàlisi predictiva.
CarbonNet representa un canvi de paradigma en la geomecànica computacional. En aprofitar el poder de les xarxes neuronals i la visió artificial, s'elimina la necessitat de resoldre equacions diferencials cada cop que s'avalua un nou punt d'injecció. Els models entrenats poden generalitzar a configuracions geològiques no vistes, sempre que el dataset sintètic sigui prou representatiu. Això obre la porta a estudis de sensibilitat ràpids, optimització de paràmetres d'injecció i monitoratge continu. Des de la perspectiva de negoci, l'adopció d'aquestes tècniques redueix els temps de simulació de setmanes a minuts, cosa que es tradueix en estalvis significatius en costos operatius i una millor capacitat de resposta davant desviacions del pla.
Per descomptat, hi ha reptes pendents. La qualitat de les prediccions depèn en gran mesura de la fidelitat del dataset sintètic, i la generalització a camps reals requereix validació amb dades de camp. A més, la interpretabilitat dels models continua sent una àrea activa d'investigació: els enginyers geomecànics necessiten entendre per què el model prediu una certa deformació, no només el valor numèric. Aquí la combinació de tècniques explicables (XAI) amb dashboards de BI pot proporcionar transparència. Q2BSTUDIO, amb la seva oferta en Business Intelligence i automatització de processos, pot ajudar a construir aquestes capes d'interpretació, integrant les prediccions de CarbonNet en sistemes de suport a la decisió.
En conclusió, CarbonNet demostra que la visió artificial és una eina viable i potent per predir deformacions superficials en projectes de CCS. La seva capacitat per processar imatges del subsòl i generar mapes de desplaçament en qüestió de segons la converteix en un habilitador clau per al monitoratge en temps real i la presa de decisions àgil. Les empreses que busquin implementar solucions similars poden beneficiar-se de l'ecosistema de serveis de Q2BSTUDIO, que abasta des del desenvolupament d'aplicacions a mida fins a la seguretat al núvol i la intel·ligència artificial. CarbonNet no és només un concepte; és l'inici d'una nova generació d'eines geomecàniques basades en dades, on la velocitat i la precisió van de la mà.
