[논문 리뷰] Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural Networks

Xin Ju, François P. Hamon외 4명|arXiv (Cornell University)|2023. 06. 16.

CO2 Sequestration and Geologic Interactions인용 수 11

한 줄 요약

본 논문은 불연속 결절이 있는 비정형 메시에 대해 CO2 플룸 이동 및 공극압을 예측하는 그래프 신경망 서브라이브(MGN-LSTM) surrogate를 도입하여 시간적 오차를 줄이고 보지 못한 구성에도 일반화한다.

ABSTRACT

Deep-learning-based surrogate models provide an efficient complement to numerical simulations for subsurface flow problems such as CO$_2$ geological storage. Accurately capturing the impact of faults on CO$_2$ plume migration remains a challenge for many existing deep learning surrogate models based on Convolutional Neural Networks (CNNs) or Neural Operators. We address this challenge with a graph-based neural model leveraging recent developments in the field of Graph Neural Networks (GNNs). Our model combines graph-based convolution Long-Short-Term-Memory (GConvLSTM) with a one-step GNN model, MeshGraphNet (MGN), to operate on complex unstructured meshes and limit temporal error accumulation. We demonstrate that our approach can accurately predict the temporal evolution of gas saturation and pore pressure in a synthetic reservoir with impermeable faults. Our results exhibit a better accuracy and a reduced temporal error accumulation compared to the standard MGN model. We also show the excellent generalizability of our algorithm to mesh configurations, boundary conditions, and heterogeneous permeability fields not included in the training set. This work highlights the potential of GNN-based methods to accurately and rapidly model subsurface flow with complex faults and fractures.

연구 동기 및 목표

• 효율적이고 정확한 surrogate 모델링을 통해 불연속 결절이 있는 저류층에서 CO2 플룸 이동을 예측하고 고충실도 시뮬레이션에 대한 의존도를 줄인다.
• 결절과 단층에 맞춰 비정형 메시를 처리할 수 있는 그래프 기반 surrogate를 개발한다.
• 그래프 기반 순환 구조를 통해 autoregressive surrogate의 시간적 오차 누적을 완화한다.
• 학습된 매개변수가 보지 않은 메시, 경계 조건 및 이질적 투과도 필드에 일반화되는지 보여준다.

제안 방법

• 비정형 메시 데이터를 노드 특징(동적 변수와 정적 속성)과 간선 특징(연결성 및 거리)을 갖는 그래프로 표현한다.
• Encoder/processor로 MeshGraphNet (MGN)을 활용하여 그래프 입력으로부터 잠재 표현을 구축한다.
• 공간-시간 동역학을 포착하고 시간에 따른 오차 누적을 줄이기 위해 Graph ConvLSTM (GConvLSTM)을 통합한다.
• 오토리그레시브 롤아웃을 사용하여 연속 시간 단계를 예측하고 시퀀스 전체에서 그래디언트를 전파하여 안정성을 확보한다.
• HF 시뮬레이션 데이터를 실제값으로 사용하여 가스 포화도와 공극압에 대해 별도의 MGN-LSTM 모델을 학습한다.

Figure 1 : Construction of the graph representation from an unstructured mesh: (a) an example mesh with two impermeable faults and one injector; highlighted areas are zoomed-in sections of (b) cells along fault line #2; (c) internal cells and their graph representations; and (d) input node features

실험 결과

연구 질문

• RQ1 그래프 기반 surrogate가 불투과성 결절이 있는 비정형 메시에 대해 이상 기체 CO2–염수 흐름을 정확히 예측할 수 있는가?
• RQ2 MGN-LSTM이 표준 다음 상태 MGN 및 다른 베이스라인에 비해 시간적 오차 누적을 감소시키는가?
• RQ3 보지 않은 메시, 경계 조건 및 이질적 투과도 필드에 모델이 얼마나 잘 일반화되는가?
• RQ4 그래프 입력에 추가 물리적 특징(예: 상대 투과도)을 포함시키는 것이 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• MGN-LSTM은 불연속 결절이 있는 저류층에서 CO2 포화 플룸과 공극압 진화를 정확히 예측한다.
• 모형은 표준 MeshGraphNet에 비해 시간적 오차 누적이 감소한다.
• MGN-LSTM은 학습 시 보지 못한 메시 구성, 경계 조건 및 투과도 필드에 일반화된다.
• 노드/에지 입력에 더 많은 물리적 특징을 포함시키면 포화도 예측 정확도가 더 향상될 수 있다.

Figure 2 : Workflow schematic for the recurrent GNN model proposed in this article, referred to as MGN-LSTM. Given a domain in which supercritical CO 2 is injected in the center, the goal of MGN-LSTM is to learn a sequence of dynamic variables. The domain is discretized using an unstructured mesh th