[論文レビュー] AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage

Gabriel Serrão Seabra, N. T. Mücke+3 more|arXiv (Cornell University)|Feb 9, 2024

Atmospheric and Environmental Gas DynamicsEnvironmental Science被引用数 3

ひとこと要約

本研究では、Fourier Neural Operators (FNOs) と Transformer-UNet (T-UNet) を補助モデルとして用いるハイブリッドデータ同調フレームワーク、SH-ESMDA および SH-RML を提案する。これらにより、Geological Carbon Storage (GCS) シミュレーションの計算速度が 50% 以上向上し、物理的結果の高精細度を維持する。SH-RML は、自動微分による勾配最適化を可能にすることで、標準的な ESMDA よりも優れた不確実性評価を実現し、限られた訓練データ下でも高いロバスト性を示す。

ABSTRACT

This study investigates the integration of machine learning (ML) and data assimilation (DA) techniques, focusing on implementing surrogate models for Geological Carbon Storage (GCS) projects while maintaining high fidelity physical results in posterior states. Initially, we evaluate the surrogate modeling capability of two distinct machine learning models, Fourier Neural Operators (FNOs) and Transformer UNet (T-UNet), in the context of CO$_2$ injection simulations within channelized reservoirs. We introduce the Surrogate-based hybrid ESMDA (SH-ESMDA), an adaptation of the traditional Ensemble Smoother with Multiple Data Assimilation (ESMDA). This method uses FNOs and T-UNet as surrogate models and has the potential to make the standard ESMDA process at least 50% faster or more, depending on the number of assimilation steps. Additionally, we introduce Surrogate-based Hybrid RML (SH-RML), a variational data assimilation approach that relies on the randomized maximum likelihood (RML) where both the FNO and the T-UNet enable the computation of gradients for the optimization of the objective function, and a high-fidelity model is employed for the computation of the posterior states. Our comparative analyses show that SH-RML offers better uncertainty quantification compared to conventional ESMDA for the case study.

研究の動機と目的

• 機械学習補助モデルを用いて、Geological Carbon Storage (GCS) プロジェクトにおけるデータ同調の高い計算コストを低減すること。
• 観測データが限られた状況下でも、CO2注入シミュレーションにおける不確実性評価 (UQ) を向上させること。
• 物理ベースのシミュレータとディープラーニングモデルを統合したハイブリッドデータ同調フレームワークを構築し、より高速かつ正確な事後状態推定を実現すること。
• FNO と T-UNet が、データ可用性に応じて変化するチャnel化された蓄留層におけるシミュレーションに、補助モデルとしてどれほど有効であるかを評価すること。
• AI強化型データ同調により、スケーラブルで効率的かつ信頼性の高い不確実性評価を、実世界の GCS プロジェクトに適用可能とする。

提案手法

• チャネル化された蓄留層における CO2注入シミュレーション用に、FNO および T-UNet ニューラルネットワークを補助モデルとして開発し、高精度な DARTS シミュレータ出力に基づいて学習した。
• 補助モデルを用いたハイブリッド ESMDA (SH-ESMDA) を提案。ESMDA の高コストなシミュレータ実行を、FNO および T-UNet 補助モデルに置き換えることで、計算コストを 50% 以上削減した。
• 補助モデルを用いたハイブリッド RML (SH-RML) を導入。ニューラルネットワークからの自動微分を活用し、RML 最適化の勾配計算を実現。これにより、手動による随伴方程式の導出を回避した。
• 物理的一致性を保証するため、最終的な事後状態計算には高解像度の DARTS シミュレーションを統合した。
• 複数のデータ同調ステップにおいて性能を比較するため、マイクロセismic および圧力データを用いた合成 CO2注入ケーススタディを用いて両フレームワークを検証した。
• アンサンブルベースおよび変分的データ同調手法 (ESMDA および RML) を機械学習補助モデルで強化し、収束性と不確実性評価の両方を向上させた。

Figure 1 : Permeability maps of six models from the dataset.

実験結果

リサーチクエスチョン

• RQ1 FNO および T-UNet モデルは、複雑でチャネル化された蓄留層における高精度な CO2注入シミュレーションの補助モデルとして、正確かつ効率的であると言えるか？
• RQ2 補助モデルを ESMDA に組み込むこと (SH-ESMDA) が、GCS プロジェクトにおけるデータ同調の計算効率と精度にどのように影響を与えるか？
• RQ3 ニューラルネットワークの勾配を用いて RML 最適化を実行する SH-RML は、CO2貯留応用において、標準的な ESMDA よりも優れた不確実性評価を達成するか？
• RQ4 特に FNO と T-UNet アーキテクチャの間で、訓練データが限られた状況下でのモデル性能と不確実性評価はどのように変化するか？
• RQ5 提案されたハイブリッドフレームワークは、実世界の GCS プロジェクトや地熱エネルギー、核廃棄物処理など、他の地下応用分野へ拡張可能か？

主な発見

• 訓練データが限られた状況下でも、FNO が T-UNet よりも優れた補助モデル精度を示し、データ不足下での一般化性能に優れた。
• SH-ESMDA は、同定化ステップ数に応じて、標準的な ESMDA よりも計算時間を 50% 以上短縮したが、精度に影響を与えることなく実現した。
• SH-RML は、標準的な ESMDA よりも優れた履歴マッチングと不確実性評価を達成した。特に、事後状態のばらつきを的確に捉え、バイアスを低減した。
• FNO からの自動微分により、RML 最適化における勾配計算が効率的に行えるようになり、手動による随伴方程式導出の必要がなくなった。
• 高解像度の DARTS シミュレータを用いて最終的な事後状態を計算することで、ハイブリッドフレームワークは物理的一致性を維持し、モデルの信頼性を保証した。
• 提案手法は、より大規模で複雑な蓄留層へのスケーラビリティが強く、地熱や核廃棄物貯留を含む、地下モデリング分野への広範な応用の可能性を示している。

Figure 2 : Histogram of permeability (left) and log of permeability (right) for one sample.