面向地质封存及其泄漏风险评价的CO₂物联网在线监测

Online monitoring of CO₂ using IoT for assessment of leakage risks associated with geological sequestration

摘要

CO₂地质封存可以在控制CO₂排放的同时兼顾社会经济发展,已成为实现双碳战略目标必不可少的技术途径。然而,在CO₂地质封存过程中,由于封存的CO₂存在向封存区外泄漏或渗漏的风险,这可能对环境以及周围生物造成严重影响。因此,CO₂地质封存的安全性和有效性风险需要得到持续的监测,对于潜在泄漏的监测与识别是碳封存系统安全保障的关键环节。物联网在线监测技术具有的大范围、连续监测和智能分析等特征,较好地契合了地质封存场地的监测需求,但目前还没有在封存监测领域进行大规模应用。为了建立面向地质封存场地的物联网在线监测系统,首先介绍了传感器选择和传感器节点部署的依据,并提出了底层传感技术的设计思路,展示了已完成的碳排放在线监测系统。在传感器选择方面,采用红外CO₂传感器为主、激光CO₂传感器为辅、FT-IR巡逻监测的设计思路。在传感器节点部署方面,采用随机部署与固定部署结合,可移动部署实时优化的设计思路。在网络拓扑结构设计方面,在高泄漏风险的重点区域采用簇状拓扑和网状拓扑混合的方式,在边缘区域则采用星状拓扑、树状拓扑结构与主体区域相连的设计思路。未来伴随着传感器批量化和微型化生产的不断推进,传感器节点的分布组网将逐渐形成规模,物联网在线监测技术将在CO₂地质封存场地的监测领域发挥更为重要的作用。

关键词

CO₂地质封存 / 在线监测 / 大数据 / 物联网 / 泄漏风险评价

Key words

geological carbon dioxide sequestration / online monitoring / big data / Internet of Things / leakage risk assessment

0 引言

碳作为地球系统各个圈层之间的媒介,在圈层之间或圈层内部都可以构成循环^[1]。以碳循环为核心的“自调节系统”决定着地球环境的演化方向,并维持地球气候的稳定^[2]。但是,自工业革命以来,全球大气CO₂浓度急剧上升,从19世纪中叶的280×10^-6增长到2020年的413×10^-6,每年还在以(2~3)×10^-6的速率增长^[3]。大量排放的CO₂等温室气体导致2021年的全球平均气温比工业化前升高了1.11(±0.13) ℃^[4]。快速升温扰乱了地球的自调节系统,引起了全球气候和生态系统的显著变化,产生了海水酸化、极端气候频发等诸多问题。全球变暖的影响已经超出生态范畴,成为国际政治经济的重要议题 ^[5],中国亦提出了将在2030年前实现碳达峰,在2060年前实现碳中和的战略目标。

控制CO₂排放已经成为世界各国的现实需求,具体措施包括3个方面:(1)源头控制,在能源供给侧实现能源结构转型;(2)过程控制,在能源需求侧提高能源利用效率;(3)末端控制,通过固碳除去大气中的CO₂ ^[6⇓⇓-9]。然而,根据国际能源署(IEA)的预测,在短期内大部分国家对传统化石能源的依赖性不会减弱^[10],通过固碳形成负碳排放已成为实现CO₂减排的重要途径^[11]。CO₂地质封存被认为是实现全球升温在2 ℃范围内温控目标的关键技术手段和托底技术保障^[12]。根据预测,在2030年,基于CCUS途径的全球平均减排量需要达到0.49 Pg·a^-1(1Pg=1×10¹⁵ g=10亿t),在2050年需要达到4.66 Pg·a^{-1 [13]}。

前人研究显示^[14],CO₂在注入地下后一方面会增加地层岩石的孔隙压力,改变地层原始的温度、流体压力和应力状态,可能导致地表隆起、断层活化并引发泄漏;另一方面,CO₂会与地层中的矿物、地下水发生化学反应,导致地下水酸化,部分矿物溶解,从而降低地质结构的稳定性。由于地层物理化学性质的改变,CO₂地质封存面临诸多不确定性和潜在风险^[15]。对CO₂地质封存场地进行持续性监测是确保封存有效性和安全性的重要环节。

考虑到地下CO₂的运动、迁移状态和相态变化,地质封存的监测必须具备动态性,这要求监测方法不仅要能够实现持续监测,还要能够及时反馈和预警^[9]。常规的地球物理与地球化学监测方法在测量范围、周期和精度等方面存在诸多限制,面临着经济性、技术性等多方面的挑战^[16]。现阶段,CO₂地质封存领域的监测研究虽然已经关注到长期监测、定量表征的重要性,在封存环境的基线调查^[17]、地下CO₂的封存状态定量化表征^[18-19]等方面也开展了系统性研究,但是对比来看,地球物理和地球化学监测方法通过监测地下环境中的物理、化学性质变化,间接预测或模拟地下环境的变化过程与发展趋势,其监测结果依靠机制分析与数值计算,受到封存环境、监测方法等诸多因素的影响^[20]。而物联网在线监测技术则通过直接监测气体浓度,准确反映当前环境状态,及时识别异常情况或泄漏事件,可以实现大范围、高精度的实时监测和远程管理与控制,基于算法还可以分析CO₂的泄漏来源和规模,在地质封存场地的泄漏监测中具有广阔的应用前景。

本文介绍地表CO₂物联网在线监测系统,包括依托的物联网在线监测技术的原理与关键技术,面向地质封存及其泄漏风险评价的底层传感技术的设计思路,以及传感器选择、传感器节点设计。

1 地表泄漏CO₂物联网在线监测系统结构

物联网在线监测技术(IoT Online Monitoring)利用有线或无线通信技术将不同功能和类型的传感器组织和结合起来,形成无线传感器网络(Wireless sensor networks,WSN),通过互联网进行数据传输和远程访问,实现对温度、湿度、压力和空间位置等诸多参数的共同监测。物联网在线监测技术的本质是基于WSN对物理世界的感知和监测,通过联网实现对WSN的实时、远程控制与数据收集,从而实现空间和时间层面上与物理世界的交互^[21]。

物联网在线监测系统通常由传感器、通信模块、控制系统或网关、云平台和用户端等部分组成^[22]。数据经传感器采集后传输至中央存储单元或云平台进行处理,然后用户可以在可视化界面进行趋势分析、异常监测、预测预警等操作,从而实现对监测场地的远程管理和控制。传感器节点通常具有精确定位功能,因此,在监测节点分布合理的情况下,物联网在线监测可以实现超大范围的高精度监测。物联网在线监测技术应用场景不断增多^[23⇓-25]。

本研究应用物联网在线监测技术,对土壤和浅层地表的CO₂浓度进行实时、连续监测,对传感器节点所采集的数据和其他监测点传输的数据进行处理,基于自身定位、地质背景分析和算法,获取CO₂的泄漏位置、路径和规模风险,实现智能监测和及时预警。

所建立的地表泄漏CO₂物联网在线监测系统的结构框架如图1所示,包括感知层、传输层和应用层,分别具有数据采集与转化、信息传递和处理、数据存储与数据分析等功能,其核心技术包括传感技术、通信技术、数据管理和分析等。传感器的选择和传感器节点设计在整个监测系统中具有最为基础的作用。传感器用来实时感知环境中的各种物理和化学参数的变化,并将其转化为对应的电信号。传感器节点具有数据采集、数据处理、通信和网络连接等功能,可以及时响应突发事件和异常情况,确保监测的连续性和可靠性。

2 CO₂传感器的选择

CO₂传感器包括红外CO₂传感器、激光CO₂传感器、傅里叶变化红外光谱仪(FT-IR)、光声光谱(PAS)型传感器等。其中,红外CO₂传感器是基于CO₂气体对特定波段红外光的选择性吸收特性,通过检测红外光吸收率来反演CO₂的浓度,它具有较高的灵敏度和较低的功耗,价格低廉,是目前应用最广的检测器类型。激光CO₂传感器则是利用CO₂对激光光波的选择性吸收,通过调节工作温度或电流大小实现对不同气体的定性和定量监测。相较于红外监测法的红外光源,激光光源的强度更高,可以忽略环境中低频噪声的干扰,因此具有更高的分辨率和灵敏度^[26]。FT-IR是近年来迅速发展的一种在线监测气体浓度的技术^[27],可对低浓度的混合气体进行定性、定量分析^[26]。与其他光谱技术类似,FT-IR利用气体对红外光区的电磁辐射的选择性吸收进行监测,通过傅里叶变换将干涉信号转化为光谱图,从而大大提升了检测信号的分辨率和精度,结合长光程气体吸收池可将检测灵敏度提高到10^-9数量级^[28]。虽然FT-IR设备较为昂贵且笨重,但是它可以满足高温高湿、烟气混合等复杂环境下的监测需求^[29],与CO₂地质封存可能面临的监测环境相似,因此在此次实验中采用FT-IR。PAS型传感器是一种以光声效应为基础的新兴CO₂传感器类型,其通过监测CO₂吸收激光光束产生的声波信号来确定CO₂浓度^[30]。PAS型传感器不受散射光影响,可以对多组分混合气体进行监测,灵敏度高,是实现CO₂在线监测的理想传感器类型,但由于其稳定性还需要进一步提升^[31],故本实验中不采用。

本研究综合考虑长期监测的经济性和可靠性,在设计中采用红外CO₂传感器对主体区域进行监测,并辅以激光CO₂传感器。在监测区域主要部署红外CO₂传感器作为基础的监测单元,在重点区域,加密部署激光CO₂传感器。FT-IR设备移动不便,但是监测范围广阔,故采用FT-IR在监测区内的固定路线进行定期巡逻监测,覆盖全部的监测区域,并在CO₂浓度波动较大或存在偏差时进行补测,提升数据来源的稳定性与可靠性。

红外检测器的光源、滤光片等部件易受到环境温度的干扰^[32-33],激光检测器的吸收谱线展宽、波长调制系数等参数易受到温度、大气压强的影响^[26],为降低这些干扰和影响,在设计、部署中,辅助温度、湿度、压强等环境参数监测,根据它们的补偿机制或算法对初始测量值进行修正,提升监测数据的可信度^[32-33],确保数据在校正后,基本可以将误差控制在标准范围内(图2)。

3 传感器节点部署

传感器节点是物联网在线监测的核心部件,内置传感器、微处理器、通信模块和电源等组件,除具有监测和采集功能外,还具有数据处理、数据传输和网络连接等功能,是一个完整的微型系统,尺寸在毫米或厘米级。单个传感器节点的监测和覆盖范围有限,但是大量的传感器节点可以根据监测需求分布在监测区内,通过通信模块与其他节点进行数据交换,从而形成广域覆盖和协同工作,实现大范围、高精度在线监测的目标。

设计传感器节点的部署方式和传感器节点的网络拓扑结构时需要考虑到CO₂地质封存场地监测的实际需要。首先,需要保证监测范围覆盖整个封存区域,能有效地监测到CO₂泄漏的情况或异常事件的发生,提高监测效能^[34]。其次,在线监测系统需要保证数据的连续性,即使部分节点失效,仍可以保持数据传输,提高系统的可靠性和鲁棒性^[35]。最后,应尽量降低系统的能耗和使用成本,并延长监测网络的使用寿命。

传感器节点部署主要有固定部署、随机性部署和可移动部署等类型^[36]。其中,固定部署是按照人工设计的部署方式进行分布,例如均匀分布、特定形状的网格化分布等方式(图3a);随机性部署是通过飞机或其他抛洒方式对传感器进行批量的部署,部署成本较低,适用于恶劣环境或人类难以到达区域的监测(图3b);可移动部署方式是指传感器节点可以根据监测需求进行位置移动或重新配置,以适应环境的动态变化(图3c)。

为确保重点区域的全覆盖和通信质量,在设计中,采用多种部署方式结合的方法以降低部署的成本并且提高部署的效率。首先,采用固定部署方式对重点区域进行布点,确保重点区域的全覆盖。以正六边形与正四边形结合的网格化部署方式为主。其中,正六边形的部署方式可以有效降低能量损耗^[37]、减少监测区域的重复面积^[38],而正四边形的部署方式则可以在相同传输距离下,减少监测节点数量^[37],二者结合可以实现监测资源的合理分配。其次,在重点区域的监测节点部署完成之后,采用随机部署的方式扩大监测区域,并对重点监测区域进行加密监测。一般来说,随机部署方式可能会导致部分区域未被监测到,因此若采用随机部署的方式实现监测范围全覆盖,通常需要较多的传感器节点,这可能导致部分区域存在过高的冗余度^[39],增加初期的部署成本。但是随机部署的方式较快,通过优化传感器节点的睡眠和通信机制减少能耗,可以有效地延长监测网络的使用寿命^[37]。在部分节点失效时,其他冗余节点也可以自组织形成网络结构,提升系统的鲁棒性。因此,在固定部署的基础上采用随机部署的方式进行加密和扩展,一方面可以实现短时间的快速部署,另一方面较高的冗余度也保证了测量数据的连续性。最后,考虑到随机部署方式存在资源浪费和监测空缺等安全性和有效性问题,在随机部署方式的基础上采用可移动部署方式进一步优化拓扑结构,可以利用传感器节点的可移动性扩大覆盖范围,或根据测量需求改变传感器节点的密度等。由于可移动部署会增加传感器节点的能源消耗,在设计时一方面可以引入中继辅助的传感器节点到传感器网络中,以减少可移动节点在通信过程中的能量消耗;另一方面也可以采用射频无线充电技术为可移动节点进行远程充电,延长监测节点的使用寿命^[40]。

采用多种传感器节点部署方式结合的方式可以在满足地质封存场地动态性的监测需求前提下,降低监测的成本,并保证监测数据的传输连续性,提高物联网在线监测系统实时监测的能力。

网络拓扑结构设计是传感器节点部署中需审慎考虑的环节。它直接影响到传感器节点间的通信和协作方式,从而影响在线监测的效率和可靠性。在线监测过程中,传感器节点之间通过无线通信技术进行数据交换。但是,在监测中存在部分传感器节点可能因环境变化或电量耗尽而失效,也存在新的或后迁移的传感器节点加入等问题,这导致在线监测过程中的传感器节点数一直处于变化中。此外,根据不同的监测需求或地形变化,需要实时调整网络拓扑结构,传感器节点所形成的拓扑结构也处于动态变化中^[41]。常见的网络拓扑结构包括星型拓扑、网状拓扑、树状拓扑、环形拓扑和簇状拓扑等。

在设计网络拓扑结构时,应该综合考虑监测场地的地质条件、环境条件、覆盖范围、监测需求、通信距离、数据传输和拓展性等诸多因素,需要满足低成本、低功耗的常态化监测和泄漏时的稳定应急监测。这要求拓扑结构可以根据需求和环境的变化进行实时优化拓扑,需要综合各种拓扑结构的优势,对不同区域采用不同的拓扑结构。

在本研究中,采用簇状拓扑和网状拓扑混合的方式,以在高泄漏风险的重点区域增加覆盖面积,提升系统的稳定性。簇头节点分布在注入井或者可能的泄漏位置,并在其周边地区设立大量的传感节点^[25]。根据监测范围添加或者删除节点,也可以根据实时的监测情况休眠或唤醒监测节点,从而更好地管理有限的能源,并延长系统的使用寿命。网状拓扑结构与簇状拓扑结构的混合,可以保证重点区域在紧急情况下监测数据的连续性^[42]。而在边缘区域或监测强度不高的区域,则可以采用结构相对较为简单的拓扑结构,例如在小范围内可以采用星状拓扑^[43],也可以采用树状拓扑结构与主体区域相连,进行数据汇总^[44]。

4 应用案例

基于上述底层传感设计思路,本项目已建成数个线上监测平台。图4展示了中山大学珠海校区海琴4号监测点的CO₂等多参数排放在线监测系统界面。图5展示了广州天安科技园区的CO₂排放物联网实时在线监测系统。系统平台可以基于长期监测数据和大数据算法进行数据分析,为区域碳排放管理提供决策建议。目前,它们运转正常。

5 结论

(1)物联网在线监测技术可以用来实时监测CO₂排放。建设CO₂排放物联网在线监测系统必须充分考虑CO₂物联网在线监测系统结构、CO₂传感器选择、传感器节点部署等关键方面。

(2)目前建设的CO₂排放物联网在线监测技术已具备连续监测和智能处理数据的特点,能满足CO₂地质封存场地的动态监测需求。物联网监测技术对于确保CO₂地质封存的有效性和安全性至关重要。

(3)未来伴随着传感器批量化和微型化生产的不断推进,传感器节点的分布组网将逐渐形成规模,物联网在线监测技术将在CO₂地质封存场地的监测领域发挥基础性作用。

感谢华为技术有限公司的汪宇工程师提出的宝贵意见!

参考文献

[1] 李三忠, 刘丽军, 索艳慧, 碳构造: 一个地球系统科学新范式[J]. 科学通报, 2023, 68(4): 309-338.

[2] 郭正堂. 双碳战略与地球科学[R]. 天津: 第四届表层地球系统科学国际研讨会, 2023.

[3] National Oceanic and Atmospheric Administration, Earth System Research Laboratories. Trends in atmospheric carbon dioxide (CO₂) [EB/OL]. (2024-05-05)[2024-05-14]. https://gml.noaa.gov/ccgg/trends/.

[4] World Meteorological Organization. State of the global climate 2022[M]. Geneva: World Meteorological Organization, 2023.

[5] 鲁政委, 钱立华, 阳能. 碳关税: 欧美的区别与应对思考[N/OL]. 金融时报, (2023-02-08)[2024-05-14]. https://www.financialnews.com.cn/pl/zj/202302/t20230208_264330.html.

[6] 谢和平. 发展低碳技术推进绿色经济[J]. 中国能源, 2010, 32(9): 5-10.

[7] National Research Council. Climate change: evidence and causes: update 2020[M]. Washington DC: The National Academies Press, 2020.

[8] IPCC. Climate Change 2021:the physical science basis. Contribution of working group I to the sixth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2021.

[9] 赵改善. 二氧化碳地质封存地球物理监测: 现状、 挑战与未来发展[J]. 石油物探, 2023, 62(2): 194-211.

[10] International Energy Agency. World energy outlook 2010[R]. Paris: International Energy Agency, 2011.

[11] RICHARDS K R. A brief overview of carbon sequestration economics and policy[J]. Environmental Management, 2004, 33(4): 545-558.

[12] 张贤, 杨晓亮, 鲁玺. 中国二氧化碳捕集利用与封存(CCUS)年度报告(2023)[R]. 北京: 中国21世纪议程管理中心, 全球碳捕集与封存研究院, 清华大学, 2023.

[13] 蔡博峰, 李琦, 张贤. 中国二氧化碳捕集利用与封存(CCUS)年度报告(2021): 中国 CCUS 路径研究[R]. 北京: 生态环境部环境规划院, 2021.

[14] METZ B, DAVIDSON O, CONINCK H D, et al. IPCC special report on carbon dioxide capture and storage[M]. New York: Cambridge University Press, 2005.

[15] 谢和平, 谢凌志, 王昱飞, 全球二氧化碳减排不应是CCS, 应是CCU[J]. 四川大学学报(工程科学版), 2012, 44(4): 1-5.

[16] 王晓桥, 马登龙, 夏锋社, 封储二氧化碳泄漏监测技术的研究进展[J]. 安全与环境工程, 2020, 27(2): 23-34.

[17] BLACKFORD J, BULL J M, CEVATOGLU M, et al. Marine baseline and monitoring strategies for carbon dioxide capture and storage (CCS)[J]. International Journal of Greenhouse Gas Control, 2015, 38: 221-229.

[18] GYÖRE D, GILFILLAN S M V, STUART F M. Tracking the interaction between injected CO₂ and reservoir fluids using noble gas isotopes in an analogue of large-scale carbon capture and storage[J]. Applied Geochemistry, 2017, 78: 116-128.

[19] ROBERTS J J, GILFILLAN S M V, STALKER L, et al. Geochemical tracers for monitoring offshore CO₂ stores[J]. International Journal of Greenhouse Gas Control, 2017, 65: 218-234.

[20] JOHNSON G, DALKHAA C, SHEVALIER M, et al. Pre-, Syn- and Post-CO₂ injection geochemical and isotopic monitoring at the Pembina Cardium CO₂ monitoring pilot, Alberta, Canada[J]. Energy Procedia, 2014, 63: 4150-4154.

[21] WEIMER J E, SINOPOLI B, KROGH B H. A relaxation approach to dynamic sensor selection in large-scale wireless networks[C]// The 28th international conference on distributed computing systems workshops. New York: Institute of Electrical and Electronics Engineers, 2008: 501-506.

[22] GULATI K, KUMAR BODDU R S, KAPILA D, et al. A review paper on wireless sensor network techniques in Internet of Things (IoT)[J]. Materials Today: Proceedings, 2022, 51: 161-165.

[23] WANG H Q, ZHOU J T, LI X, et al. Review on recent progress in on-line monitoring technology for atmospheric pollution source emissions in China[J]. Journal of Environmental Sciences, 2023, 123: 367-386.

[24] GARCÍA PLAZA E, NÚÑEZ LÓPEZ P J, BEAMUD GONZÁLEZ E M. Efficiency of vibration signal feature extraction for surface finish monitoring in CNC machining[J]. Journal of Manufacturing Processes, 2019, 44: 145-157.

[25] 杨慧, 范怀伟, 王文峰, 空地一体化的地质碳封存泄露风险监测方法[J]. 工程地质学报, 2023, 31(4): 1461-1473.

[26] 罗淑芹. 基于TDLAS的CO₂气体检测分析系统[D]. 哈尔滨: 哈尔滨工业大学, 2013.

[27] SEO H S, KOH Y J, NAM H, et al. Development of a rapid and accurate capor generation system for real-time monitoring of a Chemical Warfare Agent (CWA) by Coupling Fourier Transform Infrared (FT-IR) spectroscopy[J]. ACS Omega, 2023, 8(20): 18058-18063.

[28] 张琳, 邵晟宇, 杨柳, 红外光谱法气体定量分析研究进展[J]. 分析仪器, 2009(2): 6-9.

[29] 耿晔, 张文帅, 闫学军, 济南市固定污染源CO₂在线监测系统比对监测解析[J]. 环境科技, 2023, 36(4): 58-63.

[30] LIU K, GUO X Y, YI H M, et al. Off-beam quartz-enhanced photoacoustic spectroscopy[J]. Optics Letters, 2009, 34(10): 1594-1596.

[31] 施俊宇. 基于光声光谱检测技术的二氧化碳气体检测系统[D]. 杭州: 浙江工业大学, 2017.

[32] 李军. 基于数值迭代的非色散红外二氧化碳高温补偿方法[J]. 仪表技术与传感器, 2017(4): 104-106.

[33] 刘崎, 汪磊, 朱向冰, 用于二氧化碳浓度红外检测的温度补偿研究[J]. 红外技术, 2023, 45(6): 671-677.

[34] LI Q Y, LIU N Z. Coverage optimization algorithm based on control nodes position in wireless sensor networks[J]. International Journal of Communication Systems, 2022, 35(5): e4599.

[35] 武永波. 基于物联网的滑坡灾害监测预警技术研究[D]. 武汉: 中国地质大学(武汉), 2021.

[36] AKYILDIZ I F, SU W, SANKARASUBRAMANIAM Y, et al. Wireless sensor networks: a survey[J]. Computer Networks, 2002, 38(4): 393-422.

[37] 孙玉文. 基于无线传感器网络的农田环境监测系统研究与实现[D]. 南京: 南京农业大学, 2013.

[38] 赵仕俊, 张朝晖. 无线传感器网络正六边形节点覆盖模型研究[J]. 计算机工程, 2010, 36(20): 113-115, 118.

[39] 王志刚. 无线传感器网络节点部署与无人机辅助数据采集优化研究[D]. 西宁: 青海师范大学, 2023.

[40] 瞿贻. 可移动节点辅助的无线传感器网络能量优化研究[D]. 北京: 清华大学, 2016.

[41] 李润之. 基于移动平台的无线传感器网络拓扑结构探测研究[D]. 长沙: 国防科技大学, 2020.

[42] WU Y B, NIU R Q, WANG Y, et al. A fast deploying monitoring and real-time early warning system for the baige landslide in Tibet, China[J]. Sensors, 2020, 20(22): 6619.

[43] 王凤杰. 森林碳汇地面监测系统的研制及监测节点分布优化研究[D]. 泰安: 山东农业大学, 2014.

[44] 高昌萱. 面向海洋牧场的传感监测网络部署研究[D]. 大连: 大连海事大学, 2019.

基金资助

国家重点研发计划项目(2022YFF0801201)

国家自然科学基金联合基金重点支持项目(U1911202)

广东省重点研发计划项目(2020B1111370001)