[논문 리뷰] A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems

Abdeldjalil Latrach, Mohamed Lamine Malki외 3명|arXiv (Cornell University)|2023. 08. 06.

Seismic Imaging and Inversion Techniques참고 문헌 159인용 수 8

한 줄 요약

피지스-인포드 머신러닝(PIML)을 지하자원 에너지 시스템에 대한 포괄적 검토로, 통합 모드, PINNs 이론 및 지구과학, 시추, 저장소 및 생산 예측 분야의 응용을 자세히 다룬다.

ABSTRACT

Machine learning has emerged as a powerful tool in various fields, including computer vision, natural language processing, and speech recognition. It can unravel hidden patterns within large data sets and reveal unparalleled insights, revolutionizing many industries and disciplines. However, machine and deep learning models lack interpretability and limited domain-specific knowledge, especially in applications such as physics and engineering. Alternatively, physics-informed machine learning (PIML) techniques integrate physics principles into data-driven models. By combining deep learning with domain knowledge, PIML improves the generalization of the model, abidance by the governing physical laws, and interpretability. This paper comprehensively reviews PIML applications related to subsurface energy systems, mainly in the oil and gas industry. The review highlights the successful utilization of PIML for tasks such as seismic applications, reservoir simulation, hydrocarbons production forecasting, and intelligent decision-making in the exploration and production stages. Additionally, it demonstrates PIML's capabilities to revolutionize the oil and gas industry and other emerging areas of interest, such as carbon and hydrogen storage; and geothermal systems by providing more accurate and reliable predictions for resource management and operational efficiency.

연구 동기 및 목표

• 과학 분야에서 표준 ML의 한계를 식별하고 물리정보 기반 접근법의 필요성을 제시한다.
• 지하자원 응용을 위한 물리를 데이터-주도 모델에 통합하는 모드를 체계적으로 분류한다.
• 물리정보 기반 신경망(PINNs)의 이론적 기초와 실용적 변형을 제시한다.
• 지질학/지구물리학, 시추, 저장소 엔지니어링, 생산 예측 전반에 걸친 현재의 PIML 응용을 조사한다.
• 지하자원 에너지 시스템을 위한 PIML의 모범 사례, 지식 격차, 향후 연구 방향을 강조한다.

제안 방법

• 데이터/특징 엔지니어링, 사후처리, 초기화, 최적화기 설계, 아키텍처 설계, 손실 함수, 하이브리드 모델을 포함한 물리 통합 모드의 스펙트럼을 설명한다.
• 물리 법칙을 강제하기 위해 IB, PDE, 데이터 손실을 결합한 PINN 프레임워크와 목표 함수를 제시한다.
• ODE/PDE/SDE를 위한 신경 해석기(neural solvers)와 신경 연산자(neural operators)를 뉴럴 시뮬레이터로서 논의하고 그 비교 특성을 설명한다.
• 초기 조건과 경계 조건을 갖는 PDE를 이론적으로 정형화하고 PINNs가 자동 미분을 통해 이를 어떻게 강제하는지 기술한다.
• 지구과학, 시추, 저장소 엔지니어링, 생산 예측 및 CO2 저장 분야의 PIML 응용을 검토하고 종합한다.

실험 결과

연구 질문

• RQ1 데이터 주도 서브수층 모델에 물리를 통합하는 지배적 모드는 무엇이며 언제 적합한가?
• RQ2 PINNs는 서브수층 응용에서 지배 방정식을 풀고 발견하기 위해 어떻게 작동하는가?
• RQ3 지질과학, 시추, 저장소 엔지니어링, 생산 예측 및 CO2 저장 분야에서 PIML 응용의 현재 상태는 어떠한가?

주요 결과

• PIML은 데이터가 희소한 환경에서 모델의 일반화와 물리 법칙 준수를 향상시킨다.
• PINNs는 손실 함수에서 잔여(residuals)를 강제함으로써 PDE를 해결하고 발견할 수 있어 물리적으로 일관된 예측과 훈련 데이터 범위를 넘어선 외삽 가능성을 제공한다.
• 물리 기반 손실과 물리 지향 아키텍처를 결합한 하이브리드 모델은 지배 방정식에 대한 더 나은 준수성과 물리적 타당성을 얻는다.
• 지질학과 지구물리학은 지진파 모델링, 역산 워크플로우, 그리고 스펙트럴 바이어스를 다루는 방법과 함께 고주파 파동장 예측에서 PINNs의 이점을 얻는다.
• Fourier Neural Operators와 같은 신경 연산자(neural operators)는 메시 자유(mesh-free) 대안을 제공하며 PINNs와 다른 데이터 요구량일 수 있어 지진 문제에 유용하다.
• 본 검토은 실용적 모범 사례를 강조하고 최적화기 설계 및 산업 전반의 채택 확대와 같은 격차를 지적한다.