[论文解读] AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage

Gabriel Serrão Seabra, N. T. Mücke+3 more|arXiv (Cornell University)|Feb 9, 2024

Atmospheric and Environmental Gas DynamicsEnvironmental Science被引用 3

一句话总结

本研究提出SH-ESMDA与SH-RML两种混合数据同化框架，采用傅里叶神经算子（FNOs）与Transformer-UNet（T-UNet）作为代理模型，使地质碳封存（GCS）模拟速度提升50%以上，同时保持高保真度的物理解释。SH-RML通过自动微分实现基于梯度的优化，相较于标准ESMDA，在有限训练数据条件下显著提升了不确定性量化能力，展现出更优的历史匹配效果与鲁棒性。

ABSTRACT

This study investigates the integration of machine learning (ML) and data assimilation (DA) techniques, focusing on implementing surrogate models for Geological Carbon Storage (GCS) projects while maintaining high fidelity physical results in posterior states. Initially, we evaluate the surrogate modeling capability of two distinct machine learning models, Fourier Neural Operators (FNOs) and Transformer UNet (T-UNet), in the context of CO$_2$ injection simulations within channelized reservoirs. We introduce the Surrogate-based hybrid ESMDA (SH-ESMDA), an adaptation of the traditional Ensemble Smoother with Multiple Data Assimilation (ESMDA). This method uses FNOs and T-UNet as surrogate models and has the potential to make the standard ESMDA process at least 50% faster or more, depending on the number of assimilation steps. Additionally, we introduce Surrogate-based Hybrid RML (SH-RML), a variational data assimilation approach that relies on the randomized maximum likelihood (RML) where both the FNO and the T-UNet enable the computation of gradients for the optimization of the objective function, and a high-fidelity model is employed for the computation of the posterior states. Our comparative analyses show that SH-RML offers better uncertainty quantification compared to conventional ESMDA for the case study.

研究动机与目标

• 为解决在地质碳封存（GCS）项目中使用机器学习代理模型进行数据同化时的高计算成本问题。
• 在观测数据有限的条件下，提升CO2注入模拟中的不确定性量化（UQ）能力。
• 开发结合物理模拟器与深度学习模型的混合数据同化框架，实现更快、更准确的后验状态估计。
• 评估FNO与T-UNet作为代理模型在不同数据可用性条件下的通道型储层模拟中的性能表现。
• 通过人工智能增强的数据同化，实现可扩展、高效且可靠的不确定性量化，服务于实际GCS项目。

提出的方法

• 为通道型储层中的CO2注入模拟开发了FNO与T-UNet神经网络作为代理模型，训练数据来源于高保真度DARTS模拟器的输出结果。
• 提出基于代理模型的混合ESMDA（SH-ESMDA），用FNO与T-UNet代理模型替代ESMDA中的高成本模拟运行，使计算成本降低50%以上。
• 提出基于代理模型的混合RML（SH-RML），采用神经网络的自动微分计算梯度，用于RML优化，避免了手动伴随模型推导。
• 整合高保真度DARTS模拟以计算后验状态，确保在代理模型优化过程中仍保持物理一致性。
• 通过包含微地震与压力数据的合成CO2注入案例研究验证两种框架，比较其在多个同化步骤中的性能表现。
• 采用基于集合与变分的数据同化技术（ESMDA与RML），结合机器学习代理模型，提升收敛性与不确定性量化能力。

Figure 1 : Permeability maps of six models from the dataset.

实验结果

研究问题

• RQ1 FNO与T-UNet模型能否作为复杂通道型储层中高保真CO2注入模拟的准确且高效代理模型？
• RQ2 在ESMDA中使用代理模型（SH-ESMDA）对GCS项目数据同化的计算效率与准确性有何影响？
• RQ3 SH-RML通过神经网络梯度实现RML优化，相较于标准ESMDA，在CO2封存应用中是否能获得更优的不确定性量化结果？
• RQ4 在训练数据有限的条件下，FNO与T-UNet架构的模型性能与不确定性量化表现如何变化？
• RQ5 所提出的混合框架能否拓展至实际GCS项目及其他地下应用（如地热能或核废料处置）？

主要发现

• 在训练数据有限时，FNO在代理建模精度上优于T-UNet，展现出更强的数据稀缺条件下的泛化能力。
• SH-ESMDA相较于标准ESMDA，计算时间减少至少50%，具体降幅取决于同化步数，且未牺牲准确性。
• SH-RML在历史匹配与不确定性量化方面优于传统ESMDA，尤其在捕捉后验状态变异性与降低偏差方面表现更优。
• 利用FNO的自动微分实现了RML优化中高效梯度计算，消除了对手动伴随模型推导的依赖。
• 通过使用高分辨率DARTS模拟器进行最终后验状态计算，混合框架保持了高保真度的物理解释，确保了模型可靠性。
• 所提出方法在扩展至更大、更复杂的储层及更广泛的地下建模应用（如地热能与核废料储存）方面展现出强大潜力。

Figure 2 : Histogram of permeability (left) and log of permeability (right) for one sample.