[論文レビュー] A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior during Geological CO2 Sequestration Injection and Post-Injection Periods

Bicheng Yan, Bailian Chen+2 more|arXiv (Cornell University)|Jul 15, 2021

CO2 Sequestration and Geologic Interactions被引用数 15

ひとこと要約

本論文では、地質的CO2隔離注入および注入後段階における圧力およびCO2飽和度の変化を予測するために、フーリエニューロンオペレータを用いたロバストなディープラーニングワークフローを提示する。注入および注入後期間のそれぞれに対して別々のモデルを訓練し、累積CO2注入量を特徴量として組み込むことで、物理ベースのシミュレーションに比べ250倍の高速化を達成しながら、時間的・空間的スケールにわたって高い予測精度を維持した。

ABSTRACT

This paper contributes to the development and evaluation of a deep learning workflow that accurately and efficiently predicts the temporal-spatial evolution of pressure and CO2 plumes during injection and post-injection periods of geologic CO2 sequestration (GCS) operations. Based on a Fourier Neuron Operator, the deep learning workflow takes input variables or features including rock properties, well operational controls and time steps, and predicts the state variables of pressure and CO2 saturation. To further improve the predictive fidelity, separate deep learning models are trained for CO2 injection and post-injection periods due the difference in primary driving force of fluid flow and transport during these two phases. We also explore different combinations of features to predict the state variables. We use a realistic example of CO2 injection and storage in a 3D heterogeneous saline aquifer, and apply the deep learning workflow that is trained from physics-based simulation data and emulate the physics process. Through this numerical experiment, we demonstrate that using two separate deep learning models to distinguish post-injection from injection period generates the most accurate prediction of pressure, and a single deep learning model of the whole GCS process including the cumulative injection volume of CO2 as a deep learning feature, leads to the most accurate prediction of CO2 saturation. For the post-injection period, it is key to use cumulative CO2 injection volume to inform the deep learning models about the total carbon storage when predicting either pressure or saturation. The deep learning workflow not only provides high predictive fidelity across temporal and spatial scales, but also offers a speedup of 250 times compared to full physics reservoir simulation, and thus will be a significant predictive tool for engineers to manage the long term process of GCS.

研究の動機と目的

• 地質的CO2隔離（GCS）作業中の多相流を高精度かつ計算的に効率的なディープラーニングワークフローを開発すること。
• 注入および注入後段階にわたる圧力およびCO2飽和度の時間的・空間的変化を正確にモデル化する課題に対処すること。
• 注入および注入後におけるダイナミクスの違いを別々のディープラーニングモデルで区別することで、予測精度を向上させること。
• 特に累積CO2注入量といった入力特徴量の影響がモデル性能に与える影響を評価すること。
• 工学的意思決定支援のため、長期的なGCSプロセスの迅速かつスケーラブルなシミュレーションを可能にすること。

提案手法

• ワークフローは、入力特徴量から空間時間的状態変数（圧力およびCO2飽和度）へのマッピングを学習する、フーリエニューロンオペレータに基づくディープラーニングアーキテクチャを採用する。
• 入力特徴量には、岩石の性質、井戸の運用制御、時間ステップ、累積CO2注入量が含まれる。
• 注入段階と注入後段階のそれぞれに対して、異なる主な流れのメカニズムを反映するため、2つの別々のディープラーニングモデルを訓練する。
• 3次元の不均一な塩水アキフェアに由来する物理ベースのシミュレーションデータを用いて、ディープラーニングモデルを訓練する。
• モデルの性能は、空間的および時間的次元において、参照となる物理シミュレーションとの比較を通じて評価される。
• 予測の忠実度に与える入力変数の組み合わせの影響を評価するため、特徴量エンジニアリング戦略を統合する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデリングにおいて、注入段階と注入後段階を分離することで、圧力およびCO2飽和度の予測精度にどのような影響を与えるか？
• RQ2 累積CO2注入量をモデルの入力に含めることで、予測性能にどのような影響を与えるか？
• RQ3 全GCSプロセスにわたって訓練された単一のディープラーニングモデルが、段階別モデルを上回ってCO2飽和度を予測できるか？
• RQ4 フーリエニューロンオペレータアーキテクチャは、複雑な多相流の物理をどれほど正確かつ効率的にエミュレートできるか？
• RQ5 スピードと正確性の観点から、ディープラーニングワークフローは、完全な物理シミュレーションのリザーバー・シミュレーションと比べてどの程度優れているか？

主な発見

• 注入段階と注入後段階のそれぞれに対して別々のディープラーニングモデルを用いることで、圧力変化の予測が最も正確になった。
• 累積CO2注入量を特徴量として含む単一のディープラーニングモデルが、CO2飽和度予測において最高の精度を達成した。
• 累積CO2注入量を特徴量として組み込むことで、注入後段階における圧力および飽和度予測の両方の性能が顕著に向上した。
• ディープラーニングワークフローは、完全な物理シミュレーションに比べ250倍の高速化を達成しながら、高い予測忠実度を維持した。
• 実際の3次元の不均一な塩水アキフェア環境下で、多様な空間的・時間的スケールにわたり、モデルは強固な性能を示した。
• フーリエニューロンオペレータに基づくアーキテクチャは、多孔質媒体における多相流の複雑な物理を高い汎化能力で的確に捉えていた。