[논문 리뷰] A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior during Geological CO2 Sequestration Injection and Post-Injection Periods

Bicheng Yan, Bailian Chen외 2명|arXiv (Cornell University)|2021. 07. 15.

CO2 Sequestration and Geologic Interactions인용 수 15

한 줄 요약

이 논문은 지질학적 CO2 저장(GCS) 주입 및 주입 후 단계 동안 압력과 CO2 포화도의 변화를 예측하기 위해 푸리에 뉴런 연산자를 사용한 강건한 딥러닝 워크플로우를 제시한다. 주입기 및 주입 후 단계에 대해 별도의 모델을 훈련하고 누적 주입량을 특징으로 포함시킴으로써, 물리 기반 시뮬레이션 대비 250배 빠른 속도로 시간적·공간적 스케일 전반에서 높은 예측 정확도를 유지한다.

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.

연구 동기 및 목표

• 지역적 CO2 저장(GCS) 운영 동안 다상류 흐름을 고정밀도로 계산 효율적으로 예측할 수 있는 딥러닝 워크플로우를 개발한다.
• 주입기 및 주입 후 단계에서 압력과 CO2 포화도의 시간-공간적 변화를 정확히 모델링하는 데 도전한다.
• 주입기 및 주입 후 유동 메커니즘의 차이를 반영하기 위해 별도의 딥러닝 모델을 사용하여 예측 정확도를 향상시킨다.
• 특히 누적 CO2 주입량과 같은 입력 특징의 영향을 모델 성능에 미치는 영향을 평가한다.
• 공 ingeneering 决 策 지원을 위한 장기적 GCS 과정의 빠르고 확장 가능한 시뮬레이션을 가능하게 한다.

제안 방법

• 워크플로우는 입력 특징에서 시공간 상태 변수(압력 및 CO2 포화도)로의 매핑을 학습하기 위해 푸리에 뉴런 연산자 기반 딥러닝 아키텍처를 활용한다.
• 입력 특징으로는 암석 성질, 웰 운영 제어, 시간 단계, 누적 CO2 주입량이 포함된다.
• 주입기 단계와 주입 후 단계를 위한 두 개의 별도 딥러닝 모델이 훈련되었으며, 이는 서로 다른 주요 유동 메커니즘을 반영한다.
• 3D 비균질 염수층에서의 물리 기반 시뮬레이션 데이터를 사용하여 딥러닝 모델을 훈련한다.
• 예측 성능 평가를 위해 예측 결과를 시공간 차원에서 기준 물리 기반 시뮬레이션과 비교한다.
• 예측 정밀도에 영향을 미치는 입력 변수 조합의 영향을 평가하기 위해 특징 공학 전략을 통합한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델링에서 주입기 및 주입 후 단계를 분리하는 것이 압력과 CO2 포화도 예측 정확도에 미치는 영향은 무엇인가?
• RQ2 모델 입력으로 누적 CO2 주입량을 포함시키는 것이 예측 성능에 미치는 영향은 무엇인가?
• RQ3 전체 GCS 과정에 대해 훈련된 단일 딥러닝 모델이 CO2 포화도 예측에서 단기 모델보다 성능이 뛰어나게 되는가?
• RQ4 푸리에 뉴런 연산자 아키텍처는 복잡한 다상류 흐름 물리 법칙을 얼마나 정확하고 효율적으로 모의할 수 있는가?
• RQ5 속도와 정확도 측면에서 딥러닝 워크플로우는 전체 물리 기반 저류층 시뮬레이션과 어떻게 비교되는가?

주요 결과

• 주입기와 주입 후 단계를 위한 별도의 딥러닝 모델을 사용함으로써, 압력 변화 예측이 가장 정확하게 이루어졌다.
• 누적 CO2 주입량을 특징으로 포함한 단일 딥러닝 모델이 CO2 포화도 예측에서 가장 높은 정확도를 달성했다.
• 누적 CO2 주입량을 특징으로 포함시킴으로써 주입 후 단계에서 압력 및 포화도 예측의 성능이 크게 향상되었다.
• 딥러닝 워크플로우는 전체 물리 기반 저류층 시뮬레이션 대비 250배 빠른 속도를 기록했으며, 높은 예측 정밀도를 유지했다.
• 실제 3D 비균질 염수층 환경에서 다양한 시공간 스케일에 걸쳐 뛰어난 성능을 보였다.
• 푸리에 뉴런 연산자 기반 아키텍처는 높은 일반화 능력을 바탕으로 다상류 흐름의 복잡한 물리 법칙을 효과적으로 포착했다.