[논문 리뷰] Bayesian Inversion Of Generative Models For Geologic Storage Of Carbon Dioxide

Gavin H. Graham, Yan Chen|arXiv (Cornell University)|2020. 01. 08.

Reservoir Engineering and Simulation Methods참고 문헌 12인용 수 4

한 줄 요약

이 논문은 생성적 적대적 네트워크(GANs)와 추론 네트워크를 사용한 베이지안 역설정 프레임워크를 제안하며, 희소한 보어홀 데이터 및 역사적 유체 흐름 데이터를 조건으로 하여 지질 모델을 조정함으로써 이산화탄소(CO₂) 저장 용량 예측의 불확실성을 크게 감소시킨다. 사전에 훈련된 GAN과 신경망 기반의 사후 샘플링, 그리고 앙상블 기반의 데이터 융합(ESMDA)을 결합함으로써, 유체 흐름 시뮬레이션 2,000회만으로도 지질학적으로 일관되며 데이터에 제약을 받는 지하 실현을 생성할 수 있다.

ABSTRACT

Carbon capture and storage (CCS) can aid decarbonization of the atmosphere to limit further global temperature increases. A framework utilizing unsupervised learning is used to generate a range of subsurface geologic volumes to investigate potential sites for long-term storage of carbon dioxide. Generative adversarial networks are used to create geologic volumes, with a further neural network used to sample the posterior distribution of a trained Generator conditional to sparsely sampled physical measurements. These generative models are further conditioned to historic dynamic fluid flow data through Bayesian inversion to improve the resolution of the forecast of the storage capacity of injected carbon dioxide.

연구 동기 및 목표

• 희소한 정적 및 동적 데이터를 통합하여 지하 지질 모델의 불확실성을 줄이기 위해 탄소디옥사이드(CO₂) 저장을 위한 지하 지질 모델을 개선한다.
• 기존의 지구통계학적 방법이나 마르코프 체인 몬테카를로(MCMC) 방법의 한계를 극복하기 위해, 계산 비용이 높거나 가우시안 분포를 가정하는 방법의 문제를 해결한다.
• 딥 러닝 기반의 생성 모델을 활용하여 차원 축소와 비가우시안 지질 패턴 표현을 가능하게 한다.
• 관측된 데이터에 조건부로 지질학적 특성의 사후 샘플링을 효율적으로 수행할 수 있는 확장 가능하고 미분 가능한 프레임워크를 개발한다.
• 데이터에 제약을 받는 모델 생성을 통해 CO₂ 주입 및 저장 용량 예측의 정확성과 신뢰도를 향상시킨다.

제안 방법

• 유체 흐름 시뮬레이션을 위한 지하 지질학적 특성(예: 강의 흐름, 레이브, 크레바스 스프레이)을 나타내는 합성 지질학적 이미지에 대해 워샤르스키 GAN(WGAN)을 훈련시켜 지하 지질학적 분포를 학습한다.
• 관측된 보어홀 데이터(예: 채널 존재/부재)를 GAN의 잠재 공간 내 잠재 벡터로 매핑하기 위해 추론 네트워크를 훈련시켜, 지질학적으로 일관된 모델의 조건부 생성을 가능하게 한다.
• 생성기의 잠재 공간을 베이지안 역설정의 모델 파arameterization으로 사용하며, 기존의 고차원 지질학적 파arameterization을 대체한다.
• 역사적 유체 흐름 데이터(예: 압력 및 상별 유량)를 사용하여 앙상블 스무딩 기반의 데이터 융합(ESMDA)을 적용하여 잠재 벡터를 업데이트함으로써 시뮬레이션된 데이터와 관측된 데이터 간의 불일치를 최소화한다.
• 시뮬레이션된 데이터와 관측된 데이터 간의 마할라노비스 거리 기반 손실 함수를 사용하며, 잠재 벡터의 앙상블에 대해 반복적인 업데이트를 수행한다.
• 최종적으로 캘리브레이션된 모델은 훈련된 생성기를 통해 업데이트된 잠재 벡터를 복호화하여 생성되며, 이는 유체 흐름 시뮬레이션을 위한 데이터 일관성 있는 지질학적 실현의 집합을 제공한다.

실험 결과

연구 질문

• RQ1 GAN 기반의 생성 모델은 강의 흐름과 크레바스 스프레이와 같은 복잡한 비가우시안 지질 패턴을 지하 형성에서 효과적으로 표현할 수 있는가?
• RQ2 사전에 훈련된 GAN의 잠재 공간을 활용하여 희소한 보어홀 데이터에 조건부로 지하 지질학적 특성의 효율적이고 정확한 베이지안 추론을 수행할 수 있는가?
• RQ3 앙상블 기반의 데이터 융합(ESMDA)이 유체 흐름 관측 자료를 사용하여 GAN으로 생성된 모델의 캘리브레이션을 얼마나 향상시킬 수 있는가?
• RQ4 기존의 지구통계학적 또는 MCMC 기반 접근 방식과 비교해 볼 때, 제안된 프레임워크는 CO₂ 저장 용량 예측의 불확실성을 감소시키는가?
• RQ5 계산 비용 효율성과 함께, 지질학적 현실성을 유지하면서도 정적 및 동적 데이터에 고정밀도로 일치시키는 방법은 가능한가?

주요 결과

• 추론 네트워크를 갖춘 조건부 GAN은 시각적 검토를 통해 알려진 보어홀 데이터를 존중하는 지질학적으로 일관된 지하 모델을 성공적으로 생성하였다.
• 100개의 앙상블 멤버와 함께 20회의 ESMDA 반복 후, 시뮬레이션된 유체 흐름 데이터와 역사적 데이터 간에 강력한 일치를 보였으며, 유량 및 압력의 시뮬레이션 결과가 관측된 데이터와 오차 범위 내에서 매우 유사하게 일치하였다.
• 2,000회의 유체 흐름 시뮬레이션 후 생성된 100개의 캘리브레이션된 모델 앙상블은 실현 간에 일관된 구조적 특성을 보였으며, 효과적인 데이터 융합과 불확실성 감소를 나타내었다.
• 강한 데이터 일치에도 불구하고, 최종 앙상블은 보어홀 데이터 및 동적 데이터의 제약으로 인해 진정한 불확실성을 과소평가할 가능성이 있음을 시사하며, 모델 다양성의 추가 탐색이 가능할 것으로 보인다.
• 생성기의 잠재 공간이 추론 네트워크의 출력과 상관관계를 보이며, 잠재 공간 내에서 데이터에 의존하는 패턴을 성공적으로 학습한 것으로 나타났다.
• 기존의 MCMC 방법과 비교해 계산 비용을 크게 감소시켰으며, 오직 2,000회의 유동 시뮬레이션으로도 고품질의 캘리브레이션을 달성하였다.