[논문 리뷰] Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators

Gege Wen, Zongyi Li외 4명|arXiv (Cornell University)|2022. 10. 31.

Reservoir Engineering and Simulation Methods인용 수 18

한 줄 요약

이 논문은 고해상도 3D CO2 지하 저장 시뮬레이션을 전통적인 수치 방법 대비 최대 700,000배 빠르게 가속화하는 기계학습 프레임워크인 내재형 푸리에 신경 연산자(Nested FNO)를 소개한다. 다중상태 흐름을 제어하는 PDE의 해 연산자(해결자)를 계층적 해상도 수준에서 학습함으로써, 다양한 지질 조건과 주입 방식에서 압력 상승과 CO2 플룸 이동을 실시간으로 일반화 가능한 예측이 가능해진다.

ABSTRACT

Carbon capture and storage (CCS) plays an essential role in global decarbonization. Scaling up CCS deployment requires accurate and high-resolution modeling of the storage reservoir pressure buildup and the gaseous plume migration. However, such modeling is very challenging at scale due to the high computational costs of existing numerical methods. This challenge leads to significant uncertainties in evaluating storage opportunities, which can delay the pace of large-scale CCS deployment. We introduce Nested Fourier Neural Operator (FNO), a machine-learning framework for high-resolution dynamic 3D CO2 storage modeling at a basin scale. Nested FNO produces forecasts at different refinement levels using a hierarchy of FNOs and speeds up flow prediction nearly 700,000 times compared to existing methods. By learning the solution operator for the family of governing partial differential equations, Nested FNO creates a general-purpose numerical simulator alternative for CO2 storage with diverse reservoir conditions, geological heterogeneity, and injection schemes. Our framework enables unprecedented real-time modeling and probabilistic simulations that can support the scale-up of global CCS deployment.

연구 동기 및 목표

• 고해상도 지하 저장 시뮬레이션의 높은 계산 비용으로 인한 탄소 포집 및 저장(CC) 도입의 핵심적 제약 요인를 해결한다.
• 사이트 선정 및 최적화와 같은 확률적·반복적·실시간 응용에 적합하지 않은 기존 수치 시뮬레이터의 한계를 극복한다.
• 재학습 없이 다양한 지질 이방성, 지하 조건, 주입 전략에 일반화되는 기계학습 프레임워크를 개발한다.
• 모든 지오로지컬 조건과 주입 전략에서 실시간으로 고해상도 동적 시뮬레이션을 가능하게 하여 분지 규모의 CO2 저장을 다룬다. 이는 근접한 웰 부근의 압력 상승과 멀리 떨어진 영역의 플룸 이동을 모두 포함한다.
• 대규모 CCS 프로젝트 평가 및 의사결정 지원을 위한 확장 가능하고 일반적인 수치 시뮬레이터의 대안을 제공한다.

제안 방법

• 다양한 해상도 수준에서 작동하는 다중 푸리에 신경 연산자(FNO)를 사용하는 계층적 기계학습 프레임워크를 제안하며, 이를 내재된 아키텍처로 구성한다.
• 각 FNO를 특정 해상도 수준에서 다중상태 흐름 PDE(비혼화성 및 용해성 CO2-물 흐름을 포함한 다르시의 법칙 기반)의 해 연산자(해결자)를 학습하도록 훈련한다.
• 粗-세밀한 정보 흐름을 활용: 낮은 해상도 FNO의 출력(예: 압력)을 높은 해상도 FNO의 입력(예: 기체 포화도)으로 사용함으로써 다중 척도 모델링을 가능하게 한다.
• FNO에서 푸리에 변환을 활용해 장거리 공간적 의존성을 효율적으로 포착하고, 다양한 입력 조건에서 해 연산자(해결자)를 학습한다.
• 다양한 지하 저장 구성에서의 고해상도 시뮬레이션 데이터를 기반으로 전체 내재 시스템을 엔드 투 엔드로 훈련함으로써 지질학적 및 운영적 변동에 대한 일반화를 보장한다.
• 근접한 주입 웰 부근의 정밀도를 유지하고 먼 거리의 압력 전파를 위한 굵은 해상도를 확보하기 위해 수치 시뮬레이션의 局부 격자 강화(LGR) 데이터를 훈련 데이터로 사용한다.

실험 결과

연구 질문

• RQ1 딥 러닝 프레임워크가 다양한 지질 및 운영 조건에서 실시간으로 고해상도 3D CO2 저장 시뮬레이션을 수행할 수 있는가?
• RQ2 신경 연산자는 어떻게 다중 척도 지하 응답—근접 웰 부근의 압력 상승과 분지 규모의 플룸 이동—을 동시에 처리할 수 있는가?
• RQ3 표준 수치 시뮬레이터 대비 계층적 FNO 아키텍처가 계산 효율성을 얼마나 향상시키면서도 정확도를 유지할 수 있는가?
• RQ4 단일 훈련 모델이 재학습 없이 다양한 지하 투과도, 주입 속도, 웰 구성 조건에 일반화될 수 있는가?
• RQ5 이러한 모델이 CCS 사이트 선정 및 최적화를 위한 확률적 시뮬레이션과 신속한 의사결정 지원을 가능하게 할 수 있는가?

주요 결과

• Nested FNO는 고해상도 3D CO2 저장 시뮬레이션에서 기존 수치 시뮬레이터 대비 거의 700,000배의 속도 향상을 달성한다.
• 프레임워크는 1~2미터의 해상도까지 근접 웰 부근의 압력 상승과 먼 거리의 플룸 이동을 정확하게 예측한다.
• 재학습 없이 다양한 지질 이방성, 주입 전략, 지하 조건에 일반화된다.
• PDE 가족의 해 연산자(해결자)를 학습함으로써 Nested FNO는 대규모 CCS 도입에 필수적인 실시간 시뮬레이션과 확률적 분석을 가능하게 한다.
• 계층적 설계 덕분에 굵은 척도의 출력(예: 압력)이 미세 척도 예측(예: 포화도)을 지시함으로써 물리적 일관성과 정확도가 향상된다.
• 비혼화성 및 용해성 CO2-물 흐름을 포함한 복잡한 다물리적 시나리오에서도 고해상도 수치 시뮬레이션과의 검증을 통해 높은 정밀도를 유지한다.