[논문 리뷰] Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media

Jiamin Jiang, Bo Guo|arXiv (Cornell University)|2023. 07. 10.

Lattice Boltzmann Simulation Studies인용 수 4

한 줄 요약

이 논문은 비정형 메esh에서 다상위 흐름 및 이동을 시뮬레이션하기 위해 그래프 컬러지 네트워크(GCN) 기반의 서rogate 모델을 제안한다. 이는 비정형 메쉬에서 사용이 제한적인 컨volutional 신경망(CNN)의 한계를 해결하기 위한 것이다. 하이퍼볼릭 PDE 역학에 특화된 EdgeConv 기반 아키텍처를 통합함으로써, 모델은 다중 시간스텝에 걸쳐 높은 정확도와 안정성 있는 예측을 달성하며, PEBI 및 비정규적인 직각좌표 메쉬를 포함한 예측되지 않은 비정형 메쉬로의 일반화 능력도 효과적으로 확보한다.

ABSTRACT

Numerical simulation of multi-phase fluid dynamics in porous media is critical for many energy and environmental applications in Earth's subsurface. Data-driven surrogate modeling provides computationally inexpensive alternatives to high-fidelity numerical simulators. While the commonly used convolutional neural networks (CNNs) are powerful in approximating partial differential equation solutions, it remains challenging for CNNs to handle irregular and unstructured simulation meshes. However, simulation models for Earth's subsurface often involve unstructured meshes with complex mesh geometries, which limits the application of CNNs. To address this challenge, we construct surrogate models based on Graph Convolutional Networks (GCNs) to approximate the spatial-temporal solutions of multi-phase flow and transport processes in porous media. We propose a new GCN architecture suited to the hyperbolic character of the coupled PDE system, to better capture transport dynamics. Results of 2D heterogeneous test cases show that our surrogates predict the evolutions of pressure and saturation states with high accuracy, and the predicted rollouts remain stable for multiple timesteps. Moreover, the GCN-based models generalize well to irregular domain geometries and unstructured meshes that are unseen in the training dataset.

연구 동기 및 목표

• 복잡한 비정형 메쉬를 가진 다상위 흐름 시뮬레이션에 딥러닝을 적용하는 데 도전하는 것.
• 정규적이고 구조화된 격자에 국한되며 비정형 메쉬 기하학적 형태에서 어려움을 겪는 CNN의 한계를 극복하는 것.
• 결합된 PDE 시스템에서 포화 동역학의 하이퍼볼릭 성격을 포착하는 GCN 기반 서rogate 모델을 개발하는 것.
• 예측되지 않은 도메인 기하학 및 비정형 메쉬(예: PEBI 및 비정규 직각좌표 메쉬)로의 일반화를 보장하는 것.
• 지하 응용 분야에서 불확실성 정량화를 위한 빠르고 정확하며 안정적인 시뮬레이션 롤아웃을 가능하게 하는 것.

제안 방법

• 시뮬레이션 도메인을 그래프로 표현하며, 노드는 메쉬 셀, 엣지는 인접한 셀 간의 연결성을 나타낸다.
• 포화 필드의 국소적 공간적 및 동적 변동을 더 잘 포착하기 위해 GraphConv 레이어와 EdgeConv를 통합한 GCN 아키텍처를 설계한다.
• 고정밀 수치 시뮬레이션에서의 노드별 압력 및 포화 상태를 사용해 지도 학습 방식으로 모델을 훈련시킨다.
• 메시지 전달 메커니즘을 통해 다중 GCN 레이어에 걸쳐 이웃 정보를 집계함으로써, 복잡한 물리적 관계를 학습할 수 있도록 한다.
• 훈련 안정성 향상과 특징 표현 향상을 위해 최대 풀링 및 잔차 연결을 통합한다.
• 초기 훈련 기간 동안 볼 수 없었던 비정형 격자(예: PEBI 메쉬)에 대한 일반화 능력을 향상시키기 위해 추가적인 PEBI 메쉬 샘플로 모델을 미세조정한다.

실험 결과

연구 질문

• RQ1 GCN 기반 서rogate 모델은 이질적인 다공성 매체를 통과하는 다상위 흐름에서의 압력 및 포화의 시공간적 진화를 정확하게 예측할 수 있는가?
• RQ2 EdgeConv를 통합한 제안된 GCN 아키텍처는 표준 GCN 또는 CNN 모델에 비해 날카운 포화 전면과 불연속성을 얼마나 잘 포착하는가?
• RQ3 훈련된 GCN 모델이 PEBI 및 비정규 직각좌표 메쉬와 같은 예측되지 않은 도메인 기하학 및 비정형 메쉬로의 일반화 능력은 어느 정도인가?
• RQ4 단지 다음 단계 예측에만 훈련된 모델이 장기적인 시뮬레이션 롤아웃 동안에도 예측 안정성을 유지하는가?
• RQ5 고정밀 수치 시뮬레이터에 비해 GCN 서rogate 모델이 정확도를 유지하면서도 상당한 계산 속도 향상을 달성할 수 있는가?

주요 결과

• 정규 직각좌표 메쉬에서 세 가지 테스트 케이스에 대해 GCN 기반 서rogate 모델은 평균 상대 포화 오차가 각각 0.91%, 0.85%, 0.93%를 기록하며, 표준 GraphConv 전용 모델(오차 1.89%, 1.68%, 1.32%)에 비해 뚜렷이 뛰어난 성능을 보였다.
• EdgeConv를 통합한 모델은 세밀한 이질성과 날카운 포화 전면을 유지하며, EdgeConv 없이 설계된 모델에서 관찰되는 퍼짐 현상(스메어링 효과)을 방지한다.
• 비정규 직각좌표 메쉬 및 PEBI 비정형 메쉬로의 일반화 능력이 뛰어나며, 도메인 경계 근처 영역에서도 최소한의 예측 오차를 기록한다.
• 단지 다음 단계 예측에만 훈련된 모델임에도 불구하고, 다중 시간스텝에 걸쳐 안정적인 롤아웃을 유지함으로써 강력한 시간적 일반화 능력을 보였다.
• GCN 서rogate 모델은 고정밀 수치 시뮬레이터 대비 220배의 속도 향상을 기록하여 지하 응용 분야에서 빠른 불확실성 정량화를 가능하게 하였다.
• 훈련 과정에 5개의 추가 PEBI 메쉬 샘플을 포함시킴으로써 비정형 격자에서의 예측 정확도 향상이 확인되었으며, 도메인 지식 기반 데이터 증강의 가치를 입증하였다.