[논문 리뷰] A Digital Twin for Geological Carbon Storage with Controlled Injectivity

Abhinav Prakash Gahlot, Haoyun Li외 3명|arXiv (Cornell University)|2024. 03. 28.

Scientific Computing and Data Management인용 수 4

한 줄 요약

이 논문은 실시간 모니터링 데이터와 불확실성 인식 기반 생성형 AI를 통합하여 이산화탄소 유입성을 제어하고 캡 록스 균열을 방지하는 지질적 탄소 저장을 위한 디지털 트윈을 제시한다. 시간간섭 탐사 및 웰 데이터에 대해 순차적 베이지안 추론과 신경망 기반 후행 밀도 추정을 적용함으로써, 시스템은 균열 발생 확률을 1% 이하로 유지하면서 97.5% 신뢰도를 확보하는 주입 속도를 최적화한다. 주입 속도를 0.0387 m³/s로 낮추었을 때 위험도는 32.59%에서 1%로 감소한다.

ABSTRACT

We present an uncertainty-aware Digital Twin (DT) for geologic carbon storage (GCS), capable of handling multimodal time-lapse data and controlling CO2 injectivity to mitigate reservoir fracturing risks. In GCS, DT represents virtual replicas of subsurface systems that incorporate real-time data and advanced generative Artificial Intelligence (genAI) techniques, including neural posterior density estimation via simulation-based inference and sequential Bayesian inference. These methods enable the effective monitoring and control of CO2 storage projects, addressing challenges such as subsurface complexity, operational optimization, and risk mitigation. By integrating diverse monitoring data, e.g., geophysical well observations and imaged seismic, DT can bridge the gaps between seemingly distinct fields like geophysics and reservoir engineering. In addition, the recent advancements in genAI also facilitate DT with principled uncertainty quantification. Through recursive training and inference, DT utilizes simulated current state samples, e.g., CO2 saturation, paired with corresponding geophysical field observations to train its neural networks and enable posterior sampling upon receiving new field data. However, it lacks decision-making and control capabilities, which is necessary for full DT functionality. This study aims to demonstrate how DT can inform decision-making processes to prevent risks such as cap rock fracturing during CO2 storage operations.

연구 동기 및 목표

• 다중모odal 데이터를 활용해 실시간 모니터링과 불확실성 정량화를 가능하게 하는 지질적 탄소 저장을 위한 디지털 트윈을 개발하는 것.
• 디지털 트윈 프레임워크에 의사결정 기능을 통합하여 CO₂ 주입 중 캡 록스 균열 위험을 해결하는 것.
• 확률적 제약 조건을 기반으로 주입 속도를 최적화하여 균열 발생 확률이 사전 정의된 임계값 이하로 유지되도록 하는 것.
• 지구물리학 및 오일리저보 엔지니어링 등 분리된 영역 간의 격리를 해소하기 위해 통합적이고 데이터 기반의 가상 복제본을 제공하는 것.
• 생성형 AI와 베이지안 추론이 탄소 저장 운영에서 능동적인 위험 완화를 가능하게 하는 방식을 입증하는 것.

제안 방법

• 디지털 트윈은 매 타임스텝에서 사후 샘플링을 통해 유도된 시뮬레이션된 상태-관측 쌍을 활용해 순환적 훈련을 수행한다.
• 시뮬레이션 기반 추론을 통한 신경망 기반 후행 밀도 추정은 시간간섭 탐사 및 웰 데이터로부터 불확실성 인식 상태 추정을 가능하게 한다.
• 순차적 베이지안 추론이 매 타임스텝에서 오일리저보 상태 및 투과도의 사후 분포를 갱신하는 데 적용된다.
• 각 샘플에 대해 제약 조건이 있는 최적화 문제를 해결하여 주입 유량을 최대화하면서도 오일리저보 압력이 깊이에 따라 달라지는 균열 압력 이하로 유지되도록 한다.
• 핵 밀도 추정(KDE)을 통해 경험적 균열 빈도 분포를 매끄럽게 처리하여 의사결정 지원을 위한 누적분포함수(CDF)를 유도한다.
• 균열 발생 확률에 대한 신뢰구간은 이항분포를 기반으로 하며, 95% 신뢰수준(Z = 1.96)을 사용하고, 보수적인(왼쪽 꼬리 기반) 주입 속도 선택을 시행한다.

실험 결과

연구 질문

• RQ1 디지털 트윈은 시간간섭 탐사 및 웰 관측과 같은 다중모달 모니터링 데이터를 어떻게 통합하여 지질적 탄소 저장에서 불확실성 인식 상태 추정을 가능하게 하는가?
• RQ2 어느 주입 속도가 높은 CO₂ 주입 유량을 유지하면서도 캡 록스 균열 위험을 최소화하는가?
• RQ3 베이지안 추론과 생성형 AI는 오일리저보 압력 및 투과도의 불확실성을 어떻게 정량화하여 위험 기반 의사결정을 지원하는가?
• RQ4 디지털 트윈은 균열 발생 확률에 대해 신뢰구간을 제공하여 보수적인 운영 결정을 지원할 수 있는가?
• RQ5 불확실성 인식 추론을 활용한 주입 유량 제어는 통제되지 않은 주입에 비해 균열 발생 샘플 수를 얼마나 줄이는가?

주요 결과

• 초기 주입 속도 0.0500 m³/s에서는 95% 신뢰구간이 24.47%에서 40.71%인 균열 발생 확률이 32.59%로 나타나 수용할 수 없는 높은 위험을 나타낸다.
• 주입 속도를 0.0387 m³/s로 낮추었을 때 균열 발생 확률은 1% 이하로 감소하였고, 결과의 신뢰도는 97.5%로 유지되었다.
• 128개의 상태 샘플 중 초기 주입 속도에서는 43개가 균열되었으나, 제어된 주입 속도에서는 단 한 개의 샘플만 균열되었다.
• 디지털 트윈은 균열 발생 빈도를 1% 이하로 제한하면서도 높은 통계적 신뢰도를 확보하는 보수적인 주입 속도를 성공적으로 식별하였다.
• KDE 및 CDF 분석을 활용함으로써 주입 유량을 정밀하고 데이터 기반으로 선택할 수 있었으며, 주입 유량과 안전성 간의 균형을 이루었다.
• 이 시스템은 불확실성 인식 디지털 트윈이 수동 모니터링을 초월해 제어된 주입 유량을 통해 능동적인 위험 완화로 전환할 수 있음을 입증하였다.