Tilbake til søkeresultatene

CLIMIT-Forskning, utvikling og demo av CO2-håndtering

Bayesian monitoring design.

Alternativ tittel: Bayesisk monitorerings design.

Tildelt: kr 6,6 mill.

CO2 håndtering er en teknologi som har som formål å fange CO2 og lagre den isolert fra atmosfæren. Dermed er denne teknologien sett på som et av flere bidrag i det grønne skiftet som er nødvendig for å oppnå 1.5oC målet satt i Parisavtalen. Den mest hensiktsmessige lagringen vil være i geologiske formasjoner langt under bakken, for Norge sin del formasjoner under Nordsjøen. De første lagringsprosjektene vil kunne velge de aller beste og trygge formasjonene. Skal CO2-lagring bli et effektivt klimatiltak må det lagres av milliarder av tonn. Sannsynligvis må vi derfor ty til lagring i geologiske formasjoner som ikke er heilt optimale og det kan gi en økt risiko for lekkasje. I tillegg til dette, det marine miljøet er allerede stresset, blant annet grunnet den pågående forsuringen, og et lagringsprosjekt kan få skylden for miljøendringer som skyldes andre faktorer. Derfor bør vi være føre var og utvikle gode verktøy for miljøovervåking før lagring i stor skala blir en realitet. Miljøovervåkning er også påkrevd av nasjonale og internasjonale avtaler og regelverk. Området som må overvåkes vil være stort, CO2 kan nå sjøbunnen langt borte fra injeksjonsstedet, og signalet fra en lekkasje vil muligens kamufleres i den naturlige variasjonen. CO2 er naturlig tilstede i havet og varierer med sesong, fra f.eks biologisk aktivitet, og det er en generell forsuring av havet. En utfordring er dermed å gjenkjenne signalet fra en lekkasje i denne naturlige variasjonen. Spesielt falske alarmer, som vil mobilisere ytterligere ressurser for å bekrefte/avkrefte at en lekkasje pågår, kan bli kostbare og bør unngås. Aktiviteter i Nordsjøen er kostbare og sjøvannet sliter på instrumenter. Det er derfor viktig at overvåkningsprogrammet er effektivt, men at det har tilstrekkelig omfang til å oppdage lekkasjer. BayMoDe adresserte utforming av overvåkingsprogrammer for å oppdage uregelmessigheter i det marine miljøet som indikasjoner på lekkasje. Metodikk fra Bayesisk statistikk åpner for kvantifisering av usikkerhet, som minimeres under planlegging og sikrer at alarmer blir reelle indikasjoner på lekkasje. Underliggende deler av rammeverket vil være rutiner for å bygge tilstrekkelig miljøstatistikk og forutsi hvordan en lekkasje vil arte seg. Spesielt er maskinlæringsmetoder for å klassifisere signaler blitt undersøkt. Prosjektet hadde partnere fra Storbritannia (Plymouth Marine Laboratory og Heriot-Watt University) og Norge (NORCE og Universitetet i Bergen). I tillegg arbeidet vi tett med HORIZON2020 prosjektet STEMM-CCS (http://stemm-ccs.eu), som blant annet etablerte miljøstatistikk fra Goldeneye området utenfor Skottland. Utslippsforsøket som ble gjennomført i mai 2019 vil også bringe ny kunnskap om hvordan CO2 vil bevege seg igjennom sedimentene og inn i vannsøylen. Dette er data som vil bli nyttige i det videre arbeidet. BayMoDe prosjektet bidrog sterkt til økt modellerings aktivitet i STEMM-CCS prosjektet, alle partnere i BayMode var også involvert i STEMM-CCS. Spesielt har vi sett på hvordan miljømålinger og modeller kan kombineres for å etablere miljøstatistikk, og hvordan modeller kan forutsi hvordan en lekkasje vil arte seg i vannsøylen. Kombinert vil disse gjøre det mulig å oppdage spor fra lekkasjer. Vi har benyttet metoder fra Bayesisk statistikk, inkludert maskinlæringsteknikker, i arbeidet. Resultater fra prosjektet har blitt presentert på IEAGHG sine nettverksmøter og ved GHGT13 i 2106, med påfølgende konferanseartikkel. Prosjektet deltok også på fire arbeider ved GHGT14 høsten 2018, med påfølgende konferanseartikler. I tillegg har prosjektleder vært aktiv på Oljedirektoratets sitt CO2-lagringsforum . I mai 2017 ble det arrangert et tverrfaglig møte om marin forvaltning i Bergen. Møtet hadde deltagere fra forskjellige disipliner innen havforskning, forvaltning, og industri, og diskuterte utfordringer i forvaltning av havområdene. Møtet hadde internasjonale deltagere fra Japan og UK. Som en oppfølging var vi også med på å arrangere et arbeidsmøte, "Linking Local Responsible Research and Innovation for Global Sustainable Marine and Maritime Research", under Bærekraftkonferansen ved UiB i 2018. I februar 2020 arrangerte Universitetet i Bergen den fjerde i rekken av «International Workshop on Offshore Geologic CO2 Storage» sammen med «STEMM-CCS Open Science Meeting» i Bergen. BayMoDe prosjektet var viktig for å kunne trekke dette møtet til Bergen. Baymode har, med sitt relativt beskjedne budsjett, bidratt til at vi har kunnet holde et synlig aktivitetsnivå rundt miljøovervåkning i forbindelse med offshore lagring av CO2. Prosjektet har vært veldig sentralt i etableringen av konsortiet rundt ACTOM prosjektet, finansiert gjennom ACT Era-net, som koordineres fra UiB. Vi har også sikret midler gjennom Akademiaavtalen mellom Equinor og UiB til å fortsette arbeidet. Dermed får vi fullt utbytte av STEMM-CCS eksperimentet og videreføring av BayMoDe forskningen.

The BayMoDe project has contributed to: - A PhD degree in applied mathematics, using machine learning for environmental monitoring of offshore storage sites. - More than 10 peer reviewed manuscripts published or under review on marine monitoring of storage sites. - Establishment of the ACTOM project, that will operationalize BayMoDe research. - Assured increased Norwegian activities related to marine environmental monitoring, and assurance monitoring in general, of storage sites.

With the current plans to utilize the large theoretical storage capacity in the North Sea there is a need for economical monitoring technologies that will either assure storage integrity or detect adverse effects or unwanted release events over large areas. This is also required by international regulations and agreements. BayMoDe addresses the design and operation of monitoring programs aiming to detecting anomalies in the marine environment. The suggested probabilistic approach offers quantification of uncertainties in the program, and this uncertainty is minimised during design. This further reduces the chance of false alarms that will accelerate the cost significantly. This approach will automatically filter out any outliers in a time series; a single leak indication will not automatically sound the alarm but rather increase our awareness by increasing our belief that a leak is on going. Subsequent measurements might reduce or increase our awareness, only when the number of indications reaches a threshold will the extra resources be mobilized. To test the ability and usefulness of Bayes theorem in the context of environmental monitoring we aim to design a data analysis framework, including monitoring design capabilities, in which the Bayesian approach is the core data treatment. The three main building blocks in the framework will be a probabilistic map of potential leak locations, environmental baseline statistics, and predictions of leak footprint characteristics. The former two will be part of a site characterization, while the latter will in addition depend on characteristics of seeps. Even though the focus here is on seafloor monitoring, the approach has the potential to simplify documentation of uncertainty in all monitoring methods. As such the method might accelerate implementation of large-scale storage projects through better procedures for designing and maintaining monitoring programs.

Publikasjoner hentet fra Cristin

Budsjettformål:

CLIMIT-Forskning, utvikling og demo av CO2-håndtering