[論文レビュー] Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators

Gege Wen, Zongyi Li+4 more|arXiv (Cornell University)|Oct 31, 2022

Reservoir Engineering and Simulation MethodsEngineering被引用数 18

ひとこと要約

本稿では、3次元CO2地中貯留シミュレーションを従来の数値手法と比較して最大700,000倍高速化する機械学習フレームワーク、ネストド・フーリエニューラルオペレータ（Nested FNO）を提案する。多相流を記述する偏微分方程式（PDE）の解作用素を、階層的な解像度レベルで学習することで、多様な地中層条件や注入スキーム下でも、リアルタイムかつ一般化可能な圧力上昇およびCO2プレーム移動の予測を可能にする。

ABSTRACT

Carbon capture and storage (CCS) plays an essential role in global decarbonization. Scaling up CCS deployment requires accurate and high-resolution modeling of the storage reservoir pressure buildup and the gaseous plume migration. However, such modeling is very challenging at scale due to the high computational costs of existing numerical methods. This challenge leads to significant uncertainties in evaluating storage opportunities, which can delay the pace of large-scale CCS deployment. We introduce Nested Fourier Neural Operator (FNO), a machine-learning framework for high-resolution dynamic 3D CO2 storage modeling at a basin scale. Nested FNO produces forecasts at different refinement levels using a hierarchy of FNOs and speeds up flow prediction nearly 700,000 times compared to existing methods. By learning the solution operator for the family of governing partial differential equations, Nested FNO creates a general-purpose numerical simulator alternative for CO2 storage with diverse reservoir conditions, geological heterogeneity, and injection schemes. Our framework enables unprecedented real-time modeling and probabilistic simulations that can support the scale-up of global CCS deployment.

研究の動機と目的

• 高精度な地下貯留シミュレーションに伴う高い計算コストが原因で生じる炭素回収・貯留（CCS）展開の主要なブottleneckを解消すること。
• サイト選定や最適化における確率的・繰り返し・リアルタイム応用に不適切なほど遅い従来の数値シミュレータの限界を克服すること。
• 再トレーニングを必要とせず、多様な地質的不均一性、地中層条件、注入戦略に一般化可能な機械学習フレームワークを構築すること。
• 盆地規模の高解像度動的シミュレーションをリアルタイムで実行可能にし、近接井戸部の圧力上昇と遠方のプレーム移動を両方含む、大規模なCO2貯留を可能にすること。
• 大規模CCSプロジェクトの評価や意思決定支援のためのスケーラブルで汎用的な数値シミュレータの代替手段を提供すること。

提案手法

• 異なる解像度レベルで複数のフーリエニューラルオペレータ（FNO）を用いた階層的機械学習フレームワークを提案し、ネストド構造を形成する。
• 各FNOを、特定の解像度レベルにおける支配的となる多相流PDE（不混和および可溶性CO2-水流を含むダルシー則に基づく）の解作用素を学習するように訓練する。
• 粗いスケールから細かいスケールへの情報伝達を採用：例えば、粗いスケールのFNO出力（圧力）を、細かいスケールのFNO入力（ガス飽和度）として使用することで、マルチスケールモデリングを実現する。
• FNOにおけるフーリエ変換を活用し、長距離の空間的相関を効率的に捉え、多様な入力条件下での解作用素の学習を可能にする。
• 複数の地中層構成からの高精度シミュレーションデータを用いて、全ネストドシステムをエンドツーエンドでトレーニングし、地質的および運用的変動にわたる一般化を確保する。
• 局所的グリッドリファイニング（LGR）データをトレーニングデータとして使用し、注入井戸付近の細かいスケールでの精度を保持するとともに、遠方の圧力伝播を粗いスケールで維持する。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、多様な地質的および運用的条件下で、リアルタイムかつ高解像度3次元CO2貯留シミュレーションを達成できるか？
• RQ2 ニューラルオペレータは、近接井戸部の圧力上昇と盆地規模のプレーム移動の両方を同時に扱えるように、どのように構造化できるか？
• RQ3 階層的FNOアーキテクチャは、標準的な数値シミュレータと比較して、計算効率を向上させつつも正確性を維持できるか？
• RQ4 1つのトレーニング済みモデルが、再トレーニングを必要とせず、異なる地中層透水係数、注入流量、井戸配置に一般化できるか？
• RQ5 このようなモデルは、CCSサイト選定および最適化のための確率的シミュレーションと迅速な意思決定支援を可能にするか？

主な発見

• ネストドFNOは、高解像度3次元CO2貯留シミュレーションにおいて、従来の数値シミュレータと比較してほぼ700,000倍の高速化を達成した。
• フレームワークは、1〜2メートルという細かい解像度でも、近接井戸部の圧力上昇と遠方のプレーム移動の両方を正確に予測できた。
• 再トレーニングを必要とせず、多様な地質的不均一性、注入スキーム、地中層条件に一般化した。
• PDEの家族の解作用素を学習することで、ネストドFNOはリアルタイムのシミュレーションと確率的分析を可能にし、大規模CCS展開に不可欠な要素を提供した。
• 階層的設計により、粗いスケールの出力（例：圧力）が細かいスケールの予測（例：飽和度）を支援することで、物理的整合性と正確性が向上した。
• 不混和および可溶性CO2-水流を含む複雑なマルチフィジックス状況においても、高解像度数値シミュレーションとの妥当性を確認した結果、高い忠実度を維持した。