In Chinas Streben nach Carbon Peak und Kohlenstoffneutralität ist die geologische Speicherung von Kohlendioxid in tiefen salinen Aquiferen zu einem Mittel geworden, um Chinas Energiesektor bei der Erreichung seiner doppelten Kohlenstoffziele zu unterstützen. Mit der schrittweisen Ausweitung von Speicherprojekten weltweit besteht ein dringender Bedarf an einer effizienten und bequemen Überwachungsmethode, die eine langfristige Überwachung der unterirdischen CO2-Speicherung ermöglicht. Die Überwachung durch Mikrogravitation ist effizient und die Messkosten sind gering. Mit Hilfe der hochpräzisen Gravimetrie können Schwerkraftanomalien im Zeitraffer ermittelt, die CO2-Dichteverteilung im Untergrund geschätzt und die Grenzen der CO2-Injektion und der CO2-Fahne abgegrenzt werden. Herkömmliche Methoden zur Inversion von Schwereanomalien haben eine geringe Tiefenauflösung, verstreute Inversionsergebnisse, zeitaufwändige Berechnungen großer Datenmengen und einen hohen Speicherbedarf, wenn es um geologische Situationen geht, in denen die horizontale Skala von CO2 viel größer ist als die vertikale Skala. Im Gegensatz dazu betrachten Deep-Learning-Inversionsmethoden die Daten aus einer probabilistischen Perspektive und steuern die Minimierung der Netzwerkausgabe und der Modellbeschriftungen durch Verlustfunktionen, um das auf überwachtem Lernen basierende Training neuronaler Netzwerke zu ermöglichen. Allerdings unterscheiden sich die vorhandenen Modell-Label-Datensätze, darunter MNIST und GravInv, erheblich von der gemessenen Reaktion der Mikrogravitationsanomalie bei der geologischen CO2-Speicherung. Einige einzelne Studien erstellen manuell genaue Modelle, die mit der Reaktion auf die Schwerkraftanomalie übereinstimmen, aber die Anforderungen an das Datenvolumen des neuronalen Netzwerks in Bezug auf die Anzahl der Modelllabels nicht erfüllen können. In dieser Arbeit wird ein geologisches Modell der CO2-Sequestrierung mit dynamischer Dichte konstruiert, das sowohl die Anforderungen an die Reaktion auf Mikrogravitationsanomalien als auch an die Lernmenge des neuronalen Netzes erfüllt. Das für dieses geologische Modell-Label konstruierte und trainierte neuronale Netz wird auf die Inversion der gemessenen Daten angewendet. Die geologischen Modell-Etiketten werden für die Inversion der gemessenen Daten erstellt und trainiert. Die eingegebenen Felddaten werden zur Vorhersage der unterirdischen CO2-Dichteverteilung verwendet. Die Ergebnisse der Deep Learning-Inversion zeigen, dass eine hohe laterale und vertikale Auflösung in Bereichen mit Dichteveränderungen erreicht werden kann und dass die Schnittstelle zwischen Ober- und Unterseite sowie die horizontale Grenze des CO2-Reservoirs identifiziert werden können. Während des Lernprozesses des neuronalen Netzwerks werden die dynamische Dichtestruktur und die horizontalen Ausbreitungstendenzen des geologischen CO2-Modells identifiziert, wodurch die Einbeziehung anderer vorheriger Informationen in den Inversionsprozess reduziert wird. Das fertige neuronale Netzwerk kann eine schnelle Echtzeit-Inversion durchführen, was die Berechnungszeit im Vergleich zu herkömmlichen Schwerkraft-Inversionsmethoden erheblich reduziert. Bei der Inversion von Zeitraffer-Mikrogravitationsanomaliendaten aus dem gemessenen Sleipner-Feld wurden die mehrschichtige Struktur und die Anreicherungsgebiete von CO2 vorhergesagt und eine Übereinstimmung mit anderen Studien erzielt, was die praktische Wirksamkeit des Inversionsnetzwerks bestätigt. Es wird eine vielversprechende Anwendung der auf Deep Learning basierenden Überwachung von Mikrogravitationsanomalien bei der geologischen CO2-Speicherung aufgezeigt.