Fourier-MIONet: Fourier-enhanced multiple-input neural operators for multiphase modeling of geological carbon sequestration

要約

地中炭素貯留 (GCS) は、大気中の二酸化炭素の量を減らすことを目的とした重要な技術です。
多孔質媒体内の多相流は、GCS に関連する地下の CO2 移動と圧力場を理解するために不可欠です。
ただし、4D でのこのような問題の数値シミュレーションは、高度に非線形で支配的な偏微分方程式 (PDE) のマルチフィジックスおよびマルチスケールの性質のために、計算が困難で費用がかかります。
これにより、複数の地下シナリオを検討し、リアルタイムで最適化を行うことができなくなります。
ここでは、フーリエ拡張多入力ニューラル オペレーター (Fourier-MIONet) を開発して、多孔質媒体における多相流の問題の解オペレーターを学習します。
フーリエ MIONet は、最近開発された多入力ディープ ニューラル オペレーター (MIONet) のフレームワークを利用し、ネットワーク アーキテクチャにフーリエ ニューラル オペレーター (FNO) を組み込みます。
フーリエ MIONet がトレーニングされると、透過性と空隙率の不均一性、異方性、注入構成、多相流特性など、さまざまな貯留層条件下での多相流の飽和と圧力の変化を予測できます。
強化された FNO (U-FNO) と比較して、提案された Fourier-MIONet は未知のパラメーターが 90% 少なく、はるかに少ない CPU メモリ (< 15%) と GPU で大幅に短い時間 (約 3.5 倍高速) でトレーニングできます。 同様の予測精度を達成するためのメモリ (< 35%) 要件。 計算コストが低いことに加えて、Fourier-MIONet は、30 年間の偏微分方程式の解を予測するために、わずか 6 回のスナップショットでトレーニングできます。 Fourier-MIONet の優れた一般化可能性は、偏微分方程式の解が時間とともに連続するという物理的原理を順守することによって可能になります。

要約(オリジナル)

Geologic Carbon Storage (GCS) is an important technology that aims to reduce the amount of carbon dioxide in the atmosphere. Multiphase flow in porous media is essential to understand CO2 migration and pressure fields in the subsurface associated with GCS. However, numerical simulation for such problems in 4D is computationally challenging and expensive, due to the multiphysics and multiscale nature of the highly nonlinear governing partial differential equations (PDEs). It prevents us from considering multiple subsurface scenarios and conducting real-time optimization. Here, we develop a Fourier-enhanced multiple-input neural operator (Fourier-MIONet) to learn the solution operator of the problem of multiphase flow in porous media. Fourier-MIONet utilizes the recently developed framework of the multiple-input deep neural operators (MIONet) and incorporates the Fourier neural operator (FNO) in the network architecture. Once Fourier-MIONet is trained, it can predict the evolution of saturation and pressure of the multiphase flow under various reservoir conditions, such as permeability and porosity heterogeneity, anisotropy, injection configurations, and multiphase flow properties. Compared to the enhanced FNO (U-FNO), the proposed Fourier-MIONet has 90% fewer unknown parameters, and it can be trained in significantly less time (about 3.5 times faster) with much lower CPU memory (< 15%) and GPU memory (< 35%) requirements, to achieve similar prediction accuracy. In addition to the lower computational cost, Fourier-MIONet can be trained with only 6 snapshots of time to predict the PDE solutions for 30 years. The excellent generalizability of Fourier-MIONet is enabled by its adherence to the physical principle that the solution to a PDE is continuous over time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google