[论文解读] Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators

Gege Wen, Zongyi Li+4 more|arXiv (Cornell University)|Oct 31, 2022

Reservoir Engineering and Simulation MethodsEngineering被引用 18

一句话总结

本文提出嵌套傅里叶神经算子（Nested FNO），一种机器学习框架，可将高分辨率3D CO2地质封存模拟的速度相比传统数值方法提升高达700,000倍。通过在不同分辨率层级上学习控制多相流的偏微分方程（PDE）的解算子，Nested FNO 实现了在不同储层条件和注入方案下对压力积聚与CO2羽流迁移的实时、可泛化的预测。

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.

研究动机与目标

• 解决由于高保真储层模拟计算成本过高而导致的碳捕集与封存（CCS）部署中的关键瓶颈。
• 克服传统数值模拟器在选址与优化等概率性、重复性或实时应用中速度过慢的局限性。
• 开发一种无需微调即可在不同地质非均质性、储层条件和注入策略间泛化的机器学习框架。
• 实现在盆地尺度上对CO2封存进行实时、高分辨率的动态模拟，涵盖近井压力积聚与远场羽流迁移。
• 为大规模CCS项目评估与决策提供可扩展、通用的数值模拟器替代方案。

提出的方法

• 提出一种分层机器学习框架，采用多个不同分辨率层级的傅里叶神经算子（FNOs），形成嵌套架构。
• 在特定分辨率层级上训练每个FNO，以学习控制多相流PDE（基于达西定律，包含不混溶与可溶CO2-水流动）的解算子。
• 采用自粗到细的信息流：低分辨率FNO的输出（如压力）作为高分辨率FNO的输入（如气相饱和度），实现多尺度建模。
• 利用FNO中的傅里叶变换高效捕捉长程空间依赖性，并学习在多样化输入条件下解算子的映射关系。
• 在来自多种储层构型的高保真模拟数据上端到端训练整个嵌套系统，确保在地质与操作变化中的泛化能力。
• 使用数值模拟中的局部网格加密（LGR）数据作为训练数据，以在近井区域保持高精度，同时在远场区域保留粗网格对压力传播的模拟能力。

实验结果

研究问题

• RQ1 深度学习框架是否能在多样化的地质与操作条件下实现对高分辨率3D CO2封存模拟的实时仿真？
• RQ2 神经算子应如何构建，以同时处理近井压力积聚与盆地尺度羽流迁移的多尺度储层响应？
• RQ3 与标准数值模拟器相比，分层FNO架构在保持精度的同时，能在多大程度上提升计算效率？
• RQ4 单一训练好的模型是否能在不重新训练的情况下泛化于不同的储层渗透率、注入速率与井位配置？
• RQ5 此类模型是否能够支持概率性模拟与快速决策支持，以服务于CCS选址与优化？

主要发现

• Nested FNO在高分辨率3D CO2封存模拟中相比传统数值模拟器实现了近700,000倍的速度提升。
• 该框架能准确预测分辨率高达1–2米的近井压力积聚与远场羽流迁移。
• 该模型在无需重新训练的情况下，可泛化于多样化的地质非均质性、注入方案与储层条件。
• 通过学习PDE族的解算子，Nested FNO实现了实时模拟与概率分析，这对大规模CCS部署至关重要。
• 分层设计确保粗尺度输出（如压力）可指导细尺度预测（如饱和度），从而提升物理一致性和精度。
• 在涉及不混溶与可溶CO2-水流动的复杂多物理场场景中，该方法仍保持高保真度，经高分辨率数值模拟验证。